Esta publicación es una colaboración conjunta invitada de Supratim Banerjee de More Retail Limited y Shivaprasad KT y Gaurav H Kankaria de Ganit Inc.
More Retail Ltd. (MRL) es uno de los cuatro principales minoristas de comestibles de la India, con unos ingresos del orden de varios miles de millones de dólares. Tiene una red de tiendas de 22 hipermercados y 624 supermercados en toda la India, respaldada por una cadena de suministro de 13 centros de distribución, 7 centros de recolección de frutas y verduras y 6 centros de procesamiento de productos básicos.
Con una red tan grande, es fundamental que MRL ofrezca la calidad de producto adecuada con el valor económico adecuado, al tiempo que satisface la demanda de los clientes y mantiene los costos operativos al mínimo. MRL colaboró con Ganit como su socio de análisis de inteligencia artificial para pronosticar la demanda con mayor precisión y construir un sistema de pedidos automatizado para superar los cuellos de botella y las deficiencias del juicio manual por parte de los gerentes de tienda. LMR utilizado Pronóstico del Amazonas para aumentar su precisión de pronóstico del 24% al 76%, lo que lleva a una reducción en el desperdicio de hasta un 30% en la categoría de productos frescos, mejorando las tasas de existencias del 80% al 90% y aumentando el beneficio bruto en un 25%.
Tuvimos éxito en lograr estos resultados comerciales y en la construcción de un sistema de pedidos automatizado debido a dos razones principales:
- Habilidad para experimentar - Forecast proporciona una plataforma flexible y modular a través de la cual realizamos más de 200 experimentos utilizando diferentes regresores y tipos de modelos, que incluían tanto modelos tradicionales como ML. El equipo siguió un enfoque Kaizen, aprendiendo de modelos que no habían tenido éxito y desplegando modelos solo cuando tuvieron éxito. La experimentación continuó en el lateral mientras se desplegaban modelos ganadores.
- Gestión del cambio - Pedimos a los propietarios de categorías que estaban acostumbrados a realizar pedidos utilizando el criterio empresarial que confiaran en el sistema de pedidos basado en ML. Un plan de adopción sistémico aseguró que los resultados de la herramienta se almacenaran y la herramienta se operara con una cadencia disciplinada, de modo que el stock completo y actual se identificara y registrara a tiempo.
Complejidad en la previsión de la categoría de productos frescos.
Pronosticar la demanda para la categoría de productos frescos es un desafío porque los productos frescos tienen una vida útil corta. Con una previsión excesiva, las tiendas terminan vendiendo productos obsoletos o demasiado maduros, o tiran la mayor parte de su inventario (denominado como contracción). Si no está previsto, los productos pueden estar agotados, lo que afecta la experiencia del cliente. Los clientes pueden abandonar su carrito si no pueden encontrar artículos clave en su lista de compras, porque no quieren esperar en las líneas de pago solo por un puñado de productos. Para agregar a esta complejidad, MRL tiene muchos SKU en sus más de 600 supermercados, lo que lleva a más de 6,000 combinaciones de tienda-SKU.
A fines de 2019, MRL estaba utilizando métodos estadísticos tradicionales para crear modelos de pronóstico para cada combinación de tienda-SKU, lo que resultó en una precisión tan baja como 40%. Los pronósticos se mantuvieron a través de múltiples modelos individuales, haciéndolos computacional y operacionalmente costosos.
Previsión de la demanda para la colocación de pedidos
A principios de 2020, MRL y Ganit comenzaron a trabajar juntos para mejorar aún más la precisión para pronosticar la categoría fresca, conocida como Frutas y Verduras (F&V), y reducir la merma.
Ganit recomendó a MRL dividir su problema en dos partes:
- Previsión de la demanda para cada combinación de tienda y SKU
- Calcular la cantidad del pedido (sangrías)
Entramos en más detalle de cada aspecto en las siguientes secciones.
Demanda prevista
En esta sección, discutimos los pasos para pronosticar la demanda para cada combinación de tienda y SKU.
Comprender los impulsores de la demanda
El equipo de Ganit comenzó su viaje entendiendo primero los factores que impulsaron la demanda dentro de las tiendas. Esto incluyó múltiples visitas a la tienda en el sitio, discusiones con los gerentes de categoría y reuniones de cadencia con el CEO del supermercado, junto con la propia experiencia en pronósticos internos de Ganit en varios otros aspectos como la estacionalidad, el desabastecimiento, los factores socioeconómicos y macroeconómicos. .
Después de las visitas a las tiendas, se formularon aproximadamente 80 hipótesis sobre múltiples factores para estudiar su impacto en la demanda de frutas y verduras. El equipo realizó pruebas integrales de hipótesis utilizando técnicas como correlación, análisis bivariado y univariado, y pruebas de significación estadística (prueba t de Student, pruebas Z) para establecer la relación entre la demanda y factores relevantes como fechas de festivales, clima, promociones y muchos más. .
Segmentación de datos
El equipo enfatizó el desarrollo de un modelo granular que pudiera pronosticar con precisión una combinación de tienda-SKU para cada día. Se construyó una combinación de la contribución a las ventas y la facilidad de predicción como un marco ABC-XYZ, donde ABC indica la contribución de las ventas (A es la más alta) y XYZ indica la facilidad de predicción (Z es la más baja). Para la construcción de modelos, la primera línea de atención se centró en las combinaciones de tienda-SKU que tenían una gran contribución a las ventas y eran las más difíciles de predecir. Esto se hizo para garantizar que la mejora de la precisión de la previsión tenga el máximo impacto comercial.
Tratamiento de datos
Los datos de transacción de MRL se estructuraron como datos de punto de venta convencionales, con campos como número de teléfono móvil, número de factura, código de artículo, código de tienda, fecha, cantidad de factura, valor realizado y valor de descuento. El equipo utilizó datos transaccionales diarios durante los últimos 2 años para la construcción de modelos. El análisis de datos históricos ayudó a identificar dos desafíos:
- La presencia de numerosos valores perdidos.
- Algunos días tuvieron ventas extremadamente altas o bajas en los niveles de facturación, lo que indicó la presencia de valores atípicos en los datos.
Tratamiento de valor perdido
Una inmersión profunda en los valores faltantes identificó razones como la falta de stock disponible en la tienda (sin suministro o fuera de temporada) y las tiendas cerradas debido a vacaciones planificadas o restricciones externas (como un cierre regional o nacional, o trabajos de construcción). Los valores faltantes se reemplazaron con 0 y se agregaron regresores o indicadores apropiados al modelo para que el modelo pudiera aprender de esto para cualquier evento futuro.
Tratamiento de valores atípicos
El equipo trató los valores atípicos al nivel de factura más granular, lo que aseguró que se consideraran factores como la liquidación, la compra a granel (B2B) y la mala calidad. Por ejemplo, el tratamiento a nivel de factura puede incluir la observación de un KPI para cada combinación de tienda y SKU a nivel de día, como se muestra en el siguiente gráfico.
Luego, podemos marcar las fechas en las que se venden cantidades anormalmente altas como valores atípicos y profundizar en esos valores atípicos identificados. Un análisis más detallado muestra que estos valores atípicos son compras institucionales planificadas previamente.
Estos valores atípicos a nivel de factura se limitan a la cantidad máxima de ventas para esa fecha. Los siguientes gráficos muestran la diferencia en la demanda a nivel de factura.
Proceso de previsión
El equipo probó múltiples técnicas de pronóstico como modelos de series de tiempo, modelos basados en regresión y modelos de aprendizaje profundo antes de elegir Forecast. La razón principal para elegir Forecast fue la diferencia en el rendimiento al comparar la precisión de los pronósticos en el segmento XY con el segmento Z, que fue el más difícil de predecir. Aunque la mayoría de las técnicas convencionales proporcionaron mayor precisión en el segmento XY, solo los algoritmos ML en Forecast proporcionaron una precisión incremental del 10% en comparación con otros modelos. Esto se debió principalmente a la capacidad de Forecast para aprender otros patrones de SKU (XY) y aplicar esos aprendizajes a elementos altamente volátiles en el segmento Z. A través de AutoML, el algoritmo Forecast DeepAR + fue el ganador y elegido como modelo de pronóstico.
Iterando para mejorar aún más la precisión de las previsiones
Después de que el equipo identificó a Deep AR + como el algoritmo ganador, realizaron varios experimentos con características adicionales para mejorar aún más la precisión. Realizaron múltiples iteraciones en un conjunto de muestra más pequeño con diferentes combinaciones como datos de series de tiempo objetivo puros (con y sin tratamiento de valores atípicos), regresores como festivales o cierres de tiendas y metadatos de artículos de tienda (jerarquía de artículos de tienda) para comprender la mejor combinación para mejorar la precisión del pronóstico. La combinación de series de tiempo objetivo tratadas con valores atípicos junto con metadatos y regresores de elementos de la tienda arrojó la mayor precisión. Esto se redujo al conjunto original de 6,230 combinaciones de tienda-SKU para obtener el pronóstico final.
Cálculo de la cantidad de pedido
Después de que el equipo desarrolló el modelo de pronóstico, el siguiente paso inmediato fue usarlo para decidir cuánto inventario comprar y realizar pedidos. La generación de pedidos está influenciada por la demanda prevista, el stock actual disponible y otros factores relevantes en la tienda.
La siguiente fórmula sirvió como base para diseñar la construcción de la orden.
El equipo también consideró otros parámetros de ajuste de sangría para el sistema de pedido automático, como la cantidad mínima de pedido, el factor de la unidad de servicio, el stock mínimo de cierre, el stock mínimo de exhibición (basado en el planograma) y el ajuste de la tasa de llenado, reduciendo así la brecha entre la máquina y el humano. inteligencia.
Equilibrar los escenarios de previsión por debajo y por encima de la previsión
Para optimizar el costo de producción de la merma con el costo de desabastecimientos y pérdida de ventas, el equipo utilizó la función de cuantiles de Forecast para mover la respuesta de pronóstico del modelo.
En el diseño del modelo, se generaron tres pronósticos en los cuantiles p40, p50 y p60, siendo p50 el cuantil base. La selección de cuantiles se programó para basarse en los desabastecimientos y el desperdicio en las tiendas en el pasado reciente. Por ejemplo, se eligieron automáticamente cuantiles más altos si una combinación de tienda-SKU en particular enfrentó desabastecimientos continuos en los últimos 3 días, y se eligieron cuantiles más bajos automáticamente si la tienda-SKU había sido testigo de un alto desperdicio. La cantidad de cuantiles crecientes y decrecientes se basó en la magnitud del desabastecimiento o la contracción dentro de la tienda.
Colocación de pedidos automatizada a través de Oracle ERP
MRL implementó Forecast y los sistemas de pedidos de sangría en producción integrándolos con el sistema ERP de Oracle, que MRL utiliza para la colocación de pedidos. El siguiente diagrama ilustra la arquitectura final.
Para implementar el sistema de pedidos en producción, todos los datos de MRL se migraron a AWS. El equipo configuró trabajos ETL para mover tablas en vivo a Desplazamiento al rojo de Amazon (almacén de datos para el trabajo de inteligencia empresarial), por lo que Amazon Redshift se convirtió en la única fuente de entrada para todo el procesamiento de datos en el futuro.
Toda la arquitectura de datos se dividió en dos partes:
- Motor de pronóstico:
- Datos de demanda históricos usados (retraso de demanda de 1 día) presentes en Amazon Redshift
- En Amazon Redshift se mantuvieron otras entradas de regresor como la hora de la última factura, el precio y los festivales.
- An Nube informática elástica de Amazon (Amazon EC2) se configuró con scripts de Python personalizados para disputar transacciones, regresores y otros metadatos
- Después de la disputa de datos, los datos se movieron a un Servicio de almacenamiento simple de Amazon (Amazon S3) bucket para generar pronósticos (pronósticos T + 2 para todas las combinaciones de tienda-SKU)
- El resultado final del pronóstico se almacenó en una carpeta separada en un depósito de S3
- Motor de orden (sangría):
- Todos los datos necesarios para convertir los pronósticos en pedidos (como existencias disponibles, cantidad recibida para almacenar, últimos 2 días de pedidos realizados para recibir, factor de unidad de servicio y stock mínimo de apertura y cierre basado en planogramas) se almacenaron y mantuvieron en Amazon Redshift.
- La cantidad del pedido se calculó mediante scripts de Python que se ejecutan en instancias EC2
- Luego, los pedidos se trasladaron al sistema ERP de Oracle, que realizó un pedido a los proveedores.
Todo el sistema de pedidos se separó en varios segmentos clave. El equipo configuró las notificaciones por correo electrónico del programador de Apache Airflow para cada proceso para notificar a las respectivas partes interesadas sobre la finalización exitosa o el fracaso, para que pudieran tomar medidas inmediatas. Los pedidos realizados a través del sistema ERP se trasladaron a las tablas de Amazon Redshift para calcular los pedidos de los días siguientes. La facilidad de integración entre los sistemas AWS y ERP condujo a un sistema completo de pedidos automatizados de extremo a extremo sin intervención humana.
Conclusión
Un enfoque basado en ML desbloqueó el verdadero poder de los datos para MRL. Con Forecast, creamos dos modelos nacionales para diferentes formatos de tienda, a diferencia de los más de 1,000 modelos tradicionales que veníamos usando.
El pronóstico también aprende a través de series de tiempo. Los algoritmos ML dentro de Forecast permiten el aprendizaje cruzado entre combinaciones de tienda y SKU, lo que ayuda a mejorar la precisión de los pronósticos.
Además, Forecast le permite agregar series de tiempo relacionadas y metadatos de artículos, como los clientes que envían señales de demanda en función de la combinación de artículos en su canasta. Forecast considera toda la información de la demanda entrante y llega a un solo modelo. A diferencia de los modelos convencionales, donde la adición de variables conduce a un sobreajuste, Forecast enriquece el modelo, proporcionando pronósticos precisos basados en el contexto empresarial. MRL adquirió la capacidad de categorizar productos en función de factores como la vida útil, las promociones, el precio, el tipo de tiendas, el grupo adinerado, la tienda competitiva y el rendimiento de las tiendas. Le recomendamos que pruebe Amazon Forecast para mejorar las operaciones de su cadena de suministro. Puede obtener más información sobre Amazon Forecast esta página. Para obtener más información sobre Ganit y nuestras soluciones, comuníquese con info@ganitinc.com para obtener más información.
El contenido y las opiniones de esta publicación pertenecen al autor externo y AWS no es responsable del contenido o la precisión de esta publicación.
Acerca de los autores
Supratim Banerjee son los Director de transformación at Más minorista Limitado. Es un profesional experimentado con un historial demostrado de trabajo en las industrias de capital de riesgo y capital privado. Fue consultor de KPMG y trabajó con organizaciones como AT Kearney e India Equity Partners. Tiene un MBA enfocado en Finanzas, General de Indian School of Business, Hyderabad.
Shivaprasad KT son los Co-Founder & CEO at Ganit Inc. Tiene más de 17 años de experiencia en la generación de impacto en los ingresos y en los resultados mediante la ciencia de datos en los EE. UU., Australia, Asia e India. Ha asesorado a CXO en empresas como Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo y Citibank. Tiene un MBA de SP Jain, Mumbai, y una licenciatura en Ingeniería de NITK Surathkal.
Gaurav H. Kankaria son los Científico de datos sénior at Ganit Inc. Tiene más de 6 años de experiencia en el diseño e implementación de soluciones para ayudar a las organizaciones de los dominios minorista, CPG y BFSI a tomar decisiones basadas en datos. Tiene una licenciatura de la Universidad VIT, Vellore.
