智能促销

项目背景

基于微仓商品库存健康度,分析库存问题原因,在不同场景下计算可促销库存、自动定价并创建促销,调整

销售节奏,改善周转、提升毛利、减少损耗。同时,通过系统自动化的形式减少运营人力投入。智能促销类

型包括秒杀、浅库存、第二件N折等,针对不同促销类型,建立相应的选品(售罄、损耗预估和单均销量排序等)和定价算法(极大似然估计、组合定价、多天定价、动态调节因子、量价库模型等),并制定实验分桶、AB

指标多维报表和可视化展示。相对上季度,智能促销给商城整体损后毛利率提升0.5pp。

重点工作

1: 浅库存仓品预估模型

内容: 针对可能在21点前售罄的浅库存促销品,在确保可在闭店前售罄的基础上自动定价,减小促销力度,

提升毛利。通过库存、售价、流量等特征建立随机森林模型,预估21点前仓品是否售罄,并依照特征重要性

筛选和组合特征。

成果: 相对baseline,精准率提升12.95%,召回率提升18.00%,商城损后毛利率提升0.3pp。

2: 量价库定价模型

内容: 通过引入库存因素到量价关系中,定义加价率损失函数和拟合曲线函数,通过随机梯度更新,拟

合最优损后毛利率线,并根据出清移动路径和历史出清完成率,间隔小时调整建议价格。

成果: 相较baseline,损后毛利率提升2.9pp,毛利率提升1.33pp,损耗率降低1.57pp。

3: WorkFlow框架设计与开发

内容: 为了支持多种定价策略开发上线和中心配置化,以工作流(Workflow)为核心,分离业务环节,明确

每个任务的输入输出,完善和增强工作流内部的作业流程(执行前检验和执行后监控),通过配置中心提

供的配置蓝图,执行工作流图,并基于工厂模式依次启动各个任务。

成果: 框架已应用于采购和促销工程中,提升多种定价策略开发配置的效率。

Multi-agent策略开发

项目背景

在中长期时间内,开发大资金投放的策略平台

内容

数据层:三层变换,rolling z score 提升异常特征识别,Data Generator, subset

search&evaluation(F1-Score)

深度学习:Position-LSTM

强化学习:PG 框架下输出离散仓位,Entropy 有效均衡动作分布,Q compress 提高模型学习效果, reward

reshape抑制平凡点

策略层:multi-agent排位系统,仓位折合算法,僵直处理,短线秒级控制器

优化层:单agent回撤高达20%,通过Ensemble降低到5%

成果

模型上线期间, 月均累积收益率17%,最大回撤率5%

Self-Adaptive策略开发

项目背景

在短线范围,开发能够快速响应价格变化和参数自动更新的策略平台

项目内容

元学习:基于Meta Learning的FTML

策略层:momentum position

成果

对比TOE、Scratch,收益率相对提升10%; 开发多层次周期特征network,嵌入FTML,收益率相对提升5%

技术栈

Learning Theory

Ensemble Learning

Deep Learning

Reinforcement Learning

Meta Learning

Frame: Tensorflow, Keras, Pytorch

Python

熟悉,作为个人编程的主力语言

做过接口、数据监控等业务开发

掌握使用sklearn、numpy、pandas等第三方机器学习及数据分析的工具库

Scala/Java

熟悉,有基于业务需求的项目开发经验,能独立设计开发整个项目

掌握Scala常用特性,做过streaming实时流统计,sparkSql自定义功能函数等

Database

SQL:熟悉 SQL 语法及其常用函数,有大量 SQL 统计经验,常用数据库有 MySQL,Oracle 和

Hive

Big Data

了解基本的Spark数据处理方法

redis集群使用