Einladung zum TechTogether: Data Science in Production

AUS AKTUELLEM ANLASS: Wir werden das TechTogether: Data Science in Production am 26.03.2020 remote durchführen.

Worum geht es?

Viele Unternehmen beschäftigen sich heute intensiv mit Data Science, weil sie sich wünschen, neue Mehrwerte aus ihren Daten gewinnen zu können – neues Wissen, neue Ideen, neue Services. Doch wirklich wertvoll für die Unternehmen wird Data Science erst, wenn die innovativen Modelle und Algorithmen auch tatsächlich in Produktion gehen, also über die Labor-Phase hinauskommen. Um genau diesen Schritt geht es bei unserem TechTogether: Wir beleuchten zwei innovative Data Science Cases, die wir für einen Online-Lebensmitteleinzelhändler modelliert und erfolgreich produktiv gestellt haben. Im ersten Fall geht es um Absatzprognosen, im zweiten um Kostenoptimierung. In beiden Fällen war die agile Projektdurchführung ein wesentlicher Erfolgsfaktor. Wir erklären, worauf es ankam und was andere Unternehmen daraus lernen können.

Vorträge

From Whiteboard to Production System – Demand Forecasting System 

(Dr. Robin Senge, Head of Machine Learning bei inovex)

REWE nutzt datengetriebene Lösungen, um die Verfügbarkeit von Produkten zu maximieren und gleichzeitig die Effizienz der Lieferkette zu optimieren. Eine hohe Produktverfügbarkeit ist dabei vornehmlich den Kunden wichtig, während REWE darüber hinaus Lagerhaltungs- und Abschreibungskosten im Auge behalten muss. Vorgestellt wird die gemeinsam mit der REWE neu entwickelte Absatzprognose für den Lieferservice von REWE. Verglichen zur Legacy-Lösung wurden spezifisch auf das Liefergeschäft angepasste Prognosemodelle entwickelt.

Die Absatzprognose wurde mit modernen, open-source-basierten Big-Data- und Data-Science-Technologien wie Apache Spark, Apache Kafka und Scikit-learn implementiert und wird von der Konzerntochter »REWE digital« betrieben. Besonderer Wert wurde auf die Skalierbarkeit der Lösung gelegt, um das wachsende Online-Geschäft von REWE langfristig unterstützen zu können.

Wie schon für andere datengetriebene Use Cases bei REWE, wurde nicht nur die Lösung als Ganzes, sondern insbesondere auch das Machine-Learning-Modell agil in einem Scrum Team entwickelt.

KPI-driven Supply Chain Optimization – Cost Optimization Model

(Mara Hermann, Big Data Scientist bei inovex)

Entlang der Lieferkette spielt die Abwägung zwischen gegenläufigen Ereignissen eine zentrale Rolle: Produktverfügbarkeit auf der einen und Lagerhaltung bzw. Abschreibungen auf der anderen Seite. Diese Ereignisse sind mit Kosten für den Einzelhändler verbunden. Gerade im Kontext des Liefergeschäfts kann eine mangelnde Produktverfügbarkeit zu großen Verlusten aufgrund von Warenkorbabbrüchen führen. Aber auch bei der Bereitstellung von zu großen Mengen entstehen durch die Lagerhaltung überschüssiger Ware oder Abschreibung verdorbener Produkte vermeidbare Kosten. 

In diesem Szenario ist die zuvor vorgestellte Absatzprognose ein hilfreiches Werkzeug für die Kostenoptimierung entlang der Lieferkette. Im zweiten Vortrag werden die Elemente und Abläufe innerhalb der Lieferkette skizziert sowie ein auf der Absatzprognose basierendes Kostenoptimierungsmodell vorgestellt. Dieses stochastische Modell wurde am Beispiel des Bestellprozesses entwickelt – der Warenbestellung des Einzelhändlers bei seinen Zulieferern.

Häufig sind die genauen Kosten für mangelnde Produktverfügbarkeit und Lagerhaltung dem Einzelhändler nicht bekannt oder liegen nur approximativ vor. Für solche Fälle wurde das Kostenoptimierungsmodell um eine Komponente erweitert. Diese ermöglicht es, die optimalen Kostenparameter ausgehend von den KPIs zu steuern, wie z. B. der Nicht-Verfügbarkeit-Quote.

Termin und Ort


Donnerstag, 26.03.2020   [iCalendar]

Das TechTogether wird von 15–17 Uhr remote durchgeführt.

Die Teilnahme an der Veranstaltung ist kostenlos. Sollten Sie selbst nicht dabei sein können, dürfen Sie diese Einladung gerne an interessierte Kolleg:innen weiterleiten. Bei Rückfragen stehen wir Ihnen gerne unter der Telefonnummer +49 (0)173 3181-195 zur Verfügung.

Linda Brunner

Melden Sie sich hier kostenlos an!

Linda Brunner

Senior Brand & Event Specialist

Aktuelle News über inovex und die Branche

inovex Newsletter

Jetzt hier anmelden!

inovex Leistungen

Data Science & Deep Learning

Integration von Data Science in Big-Data-Systeme, Open-Source-Technologien, Data Science at Scale, Deep Learning ... Unser interdisziplinäres Experten-Team unterstützt Sie gerne bei Ihren individuellen Aufgabenstellungen!

Mehr Informationen

inovex Leistungen

Machine Perception & Artificial Intelligence

Data Science, Machine Learning und Deep Learning, Computer Vision, NLP, Robotics, Reinforcement Learning  ... Unser interdisziplinäres Experten-Team unterstützt Sie gerne bei Ihren individuellen Aufgabenstellungen!

Mehr Informationen

inovex Case Studies

Agile Data Science für die Supply-Chain-Optimierung von REWE digital

inovex hat im Bereich der Supply-Chain-Optimierung mit der REWE-IT-Tochter REWE digital zusammengearbeitet. Bei REWE digital werden alle strategischen Online-Aktivitäten der REWE Group gebündelt. Ziel ist es, der führende Anbieter von Online-Lösungen in allen für REWE relevanten Einkaufsmärkten und Lieferlagern zu werden. Dazu gehören die ausschließlich für den Lieferservice eingerichteten Lieferlager, aber auch Liefer- und Abholmärkte, die im ganzen Bundesgebiet verteilt sind. 

Case Study lesen

inovex Case Studies

Entwicklung einer Big-Data- und Data-Science-Lösung für ProSiebenSat.1

Für ProSiebenSat.1 ist es von großem Interesse, welchen konkreten Beitrag die TV-Werbung zur Wertschöpfung des beworbenen E-Commerce-Unternehmens leistet. Wie viele Visitors besuchen genau deshalb die E-Commerce-Website, weil sie die TV-Werbung gesehen haben? Und welchen Umsatz bringen diese Visitors, die nachweislich ursächlich wegen der TV-Werbung auf die Website gekommen sind? ProSiebenSat.1 hat sich für die Entwicklung einer individuellen Big-Data-Lösung zur Klärung dieser Fragen entschieden. inovex hat für die ProSiebenSat.1 AG ein Data-Science-Projekt auf der Grundlage eines Hadoop-Clusters umgesetzt.

Case Study lesen