Januar 2022 – August 2022
Als Datenwissenschaftler bei Involves entwickelte ich innovative Lösungen für den Einzelhandel mit Schwerpunkt auf Datenanalyse und prädiktiver Modellierung zur Optimierung von Verkaufsstellenprozessen.
Entwicklung eines proprietären mathematischen Modells zur Vorhersage abgelaufener Produkte im Einzelhandel, ohne auf vorgefertigte Machine-Learning-Bibliotheken zurückzugreifen.
Entwurf eines Wahrscheinlichkeits-Simulationsframeworks zur Schätzung von Verfallsrisiken für Tausende von SKUs, mit Parallelverarbeitung zur Umgehung von Rechenbeschränkungen.
Das Modell trug zur Verdopplung des Kundenstamms innerhalb von zwei Monaten bei und wurde zum Hauptfokus der Marketingstrategie.
Erlernte die Entwicklung eigener statistischer Modelle von Grund auf sowie die Optimierung der Rechenleistung für groß angelegte Einzelhandelsanwendungen.
Werkzeuge: Python, Computersimulationen, statistische Analyse.
Steigerung der Genauigkeit eines bestehenden Modells zur Erkennung von Lagerausfällen durch Ersetzung eines unüberwachten Ansatzes mit einem XGBoost-basierten Modell – Steigerung der Präzision von 30 % auf 70 %.
Integration von Umschlagshäufigkeit und historischen Verkaufsdaten zur Verbesserung der Nachschubeffizienz.
Erlernte den Übergang von regelbasierten Heuristiken zu überwachtem Lernen, was die Modellleistung erheblich verbesserte.
Werkzeuge: Python, XGBoost, SQL.
Erstellung detaillierter Power BI-Dashboards mit zentralen Einblicken wie Modellgenauigkeit, Engagement-Kennzahlen und finanzieller Auswirkung pro Filiale.
Automatisierte die Datenerfassung aus verschiedenen Quellen zur Verbesserung der Transparenz im Einzelhandelsbetrieb.
Werkzeuge: Power BI, SQL.