這篇實習紀錄的核心是：作者以 Zepto 的 Pricing team Data Science Intern 身分，圍繞 quick commerce 的 inventory based pricing，從理解 Super Stores／Dark Stores／Mother Hub 的實體營運出發，在 near real time 的動態供需情境下把 pricing model 接上 inventory and pricing streams，並在 two weeks 內完成 pilot deployment，同時學到跨團隊協作與 A/B tests 設計等落地能力。
原文用一種「Observer's Log」的口吻在寫，像野外觀察筆記。說真的，這種寫法很吃電波：有人覺得中二，有人覺得很有畫面。但把戲劇感稍微收一下，你會看到它其實在講同一件事——做資料科學不是只有 notebook，尤其在 quick commerce 這種以 ten minute increments 計時的世界，模型不接到 production，就只是想法。
Observer's Log：Entry #01｜進入 Zepto 的節奏（ten minute increments）
作者加入 Zepto，職務是 Pricing team 的 Data Science Intern，目標是研究 inventory based pricing，並建立能隨 dynamic supply and demand 在 near real time 反應的模型。
他一開始就把 Zepto 形容成「one of India's fastest moving tech ecosystems」——注意這是觀點與感受，不是可驗證的排名宣告。以及那個對比也很直白：讀 quick commerce at scale 跟真的動手做，完全是兩種野獸。嗯，這句其實很準，因為讀文章的你，不用處理現場缺貨、不用面對即時資料流、也不用扛上線後會不會炸。差很多。
合作對象也在原文交代得很清楚：manager 是 Deepak Dhankani，buddy 是 Abhijeet Anand；此外在後續工作裡也提到 Amit（在指導與推進上扮演角色）。「mission for the season」這個說法偏敘事，但它點出主線：inventory based pricing，要能跟供需變動跑，接近即時地動。
Phase 1（first 48 hours / two days）｜先看實體：Super Stores 與 Dark Stores
在 first 48 hours（two days）內，作者的 onboarding 不是簡報式流程，而是先理解 Zepto 的理念與實體營運：包含與 Co-founder Kaivalya Vohra（KV）的互動，以及 CTO Nikhil Mittal 對工程哲學（observable、scalable、resilient）的說明，並實地走訪 Super Stores 與 Dark Stores。
這段其實在鋪一個很重要的因果：要做能落地的定價／數據模型，先懂「貨怎麼動、人怎麼動、單怎麼出」。原文說得很像畫面：站在 Dark Store 裡，像看一場高度優化的接力賽——補貨、撿貨、派騎手，全部是 real time，秒數都在算。這是比喻，但比喻的功能是讓你知道：這裡的時間尺度很短，短到你做任何分析如果慢半拍，就會跟不上。
KV 那段，作者最有感的是「clarity and humility」，以及 KV 強調兩件事：fast experimentation 和 deep operational thinking。Nikhil Mittal（CTO）則把工程的底層原則講得很直：系統要 observable、scalable、resilient。這三個詞很常見，但在這裡不是口號——它們會直接影響你後面要怎麼把模型接進資料流、怎麼監控、怎麼擴張、怎麼扛住變動。
Phase 2｜沒有「Intern」隔離：inventory based pricing 直接走到 production
作者在 Zepto 的實習經驗是「intern work」與「full time work」沒有被刻意切開；他從第一天就被賦予真實 ownership，並在 two weeks 內把 inventory based pricing 的 pricing model 上線到 live pilot。
原文把這段寫得很爽快（還用了驚嘆號），但改成編輯視角，重點其實只有兩個：一是任務本身——做一個 pricing model，目標是「optimizes inventory availability」同時「alignment with Zepto's Pricing strategy」；二是節奏——從 ideation 到 deployment 很快，而且 two weeks 就到 pilot。至於 pilot 的範圍、覆蓋多少店、跑多久、結果怎樣？原文沒講，所以這裡也不能替它補。
他提到在 Amit、Deepak、Abhijeet 的指導下推進。這種描述比較像團隊合作紀錄，不是把功勞全部往自己身上收。就，挺正常，也比較可信。
另外，為了把模型 scale 到 Zepto 的「massive footprint」（同樣是描述性說法，不是精確量化），作者會固定參與 Product 與 Planning teams 的策略會議。這裡有個很現實的點：你如果只待在 data science silo，你的模型很容易寫得很漂亮，但落地會卡在需求、流程、或營運限制。跨出去，才會知道「到底哪些約束不能動」。很煩。也很必要。
把「業務需求」翻成可解的模型問題：mathematical optimization + predictive modeling
作者將跨部門合作的收穫之一，描述為把 business requirement 拆解成具體限制條件，並轉譯成 mathematical optimization 與 predictive modeling 的問題定義。
這句話表面上很像履歷，但原文其實有講到「ask the right questions about constraints」。我會把它理解成：不是拿到一句「要讓庫存更健康」就開始建模，而是先問清楚：什麼叫健康？哪些品類不能缺？哪些策略必須對齊 Pricing strategy？哪些變數在 near real time 會動、哪些其實一天才更新一次？（我這裡只能用提問方式呈現，不把它寫成原文沒說的細節。）
然後才把它框成可運算的東西：可能是 optimization，也可能是 predictive modeling，或兩者一起用。原文沒有交代更細的形式，所以到這裡就收。
超在地配送下的 A/B tests：control vs. test、demand spillover、statistical significance、real-time metrics
作者提到在 hyper local delivery 的 quick commerce 情境下設計 A/B tests，需要選定 control vs. test dark stores、考量 demand spillover，並為 real-time metrics 定義 statistical significance。
這段我覺得是整篇最「資料科學落地」的一段。因為 A/B test 在教科書裡很乾淨：抽樣、隨機、看差異。但在 Dark Stores 這種超在地的場景，需求會外溢（demand spillover），你今天把某些店做 test，附近店的需求可能也會被牽動。這種互相影響會讓「控制組很乾淨」變得不那麼乾淨。
原文沒有講他怎麼處理、用什麼統計方法、或最後採用哪些指標，所以這裡不寫答案，只保留他學到的能力描述：他必須把 control vs. test 的設計做得更謹慎，還要把 statistical significance 放到 real-time metrics 的節奏裡去理解。講白一點，就是要讓實驗結論在現場可用，而不是只在報告裡漂亮。
從模型到系統：用 ETL pipelines 連到 inventory and pricing streams，才能稱得上 deployment
作者將「shipping to production」描述為把模型直接連到 live dark store inventory and pricing streams，並透過 ETL pipelines 讓資料與決策流程在 production 跑起來。
這裡就是工程與資料科學的交界。你可以寫一個模型。可以。然後呢？沒有 ETL pipelines、沒有把資料流接好、沒有把輸出接到定價或營運流程，那就只是模型。原文用的是「Connected the model directly」這種很直接的句子，意思是：他做的不只是分析，而是把它塞進系統裡，讓它在 live stream 的節奏下運作。
題外話（但又不完全題外）：很多人說自己會 deployment，其實是把 notebook 轉成 script。這裡的「production」更像是：資料、系統、流程都要一起走。好，拉回來。原文到此為止，沒有更多細節，所以不延伸。
Phase 3｜Mother Hub 的尺度：warehouse automation、millions of products、OdinEye
實習中段，團隊參訪 Zepto Mother Hub；作者描述該設施有 warehouse automation，能有效處理 millions of products，並在現場看到 OdinEye（可擴展的 computer vision face authentication 系統）用於 attendance，且能 real time 運作。
如果 Dark Stores 是「短跑選手」，Mother Hub 就是「心臟」——這也是原文的比喻。作者的感受是被規模震到（mind-blowing），但他更在意的是：他看到 in-house AI initiatives 不是停在簡報，而是跑在地面上。
其中一個 standout moment 是 OdinEye：Zepto 的 scalable computer vision face authentication system for attendance。原文特別寫了「seamlessly processing personnel in real time」。所以我們能確定的描述範圍就是：它在現場做出勤（attendance）的人員辨識流程，且是即時處理；至於它怎麼做、準確率如何、合規怎麼處理、是否有其他用途——原文沒給，就不補。
作者最後用一句比較像心得的話收束：看到 machine learning 解決 tangible operational friction at scale，reaffirmed why we build the way we do。這是情緒句，但它其實回扣到前面 KV 的 fast experimentation、以及 CTO 講的 observable/scalable/resilient——因為你真的要在現場跑起來，這些原則就會逼著你做對選擇。
Phase 4｜Pack Bonding：足球、go-karting、laser tag（但不是「可有可無」）
作者提到實習期間不只有模型與部署，Data Science team 也安排團隊活動，包括 football、go-karting 與 laser tag，讓成員在工作之外建立連結。
這段看起來比較輕，但它在敘事上有功能：前面一直在講速度、規模、production，讀者其實會累。這裡插入「pack bonding」，讓你知道團隊文化不是只剩 KPI（原文也沒提 KPI），而是會用一些活動把人黏在一起。
而且原文說「hierarchy dissolves」那種感覺——我會把它理解成：至少在那個場域裡，大家比較像隊友。就這樣。簡短，但夠。
Evolution｜從「實習生」到能落地的資料科學工作方式
作者在結語中表示，這段 Zepto 實習讓他不只提升 pricing models 與 data pipelines 的技術熟練度，也學到以速度（velocity）推進、與 Product 與 Planning teams 跨職能合作，並設計能帶來 business impact 的資料科學模型。
原文最後那段「Observer's Log: Final Entry」用的是「evolved」這種敘事收尾：第一天的猶豫消失了，換成一個把假設放到真實世界測過的工程師的自信。這句話同樣是主觀感受，但它跟前面「two weeks 上 pilot」「接到 live inventory and pricing streams」「設計 A/B tests 考慮 demand spillover」是連得起來的。
如果硬要用一句更克制的編輯式結論：這篇文章最可轉移的知識是——在 quick commerce 做 inventory based pricing，理解實體營運與系統工程（ETL、資料流、production）跟模型本身一樣重要；而跨 Product 與 Planning 的對齊，往往是模型能不能 scale 的關鍵。
