التنبؤ والتقسيم

المشكلة

كان التجّار في Zeal يعملون دون رؤية واضحة. لديهم سجل المعاملات لكن لا رؤية مستقبلية لعدد الزبائن القادمين أو حجم إنفاقهم، فصار تخطيط الموظفين والمخزون والعروض مجرد تخمين. وفي الوقت نفسه كانت مؤشرات صحة التاجر، من مؤشرات إحصائية وسلوك RFM ودرجات تنبؤية، موزّعة على لوحات منفصلة يعجز أحد عن جمعها في قرار واحد.

المنهج

1. 01

   بناء التنبؤ بالطلب من طرف إلى طرف

   نمذجت زيارات الزبائن وإنفاقهم لكل تاجر، من خطوط معالجة المعاملات الخام مرورًا بهندسة الخصائص وصولًا إلى تنبؤ جاهز بأفق زمني قابل للاستخدام ونطاقات ثقة، ليخطط التاجر بناءً على إشارة موثوقة لا على الحدس.

2. 02

   دمج المؤشرات في درجة صحة واحدة

   جمعت تقسيم RFM مع مؤشرات إحصائية وتنبؤية في درجة صحة واحدة للتاجر من 0 إلى 100، مع ترجيح كل إشارة بحيث يبقى الرقم جاهزًا للقرار لا مجرد رسم بياني آخر يحتاج تفسيرًا.

3. 03

   جعل مخرجات LLM جاهزة للإنتاج على GCP

   صممت الـ prompts وثبّتها بحيث تكون الملخصات والتفسيرات المولّدة عبر LLM متسقة وموثّقة وآمنة للنشر داخل المنتج على GCP، لا مجرد جودة عرض تجريبي.

4. 04

   استخدام AutoML للحالات الجدولية الصعبة

   حين تعقّد التنبؤ الجدولي أكثر مما يحتمله نموذج واحد مضبوط يدويًا، اعتمدت على AutoML للبحث في فضاء النماذج، ثم تحققت من الأفضل وأطّرته لتصمد التنبؤات في الإنتاج.