Комментарии 7
Контрольная группа, чтобы через полгода не прийти к “self fulfilling prophecy”?
На фотографии видно, как сотрудники склада копошатся в коробках, пересчитывая количество единиц товара. Можно взвесить одну единицу, всю коробку - и получить общее количество единиц в коробке. Это сократит время пересчета товара)
Пример с ML интересен, вероятно, есть подводные камни, которые не учитывавет Светофор, но по опыту знают сотрдуники магазинов, когда принимают решение не следовать рекомендациям.
Если сегодня повтащик доверительный, Светофор не рекомендует, как его вернуть оьбратно в пересчет? С какой перитодичностью рекомендуется контрольная проверка доверительных?
На фотографии памятные дни запуска нашего проекта, конечно же, в реальной работе, такое количество сотрудников не пересчитывают одну паллету. Подводные камни безусловно существуют, например, когда светофор рекомендует принять заказ доверительно, но при этом сотрудники приемки видят какую-то аномалию с товаром невооруженным взглядом, например, откровенный брак/поломка, или отсутствие ожидаемого количества паллет, то в таком случае у сотрудников, есть возможность изменить в системе решение алгоритма. Но вместе с этим они указывают в системе причину изменения признака алгоритма из доступного (проработанного и заранее заложенного) списка причин. Благодаря этому команда может собирать список таких случаев и точечно работать с качеством поставок.
Нет контрольной проверки, конечно, иначе какой бы был смысл Светофора :) Есть ежедневный рандомный скоринг, который рекомендует поставщиков, которые не были последнюю неделю на проверке с определенной вероятностью на пересчет. Вероятность - секрет фирмы (на самом деле, отправляем всех, кого можем, но без перенагрузки для сотрудников магазинов)
Есть ежедневный рандомный скоринг, который рекомендует поставщиков, которые не были последнюю неделю на проверке с определенной вероятностью на пересчет.
Хотелось в публикации больше деталей по теме машинного обучения и data mining. По тексту речь об оценке целесообразности подсчёта товара в пересчете на рубли, а по комментарию - есть другая логика (рандомный скоринг, в конечном счёте, всех).
Для выдачи рекомендации о решении по пересчету модель анализирует целый ряд показателей на уровне каждого заказа, таких как магазин, поставщик, весогабаритные характеристики товара, стоимость товара, отгруженное количество, принадлежность товара к отделу и так далее.
а можете пояснить зачем здесь ML и чем была бы хуже экспертная система на ifах?
«Светофор 3.0»: как мы начали доверять поставщикам на основе рекомендаций машинного обучения