Dieser Beitrag ist eine gemeinsame Gastkooperation von Supratim Banerjee von More Retail Limited und Shivaprasad KT und Gaurav H Kankaria von Ganit Inc.
More Retail Ltd. (MRL) ist einer der vier größten Lebensmitteleinzelhändler Indiens mit einem Umsatz in der Größenordnung von mehreren Milliarden Dollar. Das Unternehmen verfügt über ein Filialnetz von 22 Verbrauchermärkten und 624 Supermärkten in ganz Indien, das von einer Lieferkette mit 13 Vertriebszentren, 7 Obst- und Gemüsesammelzentren und 6 Heftklammernverarbeitungszentren unterstützt wird.
Bei einem so großen Netzwerk ist es für MRL entscheidend, die richtige Produktqualität zum richtigen wirtschaftlichen Wert zu liefern, gleichzeitig die Kundennachfrage zu erfüllen und die Betriebskosten auf ein Minimum zu beschränken. MRL arbeitete mit Ganit als AI Analytics-Partner zusammen, um die Nachfrage genauer vorherzusagen und ein automatisiertes Bestellsystem aufzubauen, um die Engpässe und Mängel der manuellen Beurteilung durch die Filialleiter zu überwinden. Rückstandshöchstgehalt verwendet Amazon-Prognose Erhöhung der Prognosegenauigkeit von 24% auf 76%, was zu einer Verringerung der Verschwendung um bis zu 30% in der Kategorie Frischwaren, einer Verbesserung der Lagerbestandsraten von 80% auf 90% und einer Steigerung des Bruttogewinns um 25% führt.
Es ist uns aus zwei Hauptgründen gelungen, diese Geschäftsergebnisse zu erzielen und ein automatisiertes Bestellsystem aufzubauen:
- Fähigkeit zu experimentieren - Forecast bietet eine flexible und modulare Plattform, über die wir mehr als 200 Experimente mit verschiedenen Regressoren und Modelltypen durchgeführt haben, darunter sowohl traditionelle als auch ML-Modelle. Das Team verfolgte einen Kaizen-Ansatz, lernte aus zuvor erfolglosen Modellen und setzte Modelle nur dann ein, wenn sie erfolgreich waren. Die Experimente wurden nebenbei fortgesetzt, während die Gewinnermodelle eingesetzt wurden.
- Änderungsmanagement - Wir haben Kategorieinhaber, die es gewohnt waren, Bestellungen mit geschäftlichem Urteilsvermögen aufzugeben, gebeten, dem ML-basierten Bestellsystem zu vertrauen. Ein systematischer Adoptionsplan stellte sicher, dass die Ergebnisse des Tools gespeichert wurden und das Tool mit einer disziplinierten Trittfrequenz betrieben wurde, sodass gefüllte und aktuelle Bestände rechtzeitig identifiziert und aufgezeichnet wurden.
Komplexität bei der Vorhersage der Frischwarenkategorie
Die Prognose der Nachfrage nach Frischwaren ist eine Herausforderung, da Frischprodukte eine kurze Haltbarkeit haben. Mit Überprognosen verkaufen Geschäfte veraltete oder überreife Produkte oder werfen den größten Teil ihres Inventars weg (bezeichnet als Schrumpfung). Wenn die Prognosen nicht ausreichend sind, sind sie möglicherweise nicht vorrätig, was sich auf das Kundenerlebnis auswirkt. Kunden können ihren Einkaufswagen verlassen, wenn sie keine wichtigen Artikel in ihrer Einkaufsliste finden, weil sie nicht an der Kasse auf eine Handvoll Produkte warten möchten. Um diese Komplexität zu erhöhen, verfügt MRL über zahlreiche SKUs in über 600 Supermärkten, was zu mehr als 6,000 Kombinationen aus Filial- und SKU-Filialen führt.
Bis Ende 2019 verwendete MRL traditionelle statistische Methoden, um Prognosemodelle für jede Filial-SKU-Kombination zu erstellen, was zu einer Genauigkeit von nur 40% führte. Die Prognosen wurden über mehrere Einzelmodelle aufrechterhalten, was den Rechenaufwand und den Betrieb kostspielig machte.
Bedarfsprognose zur Auftragserteilung
Anfang 2020 haben MRL und Ganit begonnen, zusammenzuarbeiten, um die Genauigkeit für die Vorhersage der Frischkategorie, bekannt als Obst und Gemüse (F & V), weiter zu verbessern und die Schrumpfung zu verringern.
Ganit riet MRL, das Problem in zwei Teile zu teilen:
- Prognostizierte Nachfrage für jede Store-SKU-Kombination
- Bestellmenge berechnen (Einrückungen)
Wir werden in den folgenden Abschnitten auf jeden Aspekt näher eingehen.
Nachfrage prognostizieren
In diesem Abschnitt werden die Schritte zur Bedarfsprognose für jede Store-SKU-Kombination erläutert.
Treiber der Nachfrage verstehen
Das Team von Ganit begann seine Reise, indem es zunächst die Faktoren verstand, die die Nachfrage in den Geschäften trieben. Dies beinhaltete mehrere Ladenbesuche vor Ort, Diskussionen mit Kategoriemanagern und Trittfrequenzbesprechungen mit dem CEO des Supermarkts sowie Ganits internes Prognose-Know-how zu verschiedenen anderen Aspekten wie Saisonalität, Lagerbestand, sozioökonomischen und makroökonomischen Faktoren .
Nach den Ladenbesuchen wurden ungefähr 80 Hypothesen zu mehreren Faktoren formuliert, um deren Auswirkungen auf die F & V-Nachfrage zu untersuchen. Das Team führte umfassende Hypothesentests mit Techniken wie Korrelation, bivariater und univariater Analyse sowie statistischen Signifikanztests (Student-T-Test, Z-Test) durch, um die Beziehung zwischen Nachfrage und relevanten Faktoren wie Festivaldaten, Wetter, Werbeaktionen und vielem mehr zu ermitteln .
Segmentierung von Daten & Zielgruppen
Das Team betonte die Entwicklung eines detaillierten Modells, mit dem eine Kombination aus Geschäft und SKU für jeden Tag genau vorhergesagt werden kann. Eine Kombination aus Verkaufsbeitrag und einfacher Vorhersage wurde als ABC-XYZ-Framework erstellt, wobei ABC den Umsatzbeitrag (A ist der höchste) und XYZ die einfache Vorhersage (Z der niedrigste) angibt. Beim Modellbau lag der erste Schwerpunkt auf Filial-SKU-Kombinationen, die einen hohen Umsatzbeitrag leisteten und am schwierigsten vorherzusagen waren. Dies wurde durchgeführt, um sicherzustellen, dass die Verbesserung der Prognosegenauigkeit die maximalen geschäftlichen Auswirkungen hat.
Datenbehandlung
Die Transaktionsdaten von MRL waren wie herkömmliche POS-Daten strukturiert, mit Feldern wie Handynummer, Rechnungsnummer, Artikelcode, Geschäftscode, Datum, Rechnungsmenge, realisiertem Wert und Rabattwert. Das Team verwendete die täglichen Transaktionsdaten der letzten 2 Jahre für den Modellbau. Die Analyse historischer Daten half dabei, zwei Herausforderungen zu identifizieren:
- Das Vorhandensein zahlreicher fehlender Werte
- Einige Tage hatten extrem hohe oder niedrige Umsätze auf Rechnungsebene, was auf das Vorhandensein von Ausreißern in den Daten hinwies
Behandlung mit fehlendem Wert
Ein tiefer Einblick in die fehlenden Werte ergab Gründe dafür, dass kein Lagerbestand im Geschäft verfügbar ist (kein Angebot oder nicht in der Saison) und Geschäfte aufgrund geplanter Feiertage oder externer Einschränkungen (wie regionaler oder nationaler Stillstand oder Bauarbeiten) geschlossen werden. Die fehlenden Werte wurden durch 0 ersetzt, und dem Modell wurden geeignete Regressoren oder Flags hinzugefügt, damit das Modell für solche zukünftigen Ereignisse daraus lernen kann.
Ausreißerbehandlung
Das Team behandelte die Ausreißer auf der detailliertesten Rechnungsebene, wodurch sichergestellt wurde, dass Faktoren wie Liquidation, Großeinkauf (B2B) und schlechte Qualität berücksichtigt wurden. Beispielsweise kann die Behandlung auf Rechnungsebene das Beobachten eines KPI für jede Kombination aus Geschäft und SKU auf Tagesebene umfassen, wie in der folgenden Grafik dargestellt.
Wir können dann Daten kennzeichnen, an denen ungewöhnlich hohe Mengen als Ausreißer verkauft werden, und tiefer in diese identifizierten Ausreißer eintauchen. Weitere Analysen zeigen, dass es sich bei diesen Ausreißern um vorgeplante institutionelle Käufe handelt.
Diese Ausreißer auf Rechnungsebene werden dann mit der maximalen Verkaufsmenge für dieses Datum begrenzt. Die folgenden Grafiken zeigen den Unterschied in der Nachfrage auf Rechnungsebene.
Prognoseprozess
Das Team testete mehrere Prognosetechniken wie Zeitreihenmodelle, regressionsbasierte Modelle und Deep-Learning-Modelle, bevor es sich für Prognose entschied. Der Hauptgrund für die Wahl von Prognose war der Leistungsunterschied beim Vergleich der Prognosegenauigkeiten im XY-Bereich mit dem Z-Bereich, der am schwierigsten vorherzusagen war. Obwohl die meisten herkömmlichen Techniken höhere Genauigkeiten im XY-Bucket lieferten, lieferten nur die ML-Algorithmen in Forecast eine inkrementelle Genauigkeit von 10% im Vergleich zu anderen Modellen. Dies war hauptsächlich auf die Fähigkeit von Forecast zurückzuführen, andere SKU-Muster (XY) zu lernen und diese Erkenntnisse auf hochflüchtige Elemente im Z-Bucket anzuwenden. Durch AutoML war der Forecast DeepAR + -Algorithmus der Gewinner und wurde als Prognosemodell ausgewählt.
Iterieren, um die Prognosegenauigkeit weiter zu verbessern
Nachdem das Team Deep AR + als Gewinneralgorithmus identifiziert hatte, führten sie mehrere Experimente mit zusätzlichen Funktionen durch, um die Genauigkeit weiter zu verbessern. Sie führten mehrere Iterationen an einem kleineren Stichprobensatz mit verschiedenen Kombinationen wie reinen Zielzeitreihendaten (mit und ohne Ausreißerbehandlung), Regressoren wie Festivals oder Ladenschließungen und Ladenartikel-Metadaten (Ladenartikel-Hierarchie) durch, um die beste Kombination für zu verstehen Verbesserung der Prognosegenauigkeit. Die Kombination von mit Ausreißern behandelten Zielzeitreihen zusammen mit Metadaten von Artikelelementen und Regressoren ergab die höchste Genauigkeit. Dies wurde auf den ursprünglichen Satz von 6,230 Store-SKU-Kombinationen reduziert, um die endgültige Prognose zu erhalten.
Bestellmengenberechnung
Nachdem das Team das Prognosemodell entwickelt hatte, bestand der nächste Schritt darin, zu entscheiden, wie viel Inventar gekauft und Bestellungen aufgegeben werden sollen. Die Auftragserzeugung wird durch die prognostizierte Nachfrage, den aktuellen Lagerbestand und andere relevante Faktoren im Geschäft beeinflusst.
Die folgende Formel diente als Grundlage für das Entwerfen des Auftragskonstrukts.
Das Team berücksichtigte auch andere Einrückungsanpassungsparameter für das automatische Bestellsystem, wie z. B. Mindestbestellmenge, Serviceeinheitsfaktor, Mindestschließbestand, Mindestanzeigebestand (basierend auf Planogramm) und Füllratenanpassung, wodurch die Lücke zwischen Maschine und Mensch geschlossen wurde Intelligenz.
Gleichen Sie unterprognostizierte und überprognostizierte Szenarien aus
Um die Ausgabekosten des Schrumpfens mit den Kosten für Lagerbestände und Umsatzverluste zu optimieren, verwendete das Team die Quantilfunktion von Forecast, um die Prognoseantwort aus dem Modell zu verschieben.
Im Modelldesign wurden drei Vorhersagen für p40-, p50- und p60-Quantile generiert, wobei p50 das Basisquantil ist. Die Auswahl der Quantile wurde so programmiert, dass sie auf Lagerbeständen und Verschwendung in Geschäften in der jüngeren Vergangenheit basiert. Beispielsweise wurden automatisch höhere Quantile ausgewählt, wenn eine bestimmte Kombination aus Geschäft und SKU in den letzten 3 Tagen einem kontinuierlichen Lagerbestand ausgesetzt war, und niedrigere Quantile wurden automatisch ausgewählt, wenn die SKU für das Geschäft eine hohe Verschwendung aufwies. Das Quantum der zunehmenden und abnehmenden Quantile basierte auf der Größe des Lagerbestands oder der Schrumpfung innerhalb des Geschäfts.
Automatisierte Auftragserteilung über Oracle ERP
MRL setzte Forecast und die Einrückungsbestellsysteme in der Produktion ein, indem es sie in das ERP-System von Oracle integrierte, das MRL für die Auftragserteilung verwendet. Das folgende Diagramm zeigt die endgültige Architektur.
Um das Bestellsystem in der Produktion bereitzustellen, wurden alle MRL-Daten in AWS migriert. Das Team hat ETL-Jobs eingerichtet, in die Live-Tische verschoben werden sollen Amazon RedShift (Data Warehouse für Business Intelligence-Arbeiten), sodass Amazon Redshift die einzige Eingabequelle für die künftige gesamte Datenverarbeitung wurde.
Die gesamte Datenarchitektur war in zwei Teile gegliedert:
- Prognose-Engine:
- Verwendete historische Nachfragedaten (1-tägige Nachfrageverzögerung) in Amazon Redshift
- Andere Regressoreingaben wie die letzte Rechnungszeit, der Preis und die Festivals wurden in Amazon Redshift beibehalten
- An Amazon Elastic Compute-Cloud Die Instanz (Amazon EC2) wurde mit angepassten Python-Skripten eingerichtet, um Transaktionen, Regressoren und andere Metadaten zu behandeln
- Nach dem Daten-Wrangling wurden die Daten in eine verschoben Amazon Simple Storage-Service (Amazon S3) Bucket zum Generieren von Prognosen (T + 2-Prognosen für alle Store-SKU-Kombinationen)
- Die endgültige Prognoseausgabe wurde in einem separaten Ordner in einem S3-Bucket gespeichert
- Bestellmotor (Einzug):
- Alle Daten, die zur Umwandlung von Prognosen in Bestellungen erforderlich sind (z. B. Lagerbestand, eingegangene Lagerbestandsmenge, letzte 2 Tage nach Eingang der Bestellungen, Serviceeinheitsfaktor und planogrammbasierter Mindestöffnungs- und Schlussbestand), wurden in Amazon Redshift gespeichert und verwaltet
- Die Bestellmenge wurde mithilfe von Python-Skripten berechnet, die auf EC2-Instanzen ausgeführt werden
- Die Bestellungen wurden dann in das ERP-System von Oracle verschoben, das eine Bestellung an die Lieferanten erteilte
Das gesamte Bestellsystem wurde in mehrere Schlüsselsegmente entkoppelt. Das Team hat die Scheduler-E-Mail-Benachrichtigungen von Apache Airflow für jeden Prozess eingerichtet, um die jeweiligen Stakeholder nach erfolgreichem Abschluss oder Misserfolg zu benachrichtigen, damit sie sofort Maßnahmen ergreifen können. Die über das ERP-System aufgegebenen Bestellungen wurden dann zur Berechnung der Bestellungen der nächsten Tage in Amazon Redshift-Tabellen verschoben. Die einfache Integration zwischen AWS- und ERP-Systemen führte zu einem vollständigen automatisierten Bestellsystem ohne menschliches Eingreifen.
Zusammenfassung
Ein ML-basierter Ansatz hat die wahre Leistungsfähigkeit von Daten für MRL freigeschaltet. Mit Forecast haben wir zwei nationale Modelle für verschiedene Geschäftsformate erstellt, im Gegensatz zu über 1,000 traditionellen Modellen, die wir verwendet hatten.
Prognose lernt auch über Zeitreihen hinweg. ML-Algorithmen in Forecast ermöglichen das Cross-Learning zwischen Store-SKU-Kombinationen, wodurch die Prognosegenauigkeit verbessert wird.
Darüber hinaus können Sie mit Forecast verwandte Zeitreihen und Artikelmetadaten hinzufügen, z. B. Kunden, die Bedarfssignale basierend auf der Mischung der Artikel in ihrem Warenkorb senden. Die Prognose berücksichtigt alle eingehenden Bedarfsinformationen und gelangt zu einem einzigen Modell. Im Gegensatz zu herkömmlichen Modellen, bei denen das Hinzufügen von Variablen zu einer Überanpassung führt, bereichert Forecast das Modell und liefert genaue Prognosen basierend auf dem Geschäftskontext. MRL hat die Möglichkeit erhalten, Produkte anhand von Faktoren wie Haltbarkeit, Werbeaktionen, Preis, Art der Geschäfte, wohlhabendem Cluster, wettbewerbsfähigem Geschäft und Durchsatz der Geschäfte zu kategorisieren. Wir empfehlen Ihnen, Amazon Forecast zu testen, um Ihre Lieferkettenoperationen zu verbessern. Sie können mehr über Amazon Forecast erfahren hier. Um mehr über Ganit und unsere Lösungen zu erfahren, wenden Sie sich an info@ganitinc.com um mehr zu erfahren.
Der Inhalt und die Meinungen in diesem Beitrag sind die des Drittautors und AWS ist nicht für den Inhalt oder die Richtigkeit dieses Beitrags verantwortlich.
Über die Autoren
Supratim Banerjee lernen muss die Chief Transformational Officer at Mehr Einzelhandel Begrenzt. Er ist ein erfahrener Fachmann mit einer nachgewiesenen Erfahrung in der Risikokapital- und Private-Equity-Branche. Er war Berater bei KPMG und arbeitete mit Organisationen wie AT Kearney und India Equity Partners zusammen. Er hat einen MBA mit Schwerpunkt Finanzen von der Indian School of Business in Hyderabad.
Shivaprasad KT lernen muss die Co-Founder & CEO at Ganit Inc. Er verfügt über mehr als 17 Jahre Erfahrung in der Bereitstellung von Top-Line- und Bottom-Line-Effekten mithilfe von Data Science in den USA, Australien, Asien und Indien. Er hat CXOs bei Unternehmen wie Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo und Citibank beraten. Er hat einen MBA von SP Jain, Mumbai, und einen Bachelor-Abschluss in Ingenieurwissenschaften von NITK Surathkal.
Gaurav H. Kankaria lernen muss die Leitender Datenwissenschaftler at Ganit Inc. Er verfügt über mehr als 6 Jahre Erfahrung in der Entwicklung und Implementierung von Lösungen, mit denen Unternehmen in den Bereichen Einzelhandel, CPG und BFSI datengesteuerte Entscheidungen treffen können. Er hat einen Bachelor-Abschluss von der VIT University in Vellore.
