| # Python | # Spark | # Flask | # MySQL | # AWS |
| # SQL | # Hadoop | # Django | # PostgreSQL | # Azure |
| # VBA | # Kafka | # SQLite | # GCP | |
| # Flink | # MongoDB | # cloud on-premises |
| time: | January 2011- April 2018 |
| role: | Data Scientist |
| company: | LAB148 |
At that time, the Gr… Bakery in Mińsk Mazowiecki had several stores in the centers of nearby towns around Warsaw. These stores sold bread produced by Gr… Bakery. During the first delivery, the stores received a very wide range of bakery products. The second shift was carried out just before the rush of city residents returning from Warsaw. The problem was the quantity and assortment of bread. If the stores received too large an assortment, a lot of unsold products remained, which had to be disposed of. On the other hand, when the deliveries were smaller, customers were often unable to buy their favorite products, which led to dissatisfaction and disappointment. Each store had different customers and varying sales volumes, so I had to create a separate forecast for each store.
PROJECT IMPLEMENTATION
I created a database based on many years of sales records. I added time series to this record, including historical weather data, days of the week, seasons, and proximity to long weekends and holidays. Then, I developed a regression model that took into account the store’s location and various factors such as weather, day of the week, trends, and seasons. I implemented the program in Excel, and based on it, I generated the bread demand for the next day for each store. Based on this forecast, a production plan was created. Additionally, the system, using previous sales and sales history, generated the assortment to be included in the second delivery for each store.
PROJEKT: DOSTAWY DO PIEKARNI NA DRUGIEJ ZMIANIE
W tamtym okresie Piekarnia Gr… w Mińsku Mazowieckim posiadała kilkanaście sklepów w centrach okolicznych miast pod Warszawą. Sklepy te sprzedawały pieczywo produkowane przez Piekarnię Gr…. Podczas pierwszej dostawy sklepy otrzymywały bardzo szeroki asortyment pieczywa. Druga zmiana była realizowana przed szczytem powrotów mieszkańców z Warszawy. Problemem była ilość oraz asortyment pieczywa. Jeśli sklepy otrzymywały zbyt duży asortyment, pozostawało niesprzedane pieczywo, które trzeba było utylizować. Z kolei, gdy dostawy były mniejsze, klienci nie zawsze mogli kupić swoje ulubione produkty, co wywoływało ich niezadowolenie i rozczarowanie. Każdy sklep miał innych klientów i różną wielkość sprzedaży, więc dla każdego sklepu musiałem tworzyć odrębną prognozę.
REALIZACJA PROJEKTU
Stworzyłem bazę danych opartą na wieloletnich rejestrach sprzedaży. Do tego rejestru dodałem szeregi czasowe zawierające historyczne dane o pogodzie, dniach tygodnia, sezonach, a także o bliskości długich weekendów i świąt. Następnie opracowałem model regresji, który brał pod uwagę lokalizację sklepu oraz różne czynniki, takie jak pogoda, dzień tygodnia, trendy i sezony. Program zrealizowałem w Excelu i na jego podstawie generowałem zapotrzebowanie na pieczywo na najbliższy dzień dla każdego sklepu. Na podstawie tej prognozy tworzono plan produkcji. Ponadto system, bazując na dotychczasowej sprzedaży i historii, generował asortyment, który miał znaleźć się w drugiej dostawie do każdego sklepu.