Предсказание спроса и планирование рабочих смен

Продукт представляет собой реализацию проекта «Предсказание спроса и планирование рабочих смен» в рамках зимней школы CompTech School 2022.

Описание папок:

• data - папка с исходными и прогнозными данными;
• docs - папка с документацией проекта;
• stage1 - папка с кодом, где прогнозируется количество заказов по часам на 7 дней вперед;
• stage2 - папка с кодом, где рассчитывается количество необходимых курьеров;
• stage3 - папка с кодом, где оптимизируется количество смен.

Назначение

Основная цель продукта - спланировать привлечение такого количества курьеров на неделю вперед по дням и по часам каждого дня недели, чтобы полностью компенсировать дневные колебания спроса, учитывая утренние и вечерние пики.

Принцип работы

Продукт планирует рабочие смены для курьеров по доставке продуктов и бытовых товаров на 7 дней вперед. Продукт на ежедневной основе «тригерит» функцию (F) для подсчета рабочих смен. Функция F:

1. Принимает:

• 1.1. Таблицу с актуальной историей по заказам;
• 1.2. Таблицу с опозданиями курьеров;

2. Возвращает:

• 2.1. Таблицу с расписанием рабочих смен.

Схема проекта

Целевая аудитория (пользователи продукта)

• Владелец продукта: Сбермаркет.
• Пользователи: продуктовые менеджеры, которые на основе выдаваемого результата продукта, принимают решения о найме курьеров, сами курьеры и супервайзоры.

Установка и настройка

Описание операций:

main

Для установки необходимых библиотек необходимо выполнить:

  pip install -r requirements.txt

Для получения прогноза спроса, числа курьеров и распределения по сменам на следующую неделю необходимо подключить файл main.py. После этого запустить функцию:

  main() -> (pd.DataFrame, pd.DataFrame)

Stage 1.

Для получения распределения заказов на следующую неделю неделю необходимо подключить файл stage1_main.py. После этого запустить функцию:

  get_next_week(path: str) -> pd.DataFrame

Stage 2.

Для получения оптимального распределения курьеров на следующую неделю неделю необходимо подключить файл stage2_main.py. После этого запустить функцию:

  get_optimal_partners(path_orders: str, path_partners_delays: str, pred_orders: pd.DataFrame) -> pd.DataFrame

Stage 3.

Для получения оптимального распределения курьеров по сменам необходимо подключить файл stage3_main.py. После этого запустить функцию:

  get_partners_distribution(pred_partners: pd.DataFrame) -> pd.DataFrame

Зависимости

При создании системы команда использовала язык программирования python и его библиотеки:

• numpy
• pandas
• matplotlib
• scikit-learn
• category-encoders
• holidays
• ortools

Команда

• Захаров Андрей - Куратор
• Ратушный Алексей - Data Scientist
• Майоров Константин - Data Scientist
• Кузнецов Никита - Data Scientist
• Желтова Кристина - Data Scientist
• Завьялов Фёдор - Data Scientist
• Мельникова Маргарита - Data Scientist
• Сарыглар Орлан - технический писатель