| # Python | # Spark | # Flask | # MySQL | # AWS |
| # SQL | # Hadoop | # Django | # PostgreSQL | # Azure |
| # VBA | # Kafka | # SQLite | # GCP | |
| # Flink | # MongoDB | # cloud on-premises |
| time: | March 2022 – July 2023 |
| role: | Senior Data Scientist |
| company: | UNIVIO |
INTRODUCTION
An online store specializing in hydraulic fittings wanted to gain a competitive advantage by creating an intelligent system that would greet customers with a full cart upon entering the store. The customer’s task was to review the cart, potentially removing items or adding new ones.
PROJECT IMPLEMENTATION
The basis for analyzing customer behavior was several years of sales data. The customers, primarily companies installing gas, water, or central heating systems, frequently bought similar products. These companies regularly ordered the same types of equipment and installation components.
We tested the possibility of using neural networks and reinforcement learning models. Ultimately, the best solution was to implement autoregressive models like ARIMA.
The project was not implemented directly into AWS cloud but was handed over to the company, which integrated it into the store’s sales platform on their own.
PROJEKT: SYSTEM CZEKAJĄCEGO KOSZYKA
WPROWADZENIE
Sklep internetowy z armaturą hydrauliczną chciał zdobyć przewagę konkurencyjną poprzez stworzenie inteligentnego systemu, który witałby klienta pełnym koszykiem już na wstępie. Zadaniem klienta miało być sprawdzenie koszyka i ewentualne usunięcie z niego produktów lub dodanie nowych.
REALIZACJA PROJEKTU
Podstawą analizy zachowań klientów były dane sprzedażowe z kilku lat. Klienci, głównie firmy zajmujące się zakładaniem instalacji gazowych, wodnych czy centralnego ogrzewania, regularnie kupowali podobne produkty. Firmy te stale zamawiały podobne urządzenia i elementy instalacyjne.
Przetestowaliśmy możliwość zastosowania sieci neuronowych oraz modeli uczenia ze wzmocnieniem. Ostatecznie najlepszym rozwiązaniem okazało się zastosowanie modeli autoregresyjnych typu ARIMA.
Projekt nie został bezpośrednio wdrożony do chmury AWS, ale przekazaliśmy go firmie, która samodzielnie wdrożyła go do platformy sprzedażowej sklepu.