এই পোস্টটি মোর রিটেল লিমিটেডের সুপ্রতিম ব্যানার্জি এবং গণিত ইনক-এর শিবপ্রসাদ কেটি এবং গৌরব এইচ কাঙ্করিয়ার যৌথ যৌথ সহযোগিতায়।
মোর রিটেইল লিমিটেড (এমআরএল) হল ভারতের শীর্ষ চার মুদি বিক্রেতাদের মধ্যে একটি, যার আয় কয়েক বিলিয়ন ডলার। এটির ভারত জুড়ে 22টি হাইপারমার্কেট এবং 624টি সুপারমার্কেটের একটি স্টোর নেটওয়ার্ক রয়েছে, যা 13টি বিতরণ কেন্দ্র, 7টি ফল ও সবজি সংগ্রহ কেন্দ্র এবং 6টি স্টেপল প্রক্রিয়াকরণ কেন্দ্রের একটি সরবরাহ চেইন দ্বারা সমর্থিত।
এত বড় নেটওয়ার্কের সাথে, গ্রাহকের চাহিদা মেটানো এবং অপারেশনাল খরচকে ন্যূনতম রাখার পাশাপাশি সঠিক অর্থনৈতিক মূল্যে সঠিক পণ্যের গুণমান সরবরাহ করা MRL-এর জন্য গুরুত্বপূর্ণ। এমআরএল তার এআই অ্যানালিটিক্স পার্টনার হিসেবে গনিতের সাথে সহযোগিতা করেছে অধিকতর নির্ভুলতার সাথে চাহিদার পূর্বাভাস দিতে এবং স্টোর ম্যানেজারদের ম্যানুয়াল বিচারের প্রতিবন্ধকতা এবং ঘাটতিগুলি কাটিয়ে উঠতে একটি স্বয়ংক্রিয় অর্ডারিং সিস্টেম তৈরি করেছে। এমআরএল ব্যবহার করা হয়েছে আমাজন পূর্বাভাস তাদের পূর্বাভাসের নির্ভুলতা 24% থেকে 76%-এ বৃদ্ধি করা, যার ফলে তাজা উৎপাদনের শ্রেণীতে 30% পর্যন্ত অপচয় হ্রাস, ইন-স্টক হার 80% থেকে 90%-এ উন্নীত করা এবং 25% দ্বারা মোট মুনাফা বৃদ্ধি করা।
আমরা এই ব্যবসার ফলাফলগুলি অর্জন করতে এবং দুটি প্রাথমিক কারণের জন্য একটি স্বয়ংক্রিয় অর্ডারিং সিস্টেম তৈরি করতে সফল হয়েছি:
- পরীক্ষা করার ক্ষমতা - পূর্বাভাস একটি নমনীয় এবং মডুলার প্ল্যাটফর্ম সরবরাহ করে যার মাধ্যমে আমরা বিভিন্ন রিগ্রেসার এবং মডেলের প্রকারগুলি ব্যবহার করে 200 টিরও বেশি পরীক্ষা চালিয়েছি, যার মধ্যে ঐতিহ্যগত এবং ML মডেল উভয়ই অন্তর্ভুক্ত রয়েছে। দলটি একটি কাইজেন পদ্ধতি অনুসরণ করে, পূর্বে অসফল মডেলগুলি থেকে শিখে এবং মডেলগুলিকে স্থাপন করে যখন তারা সফল হয়। বিজয়ী মডেলদের মোতায়েন করার সময় পরীক্ষা-নিরীক্ষা অব্যাহত ছিল।
- ব্যবস্থাপনা পরিবর্তন – আমরা এমএল-ভিত্তিক অর্ডারিং সিস্টেমে বিশ্বাস রাখতে ব্যবসায়িক রায় ব্যবহার করে অর্ডার দেওয়ার জন্য অভ্যস্ত ক্যাটাগরির মালিকদের জিজ্ঞাসা করেছি। একটি পদ্ধতিগত গ্রহণ পরিকল্পনা নিশ্চিত করে যে সরঞ্জামের ফলাফলগুলি সংরক্ষণ করা হয়েছে, এবং সরঞ্জামটি একটি সুশৃঙ্খল ক্যাডেন্সের সাথে চালিত হয়েছে, যাতে ভরাট এবং বর্তমান স্টক সময়মতো চিহ্নিত এবং রেকর্ড করা হয়।
তাজা উৎপাদন বিভাগের পূর্বাভাস জটিলতা
তাজা পণ্য বিভাগের জন্য চাহিদার পূর্বাভাস করা চ্যালেঞ্জিং কারণ তাজা পণ্যগুলির একটি ছোট শেলফ লাইফ রয়েছে। অত্যধিক পূর্বাভাস দিয়ে, স্টোরগুলি বাসি বা অতিরিক্ত পাকা পণ্য বিক্রি করে, বা তাদের বেশিরভাগ জায় ফেলে দেয় (যা বলা হয়) সঙ্কোচন) পূর্বাভাস কম হলে, পণ্যগুলি স্টকের বাইরে থাকতে পারে, যা গ্রাহকের অভিজ্ঞতাকে প্রভাবিত করে। গ্রাহকরা তাদের শপিং লিস্টে মূল আইটেম খুঁজে না পেলে তাদের কার্টটি ত্যাগ করতে পারে, কারণ তারা মাত্র কয়েকটি পণ্যের জন্য চেকআউট লাইনে অপেক্ষা করতে চায় না। এই জটিলতা যোগ করতে, MRL এর 600 টিরও বেশি সুপারমার্কেট জুড়ে অনেকগুলি SKU রয়েছে, যার ফলে 6,000 টিরও বেশি স্টোর-SKU সমন্বয় রয়েছে৷
2019 সালের শেষ নাগাদ, MRL প্রতিটি স্টোর-SKU সংমিশ্রণের জন্য পূর্বাভাস মডেল তৈরি করতে ঐতিহ্যগত পরিসংখ্যানগত পদ্ধতি ব্যবহার করছিল, যার ফলে যথার্থতা 40% কম ছিল। পূর্বাভাসগুলি একাধিক পৃথক মডেলের মাধ্যমে রক্ষণাবেক্ষণ করা হয়েছিল, এটিকে গণনাগতভাবে এবং কার্যকরীভাবে ব্যয়বহুল করে তোলে।
অর্ডার বসানোর পূর্বাভাস চাহিদা
2020 সালের গোড়ার দিকে, MRL এবং গনিত ফ্রুটস অ্যান্ড ভেজিটেবলস (F&V) নামে পরিচিত ফ্রেশ ক্যাটাগরির পূর্বাভাসের সঠিকতা আরও উন্নত করতে এবং সংকোচন কমাতে একসঙ্গে কাজ শুরু করে।
গণিত এমআরএলকে তাদের সমস্যা দুটি ভাগে ভাগ করার পরামর্শ দিয়েছেন:
- প্রতিটি দোকান-SKU সংমিশ্রণের জন্য পূর্বাভাস চাহিদা
- অর্ডারের পরিমাণ গণনা করুন (ইন্ডেন্ট)
আমরা নিম্নলিখিত বিভাগে প্রতিটি দিক আরো বিস্তারিত যান.
পূর্বাভাসের চাহিদা
এই বিভাগে, আমরা প্রতিটি স্টোর-SKU সংমিশ্রণের জন্য চাহিদা পূর্বাভাসের পদক্ষেপগুলি নিয়ে আলোচনা করি।
চাহিদা চালক বুঝতে
গ্যানিটের দল দোকানের মধ্যে চাহিদা বাড়ার কারণগুলি প্রথমে বোঝার মাধ্যমে তাদের যাত্রা শুরু করে। এর মধ্যে রয়েছে একাধিক অন-সাইট স্টোর ভিজিট, ক্যাটাগরি ম্যানেজারদের সাথে আলোচনা, এবং সুপারমার্কেটের সিইও-এর সাথে ক্যাডেন্স মিটিং এবং ঋতু, স্টক-আউট, আর্থ-সামাজিক, এবং সামষ্টিক-অর্থনৈতিক কারণের মতো অন্যান্য দিকগুলিতে গণিতের নিজস্ব অভ্যন্তরীণ পূর্বাভাস দক্ষতার সাথে। .
দোকান পরিদর্শনের পরে, F&V চাহিদার উপর তাদের প্রভাব অধ্যয়নের জন্য একাধিক কারণের প্রায় 80টি অনুমান প্রণয়ন করা হয়েছিল। দলটি উত্সবের তারিখ, আবহাওয়া, প্রচার এবং আরও অনেক কিছুর মতো চাহিদা এবং প্রাসঙ্গিক কারণগুলির মধ্যে সম্পর্ক স্থাপনের জন্য পারস্পরিক সম্পর্ক, দ্বি-বিভক্ত এবং একবিভিন্ন বিশ্লেষণ, এবং পরিসংখ্যানগত তাত্পর্য পরীক্ষা (ছাত্রের টি-টেস্ট, জেড পরীক্ষা) এর মতো কৌশলগুলি ব্যবহার করে ব্যাপক অনুমান পরীক্ষা করেছে। .
ডেটা বিভাজন
দলটি একটি দানাদার মডেলের বিকাশের উপর জোর দিয়েছে যা প্রতিটি দিনের জন্য একটি স্টোর-SKU সংমিশ্রণের সঠিকভাবে পূর্বাভাস দিতে পারে। বিক্রয় অবদান এবং ভবিষ্যদ্বাণীর সহজতার সংমিশ্রণ একটি ABC-XYZ ফ্রেমওয়ার্ক হিসাবে তৈরি করা হয়েছিল, ABC বিক্রয় অবদান নির্দেশ করে (A সর্বোচ্চ) এবং XYZ পূর্বাভাসের সহজতা নির্দেশ করে (Z সর্বনিম্ন)। মডেল বিল্ডিংয়ের জন্য, প্রথম লাইনের ফোকাস ছিল স্টোর-SKU সংমিশ্রণে যা বিক্রয়ে একটি উচ্চ অবদান ছিল এবং ভবিষ্যদ্বাণী করা সবচেয়ে কঠিন ছিল। এটি নিশ্চিত করার জন্য করা হয়েছিল যে পূর্বাভাসের নির্ভুলতা উন্নত করা সর্বাধিক ব্যবসায়িক প্রভাব ফেলে।
ডেটা চিকিত্সা
এমআরএল-এর লেনদেনের ডেটা প্রচলিত পয়েন্ট অফ সেল ডেটার মতো গঠন করা হয়েছিল, যেখানে মোবাইল নম্বর, বিল নম্বর, আইটেম কোড, স্টোর কোড, তারিখ, বিলের পরিমাণ, উপলব্ধ মূল্য এবং ডিসকাউন্ট মূল্যের মতো ক্ষেত্র ছিল। দলটি মডেল বিল্ডিংয়ের জন্য গত 2 বছর ধরে প্রতিদিনের লেনদেনের ডেটা ব্যবহার করেছে। ঐতিহাসিক তথ্য বিশ্লেষণ দুটি চ্যালেঞ্জ সনাক্ত করতে সাহায্য করেছে:
- অসংখ্য অনুপস্থিত মান উপস্থিতি
- কিছু দিন বিল স্তরে অত্যন্ত উচ্চ বা কম বিক্রয় ছিল, যা তথ্যে বহিরাগতদের উপস্থিতি নির্দেশ করে
অনুপস্থিত মূল্য চিকিত্সা
অনুপস্থিত মানগুলির মধ্যে একটি গভীর ডাইভ শনাক্ত করা কারণগুলি যেমন দোকানে কোনও স্টক উপলব্ধ নেই (কোনও সরবরাহ নেই বা সিজনে নেই) এবং পরিকল্পিত ছুটি বা বাহ্যিক সীমাবদ্ধতার কারণে (যেমন একটি আঞ্চলিক বা জাতীয় শাটডাউন বা নির্মাণ কাজ) দোকানগুলি বন্ধ রয়েছে৷ অনুপস্থিত মানগুলিকে 0 দিয়ে প্রতিস্থাপিত করা হয়েছিল, এবং মডেলটিতে উপযুক্ত রিগ্রেসার বা পতাকা যুক্ত করা হয়েছিল যাতে মডেলটি ভবিষ্যতের এই জাতীয় কোনও ইভেন্টের জন্য এটি থেকে শিখতে পারে।
বাহ্যিক চিকিৎসা
দলটি সবচেয়ে দানাদার বিল স্তরে বহিরাগতদের সাথে আচরণ করেছে, যা নিশ্চিত করেছে যে লিকুইডেশন, বাল্ক কেনা (B2B) এবং খারাপ মানের মতো বিষয়গুলি বিবেচনা করা হয়েছে৷ উদাহরণ স্বরূপ, বিল-স্তরের চিকিত্সার মধ্যে নিম্নলিখিত গ্রাফের মতো একটি দিনের স্তরে প্রতিটি স্টোর-SKU সংমিশ্রণের জন্য একটি KPI পর্যবেক্ষণ অন্তর্ভুক্ত থাকতে পারে।
তারপরে আমরা সেই তারিখগুলিকে ফ্ল্যাগ করতে পারি যেখানে অস্বাভাবিকভাবে উচ্চ পরিমাণে বহিরাগত হিসাবে বিক্রি হয় এবং সেই চিহ্নিত বহিরাগতদের মধ্যে গভীরভাবে ডুব দিতে পারি। আরও বিশ্লেষণ দেখায় যে এই বহিরাগতগুলি প্রাক-পরিকল্পিত প্রাতিষ্ঠানিক ক্রয়।
এই বিল-স্তরের বহিরাগতদের তারপর সেই তারিখের জন্য সর্বাধিক বিক্রয় পরিমাণের সাথে সীমাবদ্ধ করা হয়। নিম্নলিখিত গ্রাফগুলি বিল-স্তরের চাহিদার পার্থক্য দেখায়।
পূর্বাভাস প্রক্রিয়া
দলটি পূর্বাভাস বেছে নেওয়ার আগে টাইম সিরিজ মডেল, রিগ্রেশন-ভিত্তিক মডেল এবং গভীর শিক্ষার মডেলের মতো একাধিক পূর্বাভাস কৌশল পরীক্ষা করেছে। পূর্বাভাস বেছে নেওয়ার প্রাথমিক কারণ ছিল জেড বাকেটের সাথে XY বালতিতে পূর্বাভাসের নির্ভুলতার তুলনা করার সময় কার্যক্ষমতার পার্থক্য, যা ভবিষ্যদ্বাণী করা সবচেয়ে কঠিন ছিল। যদিও বেশিরভাগ প্রচলিত কৌশলগুলি XY বালতিতে উচ্চতর নির্ভুলতা প্রদান করে, তবে পূর্বাভাসে শুধুমাত্র ML অ্যালগরিদমগুলি অন্যান্য মডেলের তুলনায় 10% বৃদ্ধিমূলক নির্ভুলতা প্রদান করে। এটি প্রাথমিকভাবে পূর্বাভাসের অন্যান্য SKU (XY) প্যাটার্নগুলি শিখতে এবং সেই শিক্ষাগুলিকে Z বালতিতে অত্যন্ত উদ্বায়ী আইটেমগুলিতে প্রয়োগ করার ক্ষমতার কারণে হয়েছিল৷ AutoML-এর মাধ্যমে, Forecast DeepAR+ অ্যালগরিদম বিজয়ী ছিল এবং পূর্বাভাস মডেল হিসেবে বেছে নেওয়া হয়েছে।
পূর্বাভাস নির্ভুলতা আরও উন্নত করতে পুনরাবৃত্তি করা হচ্ছে
টিম ডিপ AR+ কে বিজয়ী অ্যালগরিদম হিসাবে চিহ্নিত করার পরে, তারা আরও নির্ভুলতা উন্নত করতে অতিরিক্ত বৈশিষ্ট্য সহ বেশ কয়েকটি পরীক্ষা চালিয়েছে। তারা একটি ছোট নমুনা সেটে বিভিন্ন সংমিশ্রণ সহ একাধিক পুনরাবৃত্তি করেছে যেমন বিশুদ্ধ টার্গেট টাইম সিরিজ ডেটা (আউটলিয়ার ট্রিটমেন্ট সহ এবং ছাড়া), উত্সব বা স্টোর বন্ধের মতো রিগ্রেসার, এবং স্টোর-আইটেম মেটাডেটা (স্টোর-আইটেম শ্রেণিবিন্যাস) জন্য সেরা সমন্বয় বোঝার জন্য পূর্বাভাসের নির্ভুলতা উন্নত করা। স্টোর-আইটেম মেটাডেটা এবং রিগ্রেসারের সাথে আউটলিয়ার ট্রিটড টার্গেট টাইম সিরিজের সমন্বয় সর্বোচ্চ নির্ভুলতা ফিরিয়ে দিয়েছে। চূড়ান্ত পূর্বাভাস পেতে এটিকে 6,230 স্টোর-SKU সংমিশ্রণের মূল সেটে স্কেল করা হয়েছিল।
অর্ডার পরিমাণ গণনা
দলটি পূর্বাভাস মডেলটি তৈরি করার পরে, অবিলম্বে পরবর্তী পদক্ষেপটি ছিল কতটা ইনভেন্টরি কিনতে এবং অর্ডার দেওয়ার সিদ্ধান্ত নেওয়ার জন্য এটি ব্যবহার করা। অর্ডার জেনারেশন পূর্বাভাসিত চাহিদা, হাতে বর্তমান স্টক এবং অন্যান্য প্রাসঙ্গিক ইন-স্টোর কারণগুলির দ্বারা প্রভাবিত হয়।
নিম্নোক্ত সূত্রটি অর্ডার কনস্ট্রাক্ট ডিজাইন করার ভিত্তি হিসেবে কাজ করে।
দলটি স্বয়ংক্রিয় অর্ডারিং সিস্টেমের জন্য অন্যান্য ইন্ডেন্ট সামঞ্জস্যের পরামিতিগুলিও বিবেচনা করে, যেমন ন্যূনতম অর্ডারের পরিমাণ, পরিষেবা ইউনিট ফ্যাক্টর, ন্যূনতম ক্লোজিং স্টক, ন্যূনতম ডিসপ্লে স্টক (প্ল্যানোগ্রামের উপর ভিত্তি করে), এবং ফিল রেট সমন্বয়, যার ফলে মেশিন এবং মানুষের মধ্যে ব্যবধান কমানো যায়। বুদ্ধিমত্তা
কম-পূর্বাভাস এবং অতিরিক্ত-পূর্বাভাস পরিস্থিতির ভারসাম্য
স্টকআউট এবং হারানো বিক্রয়ের খরচের সাথে সংকোচনের আউটপুট খরচ অপ্টিমাইজ করতে, দলটি মডেল থেকে পূর্বাভাসের প্রতিক্রিয়া সরানোর জন্য পূর্বাভাসের কোয়ান্টাইল বৈশিষ্ট্য ব্যবহার করেছে।
মডেল ডিজাইনে, p40, p50 এবং p60 কোয়ান্টাইলে তিনটি পূর্বাভাস তৈরি করা হয়েছিল, যেখানে p50 বেস কোয়ান্টাইল। কোয়ান্টাইল নির্বাচন সাম্প্রতিক অতীতে দোকানে স্টকআউট এবং অপচয়ের উপর ভিত্তি করে প্রোগ্রাম করা হয়েছিল। উদাহরণস্বরূপ, একটি নির্দিষ্ট স্টোর-SKU সংমিশ্রণ যদি গত 3 দিনে ক্রমাগত স্টকআউটের সম্মুখীন হয় তবে উচ্চ কোয়ান্টাইলগুলি স্বয়ংক্রিয়ভাবে বেছে নেওয়া হয়েছিল এবং যদি স্টোর-SKU উচ্চ অপচয়ের সাক্ষী থাকে তবে নিম্ন কোয়ান্টাইলগুলি স্বয়ংক্রিয়ভাবে বেছে নেওয়া হয়েছিল। স্টোরের মধ্যে স্টকআউট বা সংকোচনের মাত্রার উপর ভিত্তি করে কোয়ান্টাইল বৃদ্ধি এবং হ্রাসের পরিমাণ নির্ধারণ করা হয়েছিল।
Oracle ERP এর মাধ্যমে স্বয়ংক্রিয় অর্ডার বসানো
এমআরএল পূর্বাভাস এবং ইন্ডেন্ট অর্ডারিং সিস্টেমগুলিকে ওরাকলের ইআরপি সিস্টেমের সাথে একীভূত করে উৎপাদনে স্থাপন করে, যা এমআরএল অর্ডার প্লেসমেন্টের জন্য ব্যবহার করে। নিচের চিত্রটি চূড়ান্ত স্থাপত্যের চিত্র তুলে ধরে।
অর্ডারিং সিস্টেমকে উৎপাদনে স্থাপন করতে, সমস্ত MRL ডেটা AWS-এ স্থানান্তরিত করা হয়েছিল। দলটি লাইভ টেবিলে সরানোর জন্য ETL চাকরি সেট আপ করেছে আমাজন রেডশিফ্ট (ব্যবসায়িক বুদ্ধিমত্তার কাজের জন্য ডেটা গুদাম), তাই Amazon Redshift ভবিষ্যতের সমস্ত ডেটা প্রক্রিয়াকরণের জন্য ইনপুটের একক উৎস হয়ে উঠেছে।
সম্পূর্ণ ডেটা আর্কিটেকচার দুটি অংশে বিভক্ত ছিল:
- পূর্বাভাস ইঞ্জিন:
- অ্যামাজন রেডশিফটে ব্যবহৃত ঐতিহাসিক চাহিদা ডেটা (1-দিনের চাহিদা ল্যাগ) উপস্থিত
- অন্যান্য রিগ্রেসর ইনপুট যেমন শেষ বিলের সময়, মূল্য এবং উত্সবগুলি অ্যামাজন রেডশিফ্টে বজায় রাখা হয়েছিল
- An অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউড (Amazon EC2) দৃষ্টান্ত লেনদেন, রিগ্রেসার এবং অন্যান্য মেটাডেটা নিয়ে লড়াইয়ের জন্য কাস্টমাইজড পাইথন স্ক্রিপ্টের সাথে সেট আপ করা হয়েছিল
- পোস্ট-ডেটা র্যাংলিং, ডাটা সরানো হয়েছে একটিতে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) পূর্বাভাস তৈরি করতে বালতি (সমস্ত স্টোর-SKU সমন্বয়ের জন্য T+2 পূর্বাভাস)
- চূড়ান্ত পূর্বাভাস আউটপুট একটি S3 বালতিতে একটি পৃথক ফোল্ডারে সংরক্ষণ করা হয়েছিল
- অর্ডার (ইন্ডেন্ট) ইঞ্জিন:
- পূর্বাভাসকে অর্ডারে রূপান্তর করার জন্য প্রয়োজনীয় সমস্ত ডেটা (যেমন হাতে থাকা স্টক, সঞ্চয় করার পরিমাণ, প্রাপ্তির জন্য দেওয়া অর্ডারের শেষ 2 দিনের, পরিষেবা ইউনিট ফ্যাক্টর, এবং প্ল্যানোগ্রাম-ভিত্তিক ন্যূনতম খোলা এবং বন্ধ করার স্টক) অ্যামাজন রেডশিফ্টে সংরক্ষণ এবং রক্ষণাবেক্ষণ করা হয়েছিল।
- EC2 দৃষ্টান্তে চালানো পাইথন স্ক্রিপ্টের মাধ্যমে অর্ডারের পরিমাণ গণনা করা হয়েছিল
- অর্ডারগুলি তখন ওরাকলের ইআরপি সিস্টেমে স্থানান্তরিত হয়, যা বিক্রেতাদের কাছে একটি অর্ডার দেয়
পুরো অর্ডারিং সিস্টেমটিকে একাধিক কী সেগমেন্টে বিভক্ত করা হয়েছিল। টিম প্রতিটি প্রক্রিয়ার জন্য Apache Airflow-এর সময়সূচী ইমেল বিজ্ঞপ্তিগুলি সেট আপ করে যাতে সফলভাবে সমাপ্তি বা ব্যর্থতার পরে সংশ্লিষ্ট স্টেকহোল্ডারদের অবহিত করা যায়, যাতে তারা অবিলম্বে ব্যবস্থা নিতে পারে। ইআরপি সিস্টেমের মাধ্যমে দেওয়া অর্ডারগুলি পরবর্তী দিনের অর্ডার গণনার জন্য অ্যামাজন রেডশিফ্ট টেবিলে স্থানান্তরিত হয়। AWS এবং ERP সিস্টেমগুলির মধ্যে একীকরণের সহজতা শূন্য মানব হস্তক্ষেপ সহ একটি সম্পূর্ণ এন্ড-টু-এন্ড স্বয়ংক্রিয় অর্ডারিং সিস্টেমের দিকে পরিচালিত করে।
উপসংহার
একটি ML-ভিত্তিক পদ্ধতি MRL-এর জন্য ডেটার প্রকৃত শক্তি আনলক করেছে। পূর্বাভাসের সাথে, আমরা বিভিন্ন স্টোর ফরম্যাটের জন্য দুটি জাতীয় মডেল তৈরি করেছি, 1,000টিরও বেশি ঐতিহ্যবাহী মডেলের বিপরীতে যা আমরা ব্যবহার করে আসছি।
পূর্বাভাস এছাড়াও সময় সিরিজ জুড়ে শেখে. পূর্বাভাসের মধ্যে ML অ্যালগরিদম স্টোর-SKU সমন্বয়গুলির মধ্যে ক্রস-লার্নিং সক্ষম করে, যা পূর্বাভাসের সঠিকতা উন্নত করতে সাহায্য করে।
উপরন্তু, পূর্বাভাস আপনাকে সম্পর্কিত সময় সিরিজ এবং আইটেম মেটাডেটা যোগ করতে দেয়, যেমন গ্রাহকরা যারা তাদের ঝুড়িতে আইটেমগুলির মিশ্রণের উপর ভিত্তি করে চাহিদা সংকেত পাঠায়। পূর্বাভাস সমস্ত আগত চাহিদা তথ্য বিবেচনা করে এবং একটি একক মডেলে পৌঁছায়। প্রচলিত মডেলের বিপরীতে, যেখানে ভেরিয়েবলের সংযোজন অতিরিক্ত ফিটিং এর দিকে পরিচালিত করে, পূর্বাভাস মডেলটিকে সমৃদ্ধ করে, ব্যবসার প্রেক্ষাপটের উপর ভিত্তি করে সঠিক পূর্বাভাস প্রদান করে। এমআরএল শেলফ লাইফ, প্রচার, দাম, স্টোরের ধরন, সমৃদ্ধ ক্লাস্টার, প্রতিযোগিতামূলক স্টোর এবং স্টোর থ্রুপুটের মতো বিষয়গুলির উপর ভিত্তি করে পণ্যগুলিকে শ্রেণিবদ্ধ করার ক্ষমতা অর্জন করেছে। আমরা সুপারিশ করি যে আপনি আপনার সাপ্লাই চেইন অপারেশন উন্নত করতে Amazon Forecast চেষ্টা করুন। আপনি Amazon পূর্বাভাস সম্পর্কে আরও জানতে পারেন এখানে. গণিত এবং আমাদের সমাধান সম্পর্কে আরও জানতে, এখানে যোগাযোগ করুন info@ganitinc.com আরও জানতে.
এই পোস্টে থাকা সামগ্রী এবং মতামতগুলি তৃতীয় পক্ষের লেখক এবং এডাব্লুএস এই পোস্টের বিষয়বস্তু বা যথার্থতার জন্য দায়ী নয়।
লেখক সম্পর্কে
সুপ্রতিম ব্যানার্জি হয় প্রধান রূপান্তর কর্মকর্তা at আরো খুচরা লি। তিনি ভেঞ্চার ক্যাপিটাল এবং প্রাইভেট ইক্যুইটি শিল্পে কাজ করার একটি প্রমাণিত ইতিহাস সহ একজন অভিজ্ঞ পেশাদার। তিনি কেপিএমজির একজন পরামর্শদাতা ছিলেন এবং AT Kearney এবং India Equity Partners এর মতো সংস্থার সাথে কাজ করেছিলেন। তিনি হায়দ্রাবাদের ইন্ডিয়ান স্কুল অফ বিজনেস থেকে ফিনান্সের উপর দৃষ্টি নিবদ্ধ করে এমবিএ করেছেন।
শিবপ্রসাদ কে.টি হয় সহ-প্রতিষ্ঠাতা ও সিইও at গণিত ইনক. মার্কিন যুক্তরাষ্ট্র, অস্ট্রেলিয়া, এশিয়া এবং ভারতে ডেটা সায়েন্স ব্যবহার করে টপ-লাইন এবং বটম-লাইন ইমপ্যাক্ট দেওয়ার ক্ষেত্রে তার 17+ বছরের অভিজ্ঞতা রয়েছে। তিনি Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo এবং Citibank-এর মতো কোম্পানিতে CXO-দের পরামর্শ দিয়েছেন। তিনি মুম্বাইয়ের এসপি জৈন থেকে এমবিএ এবং এনআইটিকে সুরথকাল থেকে ইঞ্জিনিয়ারিংয়ে স্নাতক ডিগ্রি অর্জন করেছেন।
গৌরব এইচ কাঙ্করিয়া হয় সিনিয়র ডেটা সায়েন্টিস্ট at গণিত ইনক. খুচরা, CPG, এবং BFSI ডোমেনে সংস্থাগুলিকে ডেটা-চালিত সিদ্ধান্ত নিতে সাহায্য করার জন্য সমাধানগুলি ডিজাইন এবং বাস্তবায়নে তার 6 বছরের বেশি অভিজ্ঞতা রয়েছে। তিনি VIT বিশ্ববিদ্যালয়, ভেলোর থেকে স্নাতক ডিগ্রি অর্জন করেছেন।
