Dette indlæg er et fælles gæstesamarbejde af Supratim Banerjee fra More Retail Limited og Shivaprasad KT og Gaurav H Kankaria fra Ganit Inc.
More Retail Ltd. (MRL) er en af Indiens fire største dagligvareforhandlere med en omsætning i størrelsesordenen adskillige milliarder dollars. Det har et butiksnetværk på 22 hypermarkeder og 624 supermarkeder over hele Indien, understøttet af en forsyningskæde på 13 distributionscentre, 7 indsamlingscentre for frugt og grøntsager og 6 hæfteforarbejdningscentre.
Med så stort et netværk er det afgørende for MRL at levere den rigtige produktkvalitet til den rigtige økonomiske værdi, samtidig med at kundernes efterspørgsel imødekommes og driftsomkostningerne holdes på et minimum. MRL samarbejdede med Ganit som sin AI-analysepartner for at forudsige efterspørgsel med større nøjagtighed og opbygge et automatiseret bestillingssystem for at overvinde flaskehalse og mangler ved manuel bedømmelse af butikschefer. MRL anvendt Amazon prognose at øge deres prognosenøjagtighed fra 24 % til 76 %, hvilket fører til en reduktion i spild med op til 30 % i friskvarekategorien, forbedre lagerpriserne fra 80 % til 90 % og øge bruttofortjenesten med 25 %.
Vi havde succes med at opnå disse forretningsresultater og opbygge et automatiseret ordresystem på grund af to primære årsager:
- Evne til at eksperimentere – Forecast giver en fleksibel og modulær platform, hvorigennem vi kørte mere end 200 eksperimenter ved hjælp af forskellige regressorer og typer af modeller, som omfattede både traditionelle og ML-modeller. Holdet fulgte en Kaizen-tilgang, der lærte af tidligere mislykkede modeller og implementerede kun modeller, når de havde succes. Eksperimenteringen fortsatte ved siden af, mens vindende modeller blev indsat.
- Forandringsledelse – Vi bad kategoriejere, der var vant til at afgive ordrer ved hjælp af forretningsmæssig dømmekraft, om at stole på det ML-baserede ordresystem. En systemisk adoptionsplan sikrede, at værktøjets resultater blev lagret, og værktøjet blev betjent med en disciplineret kadence, således at udfyldt og aktuelt lager blev identificeret og registreret til tiden.
Kompleksitet i prognosen for friskvarekategorien
At forudsige efterspørgslen efter friskvarekategorien er udfordrende, fordi friske produkter har en kort holdbarhed. Med overprognoser ender butikkerne med at sælge forældede eller overmodne produkter eller smide det meste af deres beholdning (kaldet som svind). Hvis de er underprognoser, kan produkterne være udsolgt, hvilket påvirker kundeoplevelsen. Kunder kan forlade deres indkøbskurv, hvis de ikke kan finde nøglevarer på deres indkøbsliste, fordi de ikke ønsker at vente i kassen på kun en håndfuld produkter. For at tilføje denne kompleksitet har MRL mange SKU'er på tværs af sine over 600 supermarkeder, hvilket fører til mere end 6,000 butik-SKU-kombinationer.
Ved udgangen af 2019 brugte MRL traditionelle statistiske metoder til at skabe prognosemodeller for hver butik-SKU-kombination, hvilket resulterede i en nøjagtighed så lav som 40 %. Prognoserne blev vedligeholdt gennem flere individuelle modeller, hvilket gjorde det beregningsmæssigt og driftsmæssigt dyrt.
Efterspørgselsprognose til ordreplacering
I begyndelsen af 2020 begyndte MRL og Ganit at arbejde sammen for yderligere at forbedre nøjagtigheden til at forudsige den friske kategori, kendt som frugter og grøntsager (F&V), og reducere svind.
Ganit rådede MRL til at dele deres problem op i to dele:
- Forventet efterspørgsel for hver butik-SKU-kombination
- Beregn ordremængde (indryk)
Vi går mere i detaljer om hvert aspekt i de følgende afsnit.
Forventet efterspørgsel
I dette afsnit diskuterer vi trinene til at forudsige efterspørgsel for hver butik-SKU-kombination.
Forstå drivere af efterspørgsel
Ganits team startede deres rejse med først at forstå de faktorer, der drev efterspørgslen i butikkerne. Dette omfattede flere butiksbesøg på stedet, diskussioner med kategorichefer og kadencemøder med supermarkedets administrerende direktør kombineret med Ganits egen interne prognoseekspertise om flere andre aspekter som sæsonbestemt, lagerudgang, socioøkonomiske og makroøkonomiske faktorer .
Efter butiksbesøgene blev omkring 80 hypoteser om flere faktorer formuleret for at studere deres indvirkning på efterspørgsel efter frugt og frugt. Holdet udførte omfattende hypotesetest ved hjælp af teknikker som korrelation, bivariat og univariat analyse og statistiske signifikanstest (Students t-test, Z-test) for at etablere sammenhængen mellem efterspørgsel og relevante faktorer såsom festivaldatoer, vejr, kampagner og mange flere .
Datasegmentering
Holdet lagde vægt på at udvikle en granulær model, der nøjagtigt kunne forudsige en butik-SKU-kombination for hver dag. En kombination af salgsbidraget og let forudsigelse blev bygget som en ABC-XYZ-ramme, hvor ABC angiver salgsbidraget (A er det højeste) og XYZ angiver let forudsigelse (Z er det laveste). For modelbygning var den første linje i fokus på butik-SKU-kombinationer, der havde et højt bidrag til salget og var de sværeste at forudsige. Dette blev gjort for at sikre, at en forbedring af prognosenøjagtigheden har den maksimale forretningsmæssige effekt.
Databehandling
MRL's transaktionsdata var struktureret som konventionelle salgsdata med felter som mobilnummer, regningsnummer, varekode, butikskode, dato, regningsmængde, realiseret værdi og rabatværdi. Holdet brugte daglige transaktionsdata for de sidste 2 år til modelbygning. Analyse af historiske data hjalp med at identificere to udfordringer:
- Tilstedeværelsen af adskillige manglende værdier
- Nogle dage havde ekstremt højt eller lavt salg på regningsniveauer, hvilket indikerede tilstedeværelsen af afvigende værdier i dataene
Manglende værdibehandling
Et dybt dyk ned i de manglende værdier identificerede årsager, såsom ingen lagerbeholdning i butikken (ingen forsyning eller ikke i sæsonen) og butikker, der er lukket på grund af planlagt ferie eller eksterne begrænsninger (såsom en regional eller national nedlukning eller byggearbejde). De manglende værdier blev erstattet med 0, og passende regressorer eller flag blev tilføjet til modellen, så modellen kunne lære af dette for sådanne fremtidige begivenheder.
Outlier behandling
Holdet behandlede outliers på det mest detaljerede regningsniveau, hvilket sikrede, at faktorer som likvidation, bulkkøb (B2B) og dårlig kvalitet blev overvejet. For eksempel kan behandling på regningsniveau omfatte observation af en KPI for hver butik-SKU-kombination på dagsniveau, som i den følgende graf.
Vi kan derefter markere datoer, hvor unormalt store mængder sælges som outliers, og dykke dybere ned i de identificerede outliers. Yderligere analyser viser, at disse outliers er forudplanlagte institutionelle indkøb.
Disse outliers på regningsniveau er derefter begrænset med den maksimale salgsmængde for den dato. Følgende grafer viser forskellen i efterspørgsel på regningsniveau.
Prognoseproces
Holdet testede flere prognoseteknikker som tidsseriemodeller, regressionsbaserede modeller og dyb læringsmodeller, før de valgte Forecast. Den primære grund til at vælge Forecast var forskellen i ydeevne, når man sammenlignede prognosenøjagtigheder i XY-spanden med Z-spanden, som var den sværeste at forudsige. Selvom de fleste konventionelle teknikker gav højere nøjagtigheder i XY-bøtten, var det kun ML-algoritmerne i Forecast, der gav en trinvis nøjagtighed på 10 % sammenlignet med andre modeller. Dette skyldtes primært Forecasts evne til at lære andre SKU'er (XY)-mønstre og anvende disse erfaringer på meget flygtige varer i Z-bøtten. Gennem AutoML var Forecast DeepAR+ algoritmen vinderen og valgt som prognosemodel.
Iteration for yderligere at forbedre prognosenøjagtigheden
Efter at holdet identificerede Deep AR+ som den vindende algoritme, kørte de adskillige eksperimenter med yderligere funktioner for yderligere at forbedre nøjagtigheden. De udførte flere iterationer på et mindre stikprøvesæt med forskellige kombinationer som rene måltidsseriedata (med og uden afvigende behandling), regressorer som festivaler eller butikslukninger og butikselementmetadata (butiksvarehierarki) for at forstå den bedste kombination for forbedre prognosenøjagtigheden. Kombinationen af outlier-behandlede måltidsserier sammen med metadata for butikselementer og regressorer gav den højeste nøjagtighed. Dette blev skaleret tilbage til det originale sæt af 6,230 butik-SKU-kombinationer for at få den endelige prognose.
Beregning af ordremængde
Efter at teamet havde udviklet prognosemodellen, var det umiddelbare næste skridt at bruge denne til at beslutte, hvor meget lager der skulle købes og afgive ordrer. Ordregenerering påvirkes af forventet efterspørgsel, nuværende lagerbeholdning og andre relevante faktorer i butikken.
Følgende formel tjente som grundlag for design af ordrekonstruktionen.
Holdet overvejede også andre indrykningsjusteringsparametre for det automatiske bestillingssystem, såsom minimumsordremængde, serviceenhedsfaktor, minimum slutbeholdning, minimum displaybeholdning (baseret på planogram) og justering af påfyldningshastighed, og derved bygge bro mellem maskine og menneske intelligens.
Balancer under- og over-prognose scenarier
For at optimere produktionsomkostningerne ved svind med omkostningerne ved lagerbeholdninger og tabt salg, brugte teamet kvantiteringsfunktionen i Forecast til at flytte prognosesvaret fra modellen.
I modeldesignet blev der genereret tre prognoser ved p40-, p50- og p60-kvantiler, hvor p50 er basiskvantilen. Udvælgelsen af kvantiler var programmeret til at være baseret på lagerbeholdninger og spild i butikker i den seneste tid. For eksempel blev højere kvantiler automatisk valgt, hvis en bestemt butik-SKU-kombination stod over for kontinuerlige lagerudbud i de sidste 3 dage, og lavere kvantiler blev automatisk valgt, hvis butik-SKU havde været vidne til stort spild. Mængden af stigende og faldende kvantiler var baseret på størrelsen af lagerbeholdning eller svind i butikken.
Automatiseret ordreplacering gennem Oracle ERP
MRL implementerede Forecast og indrykningsordresystemerne i produktionen ved at integrere dem med Oracles ERP-system, som MRL bruger til ordreplaceringer. Følgende diagram illustrerer den endelige arkitektur.
For at implementere bestillingssystemet i produktionen blev alle MRL-data migreret til AWS. Holdet oprettede ETL-jobs til at flytte live-borde til Amazon rødforskydning (data warehouse for business intelligence-arbejde), så Amazon Redshift blev den eneste inputkilde til fremtidig al databehandling.
Hele dataarkitekturen var opdelt i to dele:
- Prognosemotor:
- Anvendte historiske efterspørgselsdata (1-dags efterspørgselsforsinkelse) til stede i Amazon Redshift
- Andre regressorinput som sidste regningstid, pris og festivaler blev opretholdt i Amazon Redshift
- An Amazon Elastic Compute Cloud (Amazon EC2) instans blev sat op med tilpassede Python-scripts til at skændes transaktioner, regressorer og andre metadata
- Efter datastrid blev dataene flyttet til en Amazon Simple Storage Service (Amazon S3)-spand til at generere prognoser (T+2-prognoser for alle butik-SKU-kombinationer)
- Den endelige prognose-output blev gemt i en separat mappe i en S3-spand
- Ordre (indrykning) motor:
- Alle data, der kræves for at konvertere prognoser til ordrer (såsom lagerbeholdning, modtaget til butiksmængde, sidste 2 dages ordrer afgivet for at modtage, serviceenhedsfaktor og planogrambaseret minimumsåbnings- og slutlager) blev gemt og vedligeholdt i Amazon Redshift
- Ordremængden blev beregnet gennem Python-scripts, der blev kørt på EC2-instanser
- Ordrer blev derefter flyttet til Oracles ERP-system, som afgav en ordre til leverandører
Hele ordresystemet var afkoblet i flere nøglesegmenter. Teamet konfigurerede Apache Airflows planlægnings-e-mail-notifikationer for hver proces for at underrette de respektive interessenter ved vellykket afslutning eller fiasko, så de kunne tage øjeblikkelig handling. Ordrerne afgivet gennem ERP-systemet blev derefter flyttet til Amazon Redshift-tabeller for at beregne de næste dages ordrer. Den lette integration mellem AWS og ERP-systemer førte til et komplet ende-til-ende automatiseret bestillingssystem uden menneskelig indgriben.
Konklusion
En ML-baseret tilgang låste op for den sande kraft af data til MRL. Med Forecast skabte vi to nationale modeller til forskellige butiksformater, i modsætning til over 1,000 traditionelle modeller, som vi havde brugt.
Forecast lærer også på tværs af tidsserier. ML-algoritmer i Forecast muliggør krydslæring mellem butik-SKU-kombinationer, hvilket hjælper med at forbedre prognosenøjagtigheden.
Derudover giver Forecast dig mulighed for at tilføje relaterede tidsserier og varemetadata, såsom kunder, der sender efterspørgselssignaler baseret på blandingen af varer i deres kurv. Forecast tager alle de indgående efterspørgselsoplysninger i betragtning og når frem til en enkelt model. I modsætning til konventionelle modeller, hvor tilføjelsen af variabler fører til overtilpasning, beriger Forecast modellen og giver nøjagtige prognoser baseret på forretningskonteksten. MRL opnåede evnen til at kategorisere produkter baseret på faktorer som holdbarhed, kampagner, pris, type butikker, velhavende klynge, konkurrencedygtig butik og butikkers gennemstrømning. Vi anbefaler, at du prøver Amazon Forecast for at forbedre din forsyningskædedrift. Du kan lære mere om Amazon Forecast link.. For at lære mere om Ganit og vores løsninger, kontakt på info@ganitinc.com at lære mere.
Indholdet og meningerne i dette indlæg er tredjepartsforfatterens, og AWS er ikke ansvarlig for indholdet eller nøjagtigheden af dette indlæg.
Om forfatterne
Supratim Banerjee er Chief Transformational Officer at Mere Detail Limited. Han er en erfaren professionel med en demonstreret historie med at arbejde i venturekapital- og private equity-industrien. Han var konsulent hos KPMG og arbejdede med organisationer som AT Kearney og India Equity Partners. Han har en MBA med fokus på finans, general fra Indian School of Business, Hyderabad.
Shivaprasad KT er Medstifter og administrerende direktør at Ganit Inc. Han har 17+ års erfaring med at levere effekt på top- og bundlinje ved hjælp af datavidenskab i USA, Australien, Asien og Indien. Han har rådgivet CXO'er hos virksomheder som Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo og Citibank. Han har en MBA fra SP Jain, Mumbai, og en bachelorgrad i ingeniørvidenskab fra NITK Surathkal.
Gaurav H Kankaria er Senior dataforsker at Ganit Inc. Han har over 6 års erfaring med at designe og implementere løsninger til at hjælpe organisationer inden for detail-, CPG- og BFSI-domæner med at tage datadrevne beslutninger. Han har en bachelorgrad fra VIT University, Vellore.
