Mitarbeiter Datenwissenschaftler - Netzwerk

Relay verändert die Art und Weise, wie Waren im Online-Zeitalter transportiert werden, grundlegend. Unterstützt durch Europas größte Logistikserie A aller Zeiten (35 Millionen US-Dollar), angeführt von den Deep-Tech-Investoren Plural, und eine kürzlich abgeschlossene Serie B (95 Millionen US-Dollar) skaliert Relay schneller als 99 % der risikokapitalfinanzierten Start-ups. Wir stellen das talentierteste Team zusammen, das die Logistikbranche je gesehen hat
Die Mission von Relay ist es, den Handel von Reibungsverlusten zu befreien. Heutzutage wirken hohe Versandkosten wie eine versteckte Steuer auf den E-Commerce, indem sie stillschweigend darüber entscheiden, was online verkauft werden kann, und die Teilnahme daran einschränken. Wir stellen uns eine Welt vor, in der sich mehr Waren freier zwischen mehr Menschen bewegen und das Online-Einkaufserlebnis nahtlos und für jedermann zugänglich wird.

DAS TEAM
• ~160 Personen, etwa die Hälfte in den Bereichen Technik, Produkt und Daten
• Über 45 fortgeschrittene Abschlüsse in den Bereichen Informatik, Mathematik und Operations Research
• Tausende von Datenpunkten werden für jedes einzelne von uns bearbeitete Paket erfasst, berechnet, analysiert und vorhergesagt
• Eine intellektuell lebendige Kultur des prinzipiellen Denkens, enger Feedbackschleifen und unermüdlichen Experimentierens

Über die Rolle
Das Netzwerk von Relay basiert auf Prognosen. Jede in der Sortierung freigegebene Schicht, jeder abgefertigte Transporter auf der mittleren Meile, jede geplante Route auf der letzten Meile, jede getroffene Erweiterungsentscheidung – alles hinter den Modellen, die vorhersagen, wie sich Pakete durch unser System bewegen. Wenn diese Modelle stimmen, läuft das Netzwerk effizient und die Kosten pro Paket sinken. Wenn sie abweichen, erhöhen sich die Kosten in jeder Phase des Betriebs. Das Network-Team erstellt und wartet die Prognose-Engine, die dem Ganzen zugrunde liegt, und die Nachfrageprognose ist ihr Kernstück: eine Prognose dessen, was zur Sortierung verfügbar sein wird, mit Outcode-Granularität, von D0 bis D30.
Als Staff Data Scientist sind Sie der technische Anker für die Bedarfsprognose. Sie besitzen die schwierigsten und unklarsten Teile der Prognose und legen die Methodik und Validierungsstandards fest, nach denen der Rest des Bereichs arbeitet. Das bedeutet, dass Sie über eine einzige integrierte Prognose darüber verfügen, welches Volumen das Netzwerk bewegen muss, nach Gebiet und auf dreißig Tage hinaus, die die Nachfragemanagementebene dann in den Betriebsplan umwandelt, nach dem die Sortierzentren und Transportteams arbeiten. Das bedeutet, dass man sich den modellgesteuerten Teil dieser Prognose zu eigen macht, bei dem der Horizont über alle Live-Tracking-Daten hinausgeht und die erwarteten Pakete aus Modellen generiert und nicht beobachtet werden müssen. Es bedeutet, die Prognose des internationalen Inbound-Volumens zu beherrschen, eines der schwierigsten Vorhersageprobleme, die wir haben. Und es bedeutet, über Modelle zu verfügen, die die Größe und das Gewicht jedes Pakets vorhersagen und die Anzahl der Pakete in das physische Volumen umwandeln, das tatsächlich sortiert und geladen werden muss.
Dies ist eine praktische Rolle. Sie werden die meiste Zeit mit dem Bauen verbringen, nicht mit der Verwaltung. Sie geben die Richtung vor, wie Demand Forecasting seine Arbeit modelliert, bewertet und versendet, und legen die technische Messlatte im gesamten Bereich höher, aber Sie tun dies als ranghöchster einzelner Mitarbeiter im Raum, bei den Tools. Sie arbeiten mit einem Senior Data Scientist zusammen, der für die inländischen Volumenprognosen verantwortlich ist, einem ML-Ingenieur, der dafür sorgt, dass die Modelle in der Produktion zuverlässig laufen, und einem Analysten, der für Prognosegenauigkeit und Datenqualität verantwortlich ist. Personalführung, Strategie und teamübergreifende Prioritäten liegen beim Data Science Manager, der das Team leitet; Dir gehört die Wissenschaft.
Relay betreibt ein zentralisiertes Datenteam aus rund 30 Dateningenieuren, Analysten und Datenwissenschaftlern, wobei die Spezialisten in Teams im gesamten Unternehmen eingebettet sind. Sie sitzen im Netzwerkteam und berichten an das zentrale Datenteam. Die Nachfrageprognose wächst, und als Staff DS haben Sie die entscheidende Stimme bei der technischen Ausrichtung und den verwendeten Modellierungsansätzen.

Was Sie tun werden

• Besitzen Sie die integrierte Prognose von Anfang bis Ende. Kombinieren Sie Live-Tracking-Signale in naher Zukunft mit modellgenerierten Parzellen weiter entfernt in einer einzigen Ansicht, nach Gebiet, von heute bis dreißig Tage in der Zukunft. Dies ist die Ansicht, die die Demand-Management-Ebene in den Plan umwandelt, nach dem Sortation, Middle Mile und Last Mile tatsächlich laufen.

• Bauen Sie die härtesten Modelle in der Gegend. Die modellgenerierte Langhorizont-Prognose, die Prognose für das eingehende internationale Volumen sowie die Paketgrößen- und -gewichtsmodelle, die die Prognose zu einem Maß für das physische Volumen und nicht nur zu einer Zählung machen. Dies sind die mehrdeutigen Probleme mit hohem Hebelwirkungsgrad, und sie sind Ihr Problem.

• Legen Sie die Methodik und Validierungsstandards für die Nachfrageprognose fest. Definieren Sie, wie Modelle ausgewertet werden, wie die Genauigkeit an jedem Horizont gemessen wird (eine Vorhersage, die 30 Tage im Voraus erstellt wurde, sollte nicht dem Standard einer Prognose entsprechen, die zwei Tage im Voraus erstellt wurde) und wie „gut“ in den Modellen des Gebiets aussieht.

• Legen Sie die technische Messlatte höher. Überprüfen Sie Ansätze, entscheiden Sie sich für das Modell und entscheiden Sie sich für „Build vs. Buy“ und betreuen Sie den Senior Data Scientist und Analyst an Ihrer Seite, ohne dessen Linienführung zu übernehmen.

• Definieren Sie die Schnittstellen der Prognose. Entscheiden Sie, was die Bedarfsprognose an die Bedarfsmanagementebene, an das Routing und an die Netzwerkplanungsfunktion weitergibt: mit welcher Granularität, mit welchen Garantien und wie Fehler zugeordnet werden, wenn sich eine Zahl als falsch herausstellt.

• Lernen Sie die operativen Prozesse kennen, die Ihre Modelle bedienen, unterstützt durch die Mannschaft und die Teams, die die Prognosen verwenden, und identifizieren Sie, wo der aktuelle Ansatz unzureichend ist.

• Eigene Produktionsqualität im gesamten Betrieb, Zusammenarbeit mit dem ML-Ingenieur, damit Modelle überwacht werden, Abweichungen frühzeitig erkannt werden und Genauigkeitsprobleme auf die richtige Ursache zurückgeführt werden, anstatt blind neu abgestimmt zu werden.

• Arbeiten Sie mit der Finanzabteilung zusammen, die die operativen Prognosen in längerfristige Finanzprognosen erweitert, um die Übergabe zwischen operativen und finanziellen Modellen zuverlässig zu halten.

• Quantifizieren Sie die Auswirkungen des Modellfehlers auf die Kosten pro Parzelle und nutzen Sie diese, um zu entscheiden, wo der Bereich Aufwand investiert.…

Quelle: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/relay/staff-data-scientist-network-london-408439)