هذا المنشور هو تعاون مشترك من قبل Supratim Banerjee من More Retail Limited و Shivaprasad KT و Gaurav H Kankaria من شركة Ganit Inc.
مور ريتيل ليمتد (MRL) هي واحدة من أكبر أربع بائعي تجزئة للبقالة في الهند ، بإيرادات تقدر بعدة مليارات من الدولارات. لديها شبكة متاجر من 22 هايبر ماركت و 624 سوبر ماركت في جميع أنحاء الهند ، مدعومة بسلسلة إمداد مكونة من 13 مركز توزيع ، و 7 مراكز لتجميع الفواكه والخضروات ، و 6 مراكز لمعالجة المواد الغذائية الأساسية.
مع مثل هذه الشبكة الكبيرة ، من الأهمية بمكان أن تقدم MRL جودة المنتج المناسبة بالقيمة الاقتصادية المناسبة ، مع تلبية طلب العملاء والحفاظ على التكاليف التشغيلية عند الحد الأدنى. تعاونت MRL مع Ganit كشريك لها في تحليل الذكاء الاصطناعي للتنبؤ بالطلب بدقة أكبر وبناء نظام طلب آلي للتغلب على الاختناقات وأوجه القصور في الحكم اليدوي من قبل مديري المتاجر. تم استخدام MRL توقعات الأمازون لزيادة دقة التنبؤ الخاصة بهم من 24٪ إلى 76٪ ، مما يؤدي إلى تقليل الفاقد بنسبة تصل إلى 30٪ في فئة المنتجات الطازجة ، وتحسين معدلات المخزون من 80٪ إلى 90٪ ، وزيادة إجمالي الربح بنسبة 25٪.
لقد نجحنا في تحقيق نتائج الأعمال هذه وبناء نظام طلب آلي لسببين رئيسيين:
- القدرة على التجربة - توفر التوقعات منصة مرنة وقياسية أجرينا من خلالها أكثر من 200 تجربة باستخدام عوامل تراجع وأنواع مختلفة من النماذج ، والتي تضمنت كلا من النماذج التقليدية و ML. اتبع الفريق نهج كايزن ، وتعلم من النماذج غير الناجحة سابقًا ، ونشر النماذج فقط عندما تكون ناجحة. استمرت التجارب على الجانب بينما تم نشر النماذج الفائزة.
- تغيير الإدارة - طلبنا من مالكي الفئات الذين اعتادوا تقديم الطلبات باستخدام الحكم التجاري أن يثقوا في نظام الطلبات المستند إلى ML. تضمن خطة التبني النظامية تخزين نتائج الأداة ، وتم تشغيل الأداة بإيقاع منظم ، بحيث يتم تحديد المخزون المعبأ والحالي وتسجيله في الوقت المحدد.
التعقيد في التنبؤ بفئة المنتجات الطازجة
يعد التنبؤ بالطلب على فئة المنتجات الطازجة أمرًا صعبًا لأن المنتجات الطازجة لها فترة صلاحية قصيرة. مع الإفراط في التنبؤ ، ينتهي الأمر بالمتاجر ببيع المنتجات التي لا معنى لها أو الناضجة أكثر من اللازم ، أو التخلص من معظم مخزونها (يُطلق عليه اسم انكماش). إذا تم التنبؤ بأقل من المتوقع ، فقد تكون المنتجات غير متوفرة ، مما يؤثر على تجربة العميل. قد يتخلى العملاء عن عربة التسوق الخاصة بهم إذا لم يتمكنوا من العثور على العناصر الأساسية في قائمة التسوق الخاصة بهم ، لأنهم لا يريدون الانتظار في طوابير الخروج للحصول على عدد قليل من المنتجات. للإضافة إلى هذا التعقيد ، تمتلك MRL العديد من وحدات SKU عبر أكثر من 600 متجر سوبر ماركت ، مما يؤدي إلى أكثر من 6,000 مجموعة من المتاجر و SKU.
بحلول نهاية عام 2019 ، كانت MRL تستخدم طرقًا إحصائية تقليدية لإنشاء نماذج تنبؤ لكل مجموعة تخزين و SKU ، مما أدى إلى دقة منخفضة تصل إلى 40٪. تم الحفاظ على التوقعات من خلال نماذج فردية متعددة ، مما جعلها مكلفة من الناحية الحسابية والتشغيلية.
التنبؤ بالطلب لإيداع الطلبات
في أوائل عام 2020 ، بدأت MRL و Ganit العمل معًا لزيادة تحسين دقة التنبؤ بالفئة الطازجة ، المعروفة باسم الفواكه والخضروات (F&V) ، وتقليل الانكماش.
نصح جانيت MRL بتقسيم مشكلتهم إلى قسمين:
- توقع الطلب لكل مجموعة تخزين و SKU
- حساب كمية الأمر (المسافات البادئة)
ندخل في مزيد من التفاصيل حول كل جانب في الأقسام التالية.
توقعات الطلب
في هذا القسم ، نناقش خطوات التنبؤ بالطلب لكل مجموعة مخزن-SKU.
فهم دوافع الطلب
بدأ فريق Ganit رحلتهم من خلال فهم العوامل التي دفعت الطلب داخل المتاجر أولاً. وشمل ذلك العديد من زيارات المتجر في الموقع ، والمناقشات مع مديري الفئات ، واجتماعات الإيقاع مع الرئيس التنفيذي للسوبر ماركت إلى جانب خبرة التنبؤ الداخلية لشركة Ganit في العديد من الجوانب الأخرى مثل العوامل الموسمية ، والتخزين ، والعوامل الاجتماعية والاقتصادية ، والعوامل الاقتصادية الكلية .
بعد زيارات المتجر ، تمت صياغة ما يقرب من 80 فرضية حول عوامل متعددة لدراسة تأثيرها على الطلب على المركبات والأفراد. أجرى الفريق اختبارًا شاملاً للفرضيات باستخدام تقنيات مثل الارتباط والتحليل ثنائي المتغير والمتغير أحادي المتغير ، واختبارات الدلالة الإحصائية (اختبار الطالب ، اختبارات Z) لتحديد العلاقة بين الطلب والعوامل ذات الصلة مثل تواريخ المهرجانات والطقس والعروض الترويجية وغيرها الكثير. .
تجزئة البيانات
أكد الفريق على تطوير نموذج محبب يمكنه التنبؤ بدقة بمجموعة Store-SKU لكل يوم. تم إنشاء مزيج من مساهمة المبيعات وسهولة التنبؤ كإطار عمل ABC-XYZ ، حيث تشير ABC إلى مساهمة المبيعات (A هي الأعلى) و XYZ تشير إلى سهولة التنبؤ (Z هي الأدنى). بالنسبة لبناء النماذج ، كان خط التركيز الأول على مجموعات المخزن - SKU التي كان لها مساهمة كبيرة في المبيعات وكانت الأكثر صعوبة في التنبؤ بها. تم القيام بذلك للتأكد من أن تحسين دقة التنبؤ له أقصى تأثير على الأعمال.
معالجة البيانات
تم تنظيم بيانات معاملات MRL مثل بيانات نقطة البيع التقليدية ، مع حقول مثل رقم الهاتف المحمول ورقم الفاتورة ورمز العنصر ورمز المتجر والتاريخ وكمية الفاتورة والقيمة المحققة وقيمة الخصم. استخدم الفريق بيانات المعاملات اليومية لآخر عامين لبناء النموذج. ساعد تحليل البيانات التاريخية في تحديد تحديين:
- وجود العديد من القيم المفقودة
- شهدت بعض الأيام مبيعات عالية أو منخفضة للغاية عند مستويات الفاتورة ، مما يشير إلى وجود قيم متطرفة في البيانات
علاج القيمة المفقودة
الغوص العميق في القيم المفقودة تم تحديد الأسباب مثل عدم توفر مخزون في المتجر (لا يوجد إمداد أو ليس في الموسم) وإغلاق المتاجر بسبب العطلة المخطط لها أو القيود الخارجية (مثل الإغلاق الإقليمي أو الوطني ، أو أعمال البناء). تم استبدال القيم المفقودة بـ 0 ، وتمت إضافة عوامل الانحدار أو الأعلام المناسبة إلى النموذج حتى يتمكن النموذج من التعلم من هذا لأي أحداث مستقبلية من هذا القبيل.
العلاج الخارجي
تعامل الفريق مع القيم المتطرفة على مستوى الفاتورة الأكثر دقة ، مما يضمن مراعاة عوامل مثل التصفية والشراء بالجملة (B2B) والجودة السيئة. على سبيل المثال ، قد تتضمن المعالجة على مستوى الفاتورة مراقبة KPI لكل مجموعة تخزين و SKU على مستوى اليوم ، كما في الرسم البياني التالي.
يمكننا بعد ذلك تحديد التواريخ التي يتم فيها بيع الكميات الكبيرة بشكل غير طبيعي على أنها قيم متطرفة ، والتعمق أكثر في تلك القيم المتطرفة التي تم تحديدها. يظهر التحليل الإضافي أن هذه القيم المتطرفة هي مشتريات مؤسسية مخطط لها مسبقًا.
يتم بعد ذلك توج هذه القيم المتطرفة على مستوى الفاتورة بأقصى كمية مبيعات لهذا التاريخ. توضح الرسوم البيانية التالية الفرق في الطلب على مستوى الفاتورة.
عملية التنبؤ
اختبر الفريق العديد من تقنيات التنبؤ مثل نماذج السلاسل الزمنية والنماذج القائمة على الانحدار ونماذج التعلم العميق قبل اختيار التنبؤ. كان السبب الرئيسي لاختيار التنبؤ هو الاختلاف في الأداء عند مقارنة دقة التنبؤ في الجرافة XY مقابل الجرافة Z ، والتي كانت الأكثر صعوبة في التنبؤ بها. على الرغم من أن معظم التقنيات التقليدية قدمت دقة أعلى في دلو XY ، إلا أن خوارزميات ML فقط في التوقعات قدمت دقة متزايدة بنسبة 10٪ مقارنة بالنماذج الأخرى. كان هذا يرجع في المقام الأول إلى قدرة التنبؤ على تعلم أنماط SKU (XY) الأخرى وتطبيق هذه المعرفة على العناصر شديدة التقلب في Z bucket. من خلال AutoML ، كانت خوارزمية التنبؤ DeepAR + هي الفائزة وتم اختيارها كنموذج للتنبؤ.
التكرار لزيادة تحسين دقة التنبؤ
بعد أن حدد الفريق Deep AR + باعتباره الخوارزمية الفائزة ، أجروا عدة تجارب بميزات إضافية لتحسين الدقة بشكل أكبر. لقد أجروا تكرارات متعددة على مجموعة عينات أصغر مع مجموعات مختلفة مثل بيانات السلاسل الزمنية المستهدفة الخالصة (مع أو بدون معالجة خارجية) ، والانحدار مثل المهرجانات أو إغلاق المتاجر ، وبيانات تعريف عنصر المتجر (التسلسل الهرمي لعناصر المتجر) لفهم أفضل تركيبة لـ تحسين دقة التنبؤ. أدى الجمع بين السلاسل الزمنية المستهدفة المعالجة الخارجة جنبًا إلى جنب مع البيانات الوصفية لعناصر المتجر وعوامل التراجع إلى أعلى دقة. تم تقليص هذا إلى المجموعة الأصلية المكونة من 6,230 مجموعة تخزين و SKU للحصول على التوقعات النهائية.
حساب كمية الطلب
بعد أن طور الفريق نموذج التنبؤ ، كانت الخطوة التالية الفورية هي استخدام هذا لتحديد مقدار المخزون المراد شراؤه وتقديم الطلبات. يتأثر إنشاء الطلبات بالطلب المتوقع ، والمخزون الحالي في متناول اليد ، والعوامل الأخرى ذات الصلة داخل المتجر.
استخدمت الصيغة التالية كأساس لتصميم بناء الأمر.
نظر الفريق أيضًا في معلمات ضبط المسافة البادئة الأخرى لنظام الطلب التلقائي ، مثل الحد الأدنى لكمية الطلب ، وعامل وحدة الخدمة ، والحد الأدنى لمخزون الإغلاق ، والحد الأدنى لمخزون العرض (استنادًا إلى مخطط التخطيط) ، وتعديل معدل الملء ، وبالتالي سد الفجوة بين الماكينة والإنسان الذكاء.
موازنة السيناريوهات غير المتوقعة والتنبؤات الزائدة
لتحسين تكلفة مخرجات الانكماش مع تكلفة نفاد المخزون والمبيعات المفقودة ، استخدم الفريق ميزة الكميات في التوقعات لنقل استجابة التنبؤ من النموذج.
في تصميم النموذج ، تم إنشاء ثلاثة تنبؤات في الكميات p40 و p50 و p60 ، مع كون p50 هو الكم الأساسي. تمت برمجة اختيار الكميات على أساس نفاد المخزون والهدر في المتاجر في الماضي القريب. على سبيل المثال ، تم اختيار الكميات الأعلى تلقائيًا إذا واجهت مجموعة معينة من المخزن و SKU نفاد مخزون مستمر في آخر 3 أيام ، وتم اختيار الكميات الأقل تلقائيًا إذا كان المخزن SKU قد شهد إهدارًا كبيرًا. استند مقدار الكميات المتزايدة والمتناقصة على حجم المخزون أو الانكماش داخل المخزن.
وضع الطلبات الآلي من خلال Oracle ERP
نشرت MRL أنظمة التنبؤ وطلب المسافة البادئة في الإنتاج من خلال دمجها مع نظام تخطيط موارد المؤسسات من Oracle ، والذي يستخدمه MRL لمواضع الطلبات. يوضح الرسم البياني التالي العمارة النهائية.
لنشر نظام الطلب في الإنتاج ، تم ترحيل جميع بيانات MRL إلى AWS. قام الفريق بإعداد وظائف ETL لنقل الجداول الحية إليها الأمازون الأحمر (مستودع البيانات لعمل ذكاء الأعمال) ، لذلك أصبحت Amazon Redshift المصدر الوحيد للإدخال لمعالجة جميع البيانات في المستقبل.
تم تقسيم بنية البيانات بالكامل إلى جزأين:
- محرك التنبؤ:
- بيانات الطلب التاريخية المستخدمة (تأخر الطلب ليوم واحد) الموجودة في Amazon Redshift
- تم الحفاظ على مدخلات الانحدار الأخرى مثل وقت الفاتورة الأخير والسعر والمهرجانات في Amazon Redshift
- An الأمازون الحوسبة المرنة السحابية تم إعداد مثيل (Amazon EC2) باستخدام نصوص Python النصية المخصصة لتغيير المعاملات ، والرجوعين ، والبيانات الوصفية الأخرى
- الجدل بعد البيانات ، تم نقل البيانات إلى ملف خدمة تخزين أمازون البسيطة (Amazon S3) لإنشاء تنبؤات (تنبؤات T + 2 لجميع مجموعات المخزن و SKU)
- تم تخزين مخرجات التنبؤ النهائية في مجلد منفصل في حاوية S3
- ترتيب المحرك (المسافة البادئة):
- تم تخزين جميع البيانات المطلوبة لتحويل التنبؤات إلى أوامر (مثل المخزون المتوفر ، والمستلم إلى كمية المخزن ، وآخر يومين من الطلبات المقدمة للاستلام ، وعامل وحدة الخدمة ، والحد الأدنى من مخزون الفتح والإغلاق المستند إلى مخطط مخطط) في Amazon Redshift
- تم حساب كمية الأمر من خلال برامج Python النصية التي تعمل على مثيلات EC2
- تم بعد ذلك نقل الطلبات إلى نظام Oracle's ERP ، والذي قدم طلبًا للبائعين
تم فصل نظام الطلب بأكمله إلى عدة مقاطع رئيسية. قام الفريق بإعداد إشعارات جدولة البريد الإلكتروني لجدولة Apache Airflow لكل عملية لإخطار أصحاب المصلحة المعنيين عند الانتهاء بنجاح أو الفشل ، حتى يتمكنوا من اتخاذ إجراء فوري. تم بعد ذلك نقل الطلبات المقدمة من خلال نظام ERP إلى جداول Amazon Redshift لحساب طلبات الأيام التالية. أدت سهولة التكامل بين أنظمة AWS و ERP إلى نظام ترتيب آلي شامل كامل بدون تدخل بشري.
وفي الختام
نهج قائم على ML أطلق العنان للقوة الحقيقية للبيانات لـ MRL. باستخدام التوقعات ، أنشأنا نموذجين محليين لتنسيقات متاجر مختلفة ، بدلاً من أكثر من 1,000 نموذج تقليدي كنا نستخدمه.
يتعلم التنبؤ أيضًا عبر السلاسل الزمنية. تتيح خوارزميات ML داخل التوقعات التعلم المتبادل بين مجموعات المخزن و SKU ، مما يساعد على تحسين دقة التنبؤ.
بالإضافة إلى ذلك ، تتيح لك التوقعات إضافة سلاسل زمنية ذات صلة وبيانات وصفية للعناصر ، مثل العملاء الذين يرسلون إشارات الطلب بناءً على مزيج العناصر في سلةهم. تأخذ التوقعات في الاعتبار جميع معلومات الطلب الواردة وتصل إلى نموذج واحد. على عكس النماذج التقليدية ، حيث تؤدي إضافة المتغيرات إلى التجهيز الزائد ، فإن التنبؤ يثري النموذج ، ويوفر تنبؤات دقيقة بناءً على سياق الأعمال. اكتسبت MRL القدرة على تصنيف المنتجات بناءً على عوامل مثل العمر الافتراضي ، والعروض الترويجية ، والسعر ، ونوع المتاجر ، والمجموعة الغنية ، والمتجر التنافسي ، وإنتاجية المتاجر. نوصيك بتجربة Amazon Forecast لتحسين عمليات سلسلة التوريد الخاصة بك. يمكنك معرفة المزيد عن Amazon Forecast هنا. لمعرفة المزيد حول Ganit وحلولنا ، تواصل معنا على info@ganitinc.com لتعلم المزيد.
المحتوى والآراء الواردة في هذا المنشور تخص مؤلف الطرف الثالث ولا تتحمل AWS مسؤولية محتوى هذا المنشور أو دقته.
حول المؤلف
سوبراتيم بانيرجي هل كبير مسؤولي التحويل at المزيد من البيع بالتجزئة المحدودة. وهو محترف ذو خبرة وله تاريخ حافل من العمل في صناعات رأس المال الاستثماري والأسهم الخاصة. كان مستشارًا في KPMG وعمل مع منظمات مثل AT Kearney و India Equity Partners. وهو حاصل على ماجستير في إدارة الأعمال يركز على المالية العامة من المدرسة الهندية للأعمال في حيدر أباد
شيفابراساد كي تي هل المؤسس المشارك والرئيس التنفيذي at شركة جانيت يتمتع بخبرة تزيد عن 17 عامًا في تقديم التأثير الأساسي والخط السفلي باستخدام علم البيانات في الولايات المتحدة وأستراليا وآسيا والهند. وقد نصح CXOs في شركات مثل Walmart و Sam's Club و Pfizer و Staples و Coles و Lenovo و Citibank. وهو حاصل على ماجستير إدارة الأعمال من SP Jain ، مومباي ، ودرجة البكالوريوس في الهندسة من NITK Surathkal.
غوراف إتش كانكاريا هل عالم بيانات أول at شركة جانيت يتمتع بخبرة تزيد عن 6 سنوات في تصميم وتنفيذ الحلول لمساعدة المؤسسات في مجالات البيع بالتجزئة و CPG و BFSI على اتخاذ قرارات تعتمد على البيانات. وهو حاصل على درجة البكالوريوس من جامعة VIT ، فيلور.
