Если бы кто-то сказал мне три месяца назад, что мы с моей командой успешно создадим модель оптимизации запасов в области, в которой у нас мало знаний и опыта, в течение 80 дней, я бы им не поверил.

История начинается…

В декабре 2018 года наш клиент Lucky Brand, компания по розничной торговле модной одеждой, базирующаяся в Лос-Анджелесе, поставила следующую конечную цель на конец февраля (первый этап практического занятия): для всех основных джинсовых изделий, которые составляют почти 50 % продукции компании. доходов, определить продукты с низкой и высокой эффективностью среди более чем 5000 предложений продуктов и дать предложения о том, сколько производить и выделять для каждого продукта.

Как прошло? Мы сделали это! Мы быстро настроили структурированный рабочий процесс, приобрели знания в этой области и разработали линейную модель, что позволило сэкономить 6 миллионов долларов (10% от общей стоимости) без существенного влияния на продажи. 7 марта мы отправились в штаб-квартиру Lucky в центре Лос-Анджелеса, чтобы представить наши выводы всем заинтересованным сторонам Lucky.

В этой статье я хочу поделиться тремя уроками, которые я усвоил за эти три месяца, помимо анализа данных и навыков машинного обучения: структурирование проблем, рассказывание историй и командная работа.

1. Структурирование проблемы

Правильное построение задачи — 50% успеха. Как технические специалисты, мы любим погружаться в данные и строить сложные модели для решения проблем. Однако ни одна из статистических моделей или моделей машинного обучения не будет работать, если ее применить к неправильной проблеме. Первый урок, который я извлек из проекта, заключается в том, что никогда нельзя тратить слишком много времени на понимание и структурирование проблемы. Никогда не приступайте к анализу данных, пока не получите четкое представление о ключевых компонентах проблемы и гипотезе, на которую опираетесь.

Например, в этом проекте оптимизации запасов нам нужно было сначала установить правильный KPI для продуктов. Команда распределения Lucky использует маржу и оборот в качестве своего KPI, что вполне логично. Но, критически подумав, какая метрика может действительно отражать доходность и производительность продукта, мы разработали рентабельность инвестиций в продукт. Составной показатель ROI учитывает только прибыль от проданных продуктов, а не потенциальный доход от запасов, которые все еще находятся у Lucky.

Еще одна вещь, которую я усвоил, это то, что структурирование проблемы — это не разовая работа, это происходит на протяжении всего процесса. Всякий раз, когда мы хотели что-то добавить в нашу модель, я всегда возвращался к бизнес-контексту и спрашивал себя: имеет ли это смысл в бизнес-среде?

2. Рассказывание историй

Это всегда самый хорошо сообщенный алгоритм, а не самый сложный алгоритм, который покупается. Вот почему перед финальной презентацией модели в штаб-квартире Lucky LA мы потратили 100 часов на создание истории презентации и слайдов. Построение модели — это одно, а объяснение модели — совсем другое.

Великие истории просты и сфокусированы. Как создатели, мы, естественно, хотим включить как можно больше информации, но добавление слишком большого количества слоев в историю заставит вашу аудиторию потеряться в деталях. Первое, что я сделал, это стер все воспоминания о процессе сборки модели. Затем я поставил себя на место своей аудитории и подумал о ключевых вещах, которые они хотели бы и должны были знать. Не позволяйте деталям модели ввести вас в заблуждение. Объясните это так, как если бы вы разговаривали с 8-летним учащимся начальной школы.

Второе, что мы сделали, это использовали пример и поместили его в предысторию. Люди плохо разбираются в абстрактных понятиях, но с большей вероятностью понимают и соотносятся с конкретными примерами. Мы выбрали четыре продукта в качестве примеров и использовали их для изучения применения модели, сравнивая и объясняя, почему модель дала четырем продуктам четыре разные рекомендации.

3. Работа в команде

Мне повезло, что у меня очень талантливая и трудолюбивая команда: 7 человек из 5 разных отраслей со средним опытом работы более 3 лет. За последние три месяца сотрудничества мы стали не только хорошими партнерами по работе, но и хорошими друзьями в жизни. Здесь я хочу поделиться некоторыми принципами командной работы, которые я изучил:

Ясность, практичность и целеустремленность.Четкое понимание цели и ценности проекта, а также ясность ожидаемого результата не только мотивируют людей, но и позволяют далее разговоры.

Например, каждый понедельник на внутренней встрече мы размышляем о работе за предыдущую неделю и обсуждаем следующие шаги. Я создал открытую и безопасную среду, чтобы каждый мог спокойно высказать свое мнение. Чтобы сделать его эффективным, я составил повестку дня встречи, определил еженедельные цели и задачи, провел сеанс мозгового штурма, разбил ожидаемый результат на практические проекты и назначил руководство, крайний срок и контрольные точки для каждого проекта. Каждый покидает конференц-зал с четким пониманием общей картины, своей роли, сроков и ожидаемых результатов.

Главное — страсть. Эффективная команда — это совместное использование ценностей и забота. Как менеджер проекта, я искренне верю, что то, что делает моя команда, приносит пользу и имеет смысл. Вся команда думает так же, и это то, что привело нас к успеху. Второй момент — забота. Я забочусь о росте и карьере моих товарищей по команде так же, как и о своей. Вот почему я всегда рядом, чтобы помочь и поддержать своих товарищей по команде, когда им нужна возможность учиться и расти. Поощряя эту учебную атмосферу, мы получаем максимальную отдачу от страсти друг друга.

Следующая глава

После закрытия проекта оптимизации запасов команда уже находится на второй части пути — кластеризации магазинов, где мы используем неконтролируемое машинное обучение, чтобы давать предложения по распределению продукта. Я буду обновлять прогресс, следите за обновлениями!