Bayessche Nachfrageprognose für einen schweizer FMCG-Hersteller
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst drei Jahre wöchentlicher Verkaufsdaten für 120 Stock-Keeping-Units (SKUs — Lagerhaltungseinheiten) über 8 Vertriebsregionen plus eine Tabelle der historischen Promotion-Aktionen. Baue ein hierarchisches Bayessches Modell in PyMC oder NumPyro, das Nachfrage pro Woche als Funktion von Saisonalität, Trend, Promotion-Lift und SKU-Region-Zufallseffekt modelliert. Liefere Vorhersageintervalle (P10/P50/P90) für die nächsten 12 Wochen und vergleiche die kalibrierte Genauigkeit gegen eine LightGBM-Baseline. Erfolgskriterium: Pinball-Loss schlägt die Baseline um 8% und die nominellen 80%-Intervalle decken 75-85% der Realwerte ab.
Das Briefing
Was Du tust und was Du zeigst.
Liefere kalibrierte probabilistische Nachfrageprognosen pro SKU und Region, die der Disposition Service-Level-bewusste Bestellentscheidungen ermöglichen.
Earning criteria — what you'll demonstrate
- Hierarchische Bayessche Modelle für reale Nachfragedaten formulieren und sampeln
- Markov-Chain-Monte-Carlo-Konvergenz (R-hat, ESS) diagnostizieren
- Probabilistische Prognosen kalibrieren und gegen Punkt-Vorhersagen sinnvoll vergleichen
- Modellunsicherheit in eine Geschäftsentscheidung übersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Eine kalibrierte probabilistische Nachfrageprognose mit hierarchischen Bayesschen Modellen und einer Geschäfts-Übersetzungsschicht ist genau die Arbeit, die ein Data Scientist in einem reifen Konsumgüter-Analytics-Team leistet.
Dieses Projekt schärft
- bayesian-inference
- probabilistic-modeling
- calibration-evaluation
Applied AI Scientist
Probabilistische Methoden auf ein konkretes Operations-Problem zu übertragen und Service-Level-Entscheidungen abzuleiten ist Tagesgeschäft angewandter KI-Wissenschaftler.
Dieses Projekt schärft
- bayesian-inference
- hierarchical-models
- time-series
Machine Learning Engineer
Saubere Implementierung in PyMC/NumPyro plus Vergleich gegen LightGBM ist die Disziplin, die ML Engineers brauchen, um Forschungsmodelle produktionsreif zu machen.
Dieses Projekt schärft
- python
- time-series
- calibration-evaluation
Noch eine Sache