Kättetoimetatud lahendus

​

↳ Andmete konsolideerimine ja tunnuste väljatöötamine 

​

Koostöö peamine eesmärk oli ühtse andmeplatvormi loomine, mis koondas kõik õllenõudlusega seotud signaalid ühte andmekihti, millest on võimalik päringuid teha. Plexteq kavandas ja juurutas AWS-il põhineva andmejärve, mis sisaldas kõigi toodete kohta viie aasta ajaloolisi müügiandmeid, kolme suurima jaepartneri igapäevaseid POS-müügiandmeid, UK Met Office rakendusliidesest saadud ilmaandmeid seostatuna pruulikoja jaotuspiirkondade sihtnumbritega, struktureeritud ÜK sündmuste kalendrit, mis hõlmas spordiüritusi, riigipühi, koolivaheaegu ja festivaligraafikuid, ning tagastatavate pakendite laoseisu andmeid, mis võimaldasid jälgida vaate ja kaste kliendiasukohtades.

​​

Nende heterogeensete andmeallikate normaliseerimiseks ja ühtseks päeva- ja nädalatasemel detailsusega aegridade andmestikuks ühendamiseks kasutati AWS EMRil töötavat Apache Sparki. Tunnuste väljatöötamise etapis loodi üle 60 tuletatud muutuja, sealhulgas tagasivaatavad tunnused (müügid 1, 2, 4, ja 8 nädalat tagasi), liikuv keskmine ja standardhälve aknad, kraadpäeva temperatuuriindeksid, ning binaarsed sündmuse indikaatorid iga spordi- ja HoReCa-kalendri sündmuse kohta. Selle tunnuste kogumi rikkalikkus ja spetsiifilisus kujunesid üheks peamiseks teguriks mudelite täpsuse parandamisel.

​

↳ Nõudluse prognoosimine ML mudelite ansambiga 

 

Kui põhjalik tunnuste andmestik oli paigas, hindas Plexteqi andmeteaduse meeskond mitmeid modelleerimismeetodeid lähtuvalt pruulikoja vajadusest teha tooteartikli tasemel 90 päeva ette ulatuvaid prognoose. Töötati välja ja võrreldi kolme mudeliperekonda:

​

• SARIMA - SARIMAt (hooajaline autoregressiivne integreeritud liikuv keskmine) kasutati statistilise võrldusalusena. See tuvastas müügiandmetes esinevat tugevat nädalast ja aastast hooajalisust tõhusalt ning pakkus välja tõlgendatavad trendi, hooajalisuse ja jääkmüra jaotused. SARIMA toimis stabiilsete ja pika müügiajalooga tooteartiklite puhul usaldusväärselt, kuid oli vähem tõhus uuemate käsitööõllede puhul ning suurte ühekordsete spordiürituste ebaregulaarse mõju modelleerimises.

• XGBoost - XGBoosti gradientvõimendatud otsustuspuud treeniti kogu väljatöötatud tunnuste kogumi peal. Mudel tabas eriti hästi mittelineaarseid seoseid, näiteks riigpüha, soojade ilmade ja Premier League'i võistlusnädala kokkulangemise koosmõju. Hüperparameetrite häälestamine viidi läbi Bayesi optimeerimise abil ning iga tooteartikli jaoks kõige mõjukamate tunnuste tuvastamiseks kasutati SHAP (SHapley Additive exPlanations) väärtusi, mis pakuvad planeerimismeeskonnale läbipaistvat ja inimloetavat selgitust iga prognoosi kohta. 

• LSTM - LSTM (Long Short-Term Memory) rekurrentseid närvivõrke treeniti mitmemõõtmeliste aegridade andmetel TensorFlow abil. LSTM arhitektuur osutus eriti tõhusaks keskpika perioodi nõudlustrendide õppimisel pruulikoja põhiliste laagriõllede puhul, kus 6–8 nädala järjestikused sõltuvused olid tugevad tulevase mahu muutuste ennustajad. Võrku treeniti dropout-regulatsiooni ja varajase peatamisega, et vältida tooteartiklitasemel ülesobitamist piiratud ajaloo tõttu.

​

Lõplikud tootmisprognoosid genereeriti virnastatud ansambli abil, mis kaalus kolme mudeli väljundeid dünaamiliselt iga tooteartikli puhul – stabiilsete ja suure mahuga toodete puhul anti suurem kaal LSTM-ile ning hooajaliste ja sündmustest mõjutatud toodete puhul XGBoostile. Ansamblit ja selle versioone hallati MLflow abil, mis võimaldas meeskonnal eksperimente jälgida, mudelite versioone võrrelda ning varasemate versioonide juurde naasta juhul, kui uued andmed põhjustasid ajutist jõudluse langust.

​

↳ Tagastatavate pakendite prognoosimine 

​

Tagastatavate pakendite probleemile keskendus eraldi modelleerimissuund. Pruulikoja vaatide ja kastide laoseisu modelleeriti vooprobleemina: üksused lahkuvad pruulikojast koos väljaminevate saadetistega ja naasevad tõenäosusliku ajakava alusel, mis kliendisegmendi lõikes varieerub. Supermarketid tagastavad pakendeid usaldusväärselt ja kiiresti, sõltumatud HoReCa-ettevõtted teevad seda ebajärjekindlalt, ning mõned väiksemad kliendid ei olnud ajalooliselt üldse pakendeid tagastanud. Plexteq lõi logistilist regressiooni ja elukestusanalüüsi kasutades kliendisegmentidel põhineva tagastamise tõenäosuse mudeli, mida treeniti viie aasta arvete ja kreeditarvete andmetel. Väljaminevate saadetiste prognoosi ja tagastamise mudeli kombineerimine andis 90-päevase pakendi netokättesaadavuse prognoosi, mis võimaldas hankemeeskonnal tuvastada tulevasi puudujääke piisava etteteatamise ajaga, et tarnijatega madalama hinnaga läbirääkimisi pidada. See oli üks peamine operatiivne nõue, mis projekti alguses tuvastati.

​

↳ Tootmise planeerimise integreerimine ja juhtpaneel 

​

Prognoosimismootor integreeriti spetsiaalselt loodud planeerimise juhtpaneeli kaudu otse pruulikoja tootmise ajastamise töövoogu. Juhtpaneel esitas 4-, 8- ja 12-nädalased mahuprognoosid tooteartikli tasemel koos usaldusvahemikega, tõi visuaalsel kalendril esile eelseisvad kõrge nõudlusega sündmused, näitas prognoositavat pakendi kättesaadavust võrreldes planeeritud tootmismahuga ning genereeris soovitusliku iganädalase pruulimisgraafiku, mis arvestas mahutite mahutavust ja täitmisaja piiranguid.

 

Süsteem juurutati konteineriseeritud mikroteenuseid kasutades AWS-is automaatse iganädalase mudeli ümberõppega, mis käivitub iga uue andmete sisestamise tsükliga. PostgreSQL toimis operatiivse andmebaasina prognoositulemuste ja ajastamisandmete jaoks, juhtpaneel ehitati Reacti esirakendusega, mis kasutas FastAPI tagarakendust. See võimaldas turvalist ligipääsu nii planeerimismeeskonnale kui ka ärijuhtidele.

​