02 Projekte / Arbeitsplan PS-01
FreshMart Demand Planner
Absatzprognose End-to-End: EDA, Feature Engineering, Modellvergleich über statistische, ML- und Deep-Learning-Familien, HyperOpt-Tuning und ein deployed Streamlit-Werkzeug für die Filialleitung.
Zweck & Umfang
Manuelle Planung durch eine Prognose ersetzen
Eine Filialleitung muss Bestand und Personal für die kommende Periode planen. Der Datensatz: tägliche Stückabsätze aus den Wettbewerbsdaten der Corporación Favorita, angereichert um Ölpreise und Feiertags-Features. Die Aufgabe: manuelle Planung in eine systematische, ML-basierte Bedarfsprognose überführen.
Arbeitsfolge · Arbeitsplan
Fünf Arbeitsgänge, eine Pipeline
Wie ein Arbeitsplan in der Fertigung: nummerierte Arbeitsgänge mit definiertem Umfang. Ein Notebook pro Arbeitsgang.
| AG | Arbeitsgang | Umfang |
|---|---|---|
| 10 | EDA & Bereinigung | Zerlegung, Stationaritätsprüfung, Ausreißer-Sichtung |
| 20 | Feature Engineering | Kalender-, Lag-, Rolling-, Ölpreis- und Feiertags-Features |
| 30 | Statistische Modelle | SARIMAX, Holt-Winters, Prophet |
| 40 | ML-Training & Tuning | Linear / Ridge / RF / GBM / XGBoost + LSTM · HyperOpt-Suche · MLflow-Tracking |
| 50 | Deployment | Streamlit-Planungs-App: Stichtag, Horizont, KPI-Übersicht, CSV-Export |
Messwerte · Testzeitraum Jan–Mär 2014
Champion: HyperOpt-getuntes Random Forest
Warum der Wald das LSTM schlug
Bei rund 424 Zeilen Tagesdaten hatte das tiefe Modell zu wenig zu lernen. Das HyperOpt-getunte Random Forest verarbeitete die konstruierten nichtlinearen Features gut, war einfacher und stabiler im Deployment und wählte sogar eine flache max_depth von 3.
Warum der Vergleich fair ist
Ein chronologisches Testfenster (Jan–Mär 2014) und derselbe Satz an Metriken für jedes Modell. Kein Shuffling; das Training liegt immer vor dem Test. RMSE führt die Bewertung an, weil im Einzelhandel ein großer Fehltreffer an einem nachfragestarken Tag genau das ist, was Bestand und Personalplanung trifft.
Deployment · Abnahme
Ein Werkzeug, das Planung spricht, nicht Metriken
Funktionen der App
- Stichtagsauswahl und Prognosehorizont
- KPI-Übersicht: Gesamtbedarf, Tagesdurchschnitt, Spitzentag
- Historienvergleich und CSV-Export
Dokumentierte Einschränkung
Die App prognostiziert nur innerhalb des vorbereiteten Testfensters: Sie ist ein Portfolio-Prototyp auf bereits feature-engineerten Zeilen. Echte Zukunftsdaten bräuchten zuerst eine Pipeline, die zukünftige Kalender-, Feiertags-, Öl- und rekursive Lag-/Rolling-Features erzeugt. Diesen Unterschied zu kennen, gehört zum Handwerk.
Sehen Sie es laufen.
Die App ist deployed und öffentlich; jedes Experiment hinter dem Champion ist in MLflow protokolliert und aus dem Repository reproduzierbar.