See postitus on Supratim Banerjee firmast More Retail Limited ning Shivaprasad KT ja Gaurav H Kankaria Ganit Inc.-st.
More Retail Ltd. (MRL) on üks India neljast suurimast toidupoe jaemüüjast, mille tulu on suurusjärgus mitu miljardit dollarit. Sellel on kogu Indias 22 hüpermarketist ja 624 supermarketist koosnev kaupluste võrgustik, mida toetab 13 turustuskeskusest, 7 puu- ja köögiviljade kogumiskeskusest ning 6 põhitarvete töötlemise keskusest koosnev tarneahel.
Nii suure võrgu puhul on MRL-i jaoks ülioluline pakkuda õiget tootekvaliteeti õige majandusliku väärtusega, rahuldades samal ajal klientide nõudlust ja hoides tegevuskulud minimaalsed. MRL tegi koostööd Ganitiga kui oma tehisintellekti analüüsipartneriga, et prognoosida nõudlust suurema täpsusega ja luua automatiseeritud tellimissüsteem, et ületada kaupluse juhtide käsitsi otsustamise kitsaskohad ja puudused. Kasutatud jääkide piirnorm Amazoni prognoos suurendada prognooside täpsust 24%-lt 76%-le, mis toob kaasa raiskamise vähenemise kuni 30% värskete toodete kategoorias, parandab laoseisu 80%-lt 90%-le ja suurendab brutokasumit 25%.
Meil õnnestus neid äritulemusi saavutada ja automatiseeritud tellimissüsteemi üles ehitada kahel peamisel põhjusel:
- Võimalus katsetada – Forecast pakub paindlikku ja modulaarset platvormi, mille kaudu viisime läbi rohkem kui 200 katset, kasutades erinevaid regressoreid ja mudelitüüpe, mis hõlmasid nii traditsioonilisi kui ka ML-mudeleid. Meeskond järgis Kaizeni lähenemisviisi, õppides varem ebaõnnestunud mudelitest ja rakendades mudeleid ainult siis, kui need olid edukad. Võitnud mudelite kasutuselevõtmise ajal jätkati eksperimenteerimist.
- Muutuste juhtimine – Palusime kategooriaomanikel, kes olid harjunud äriotsuse alusel tellimusi esitama, usaldama ML-põhist tellimissüsteemi. Süsteemne kasutuselevõtuplaan tagas tööriista tulemuste salvestamise ja tööriista kasutamise distsiplineeritud kadentsiga, nii et täidetud ja jooksev varu tuvastati ja registreeriti õigeaegselt.
Värske toote kategooria prognoosimise keerukus
Värskete toodete kategooria nõudluse prognoosimine on keeruline, kuna värsketel toodetel on lühike säilivusaeg. Üleprognooside korral müüvad kauplused aegunud või liiga küpseid tooteid või viskavad ära suurema osa oma laoseisust (nn. kokkutõmbumine). Alaprognoosi korral võivad tooted olla laost otsas, mis mõjutab kliendikogemust. Kliendid võivad oma ostukorvi hüljata, kui nad ei leia oma ostunimekirjast võtmekaupu, sest nad ei taha kassajärjekorras oodata vaid käputäie tooteid. Selle keerukuse suurendamiseks on MRL-il rohkem kui 600 supermarketis palju SKU-sid, mis toovad kaasa rohkem kui 6,000 kaupluse ja SKU kombinatsiooni.
2019. aasta lõpuks kasutas MRL traditsioonilisi statistilisi meetodeid, et luua iga kaupluse-SKU kombinatsiooni jaoks prognoosimudeleid, mille tulemuseks oli 40% täpsus. Prognoose säilitati mitme üksiku mudeli kaudu, muutes selle arvutuslikult ja operatiivselt kulukaks.
Nõudluse prognoosimine kuni tellimuse vormistamiseni
2020. aasta alguses alustasid MRL ja Ganit koostööd, et veelgi parandada värske kategooria (puu- ja köögiviljad, puu- ja köögiviljad) prognoosimise täpsust ning vähendada kokkutõmbumist.
Ganit soovitas MRL-il jagada oma probleem kaheks osaks:
- Nõudluse prognoosimine iga kaupluse-SKU kombinatsiooni jaoks
- Tellimuse koguse arvutamine (taande)
Me käsitleme iga aspekti üksikasjalikumalt järgmistes jaotistes.
Prognooside nõudlus
Selles jaotises käsitleme iga kaupluse-SKU kombinatsiooni nõudluse prognoosimise etappe.
Mõistke nõudluse põhjuseid
Ganiti meeskond alustas oma teekonda sellega, et mõistis esmalt tegureid, mis põhjustasid kaupluste nõudlust. See hõlmas mitut kohapealset poekülastust, arutelusid kategooriajuhtidega ja sageduskohtumisi supermarketi tegevjuhiga koos Ganiti enda prognoositeadmistega mitmes muus aspektis, nagu hooajalisus, laovarud, sotsiaal-majanduslikud ja makromajanduslikud tegurid.
Pärast poekülastusi sõnastati ligikaudu 80 hüpoteesi mitme teguri kohta, et uurida nende mõju puu- ja köögiviljade nõudlusele. Meeskond viis läbi põhjaliku hüpoteeside testimise, kasutades selliseid meetodeid nagu korrelatsioon, kahe- ja ühemõõtmeline analüüs ning statistilise olulisuse testid (õpilase t-test, Z-testid), et teha kindlaks seos nõudluse ja asjakohaste tegurite (nt festivalide kuupäevad, ilm, reklaamid ja palju muud) vahel.
Andmete segmentimine
Meeskond rõhutas granuleeritud mudeli väljatöötamist, mis võimaldab täpselt prognoosida poe ja SKU kombinatsiooni igaks päevaks. Müügipanuse ja prognoosimise lihtsuse kombinatsioon loodi ABC-XYZ raamistikuna, kus ABC näitab müügipanust (A on suurim) ja XYZ näitab prognoosimise lihtsust (Z on madalaim). Mudeliehituse puhul keskenduti esmalt kaupluse-SKU kombinatsioonidele, millel oli suur panus müüki ja mida oli kõige raskem ennustada. Seda tehti tagamaks, et prognoosimise täpsuse parandamine avaldaks ärile maksimaalset mõju.
Andmete töötlemine
MRL-i tehinguandmed olid struktureeritud nagu tavalised müügikoha andmed, väljadega nagu mobiiltelefoni number, arve number, kauba kood, kaupluse kood, kuupäev, arve kogus, realiseeritud väärtus ja allahindluse väärtus. Meeskond kasutas mudeli koostamiseks igapäevaseid tehinguandmeid viimase 2 aasta jooksul. Ajalooliste andmete analüüsimine aitas tuvastada kaks väljakutset:
- Arvukate puuduvate väärtuste olemasolu
- Mõnel päeval oli arvete müük äärmiselt kõrge või madal, mis viitas andmete kõrvalekallete esinemisele
Puuduv väärtuskäsitlus
Sügav sukeldumine puuduvatesse väärtustesse tuvastas põhjused, näiteks poes puuduvad laoseisud (puudub tarned või hooajal) ja poed on suletud planeeritud puhkuse või väliste piirangute tõttu (nt piirkondlik või riiklik sulgemine või ehitustööd). Puuduvad väärtused asendati 0-ga ja mudelile lisati sobivad regressorid või lipud, et mudel saaks sellest õppida kõigi selliste tulevaste sündmuste puhul.
Väline ravi
Meeskond käsitles kõrvalekaldeid kõige üksikasjalikumal arve tasemel, mis tagas, et arvesse võeti selliseid tegureid nagu likvideerimine, hulgiostmine (B2B) ja halb kvaliteet. Näiteks võib arve tasemel käsitlemine hõlmata iga kaupluse-SKU kombinatsiooni KPI jälgimist päeva tasemel, nagu on näidatud järgmisel graafikul.
Seejärel saame märgistada kuupäevad, mil müüakse ebatavaliselt suuri koguseid, kui kõrvalekaldeid, ja sukelduda nendesse tuvastatud kõrvalekalletesse sügavamale. Edasine analüüs näitab, et need kõrvalekalded on eelnevalt planeeritud institutsionaalsed ostud.
Need arvetaseme kõrvalekalded piiratakse seejärel selle kuupäeva maksimaalse müügikogusega. Järgmised graafikud näitavad arvete nõudluse erinevust.
Prognoosimise protsess
Enne prognoosi valimist katsetas meeskond mitut prognoosimistehnikat, nagu aegridade mudelid, regressioonipõhised mudelid ja süvaõppe mudelid. Prognoosi valimise peamine põhjus oli erinevus tulemuslikkuses, kui võrrelda prognooside täpsusi XY ämbris Z kategooriaga, mida oli kõige raskem ennustada. Kuigi enamik tavalisi tehnikaid andis XY-ämbris suurema täpsuse, andsid ainult Forecasti ML-algoritmid teiste mudelitega võrreldes 10% täpsust. See oli peamiselt tingitud Forecasti võimest õppida teisi SKU-de (XY) mustreid ja rakendada neid teadmisi Z-ämbri väga lenduvate üksuste puhul. AutoML-i kaudu võitis Forecast DeepAR+ algoritm, mis valiti prognoosimudeliks.
Itereerimine prognoosimise täpsuse edasiseks parandamiseks
Pärast seda, kui meeskond tuvastas Deep AR+ võitnud algoritmina, viisid nad läbi mitmeid katseid lisafunktsioonidega, et täpsust veelgi parandada. Nad viisid läbi mitu iteratsiooni väiksemas valimikomplektis erinevate kombinatsioonidega, nagu puhtad sihtaegridade andmed (koos ja ilma kõrvalekalleteta), regressorid (nt festivalid või kaupluste sulgemised) ja poekaupade metaandmed (poekaupade hierarhia), et mõista parimat kombinatsiooni prognooside täpsuse parandamiseks. Suurima täpsuse andis kõrvalekalletega töödeldud sihtaegridade kombinatsioon koos poekaupade metaandmete ja regressoritega. Lõpliku prognoosi saamiseks vähendati see algsele 6,230 poe-SKU kombinatsioonile.
Tellimuse koguse arvutamine
Pärast seda, kui meeskond töötas välja prognoosimudeli, oli kohe järgmine samm selle abil otsustada, kui palju varusid osta ja tellimusi esitada. Tellimuste teket mõjutavad prognoositav nõudlus, hetke laoseisud ja muud asjakohased poesisesed tegurid.
Tellimuse konstruktsiooni kujundamisel oli aluseks järgmine valem.
Meeskond kaalus ka muid automaatse tellimissüsteemi taande reguleerimise parameetreid, nagu minimaalne tellimiskogus, teenindusühikutegur, minimaalne sulgemisvaru, minimaalne kuvatav laovaru (planogrammi alusel) ja täitemäära reguleerimine, ületades seeläbi lõhe masina ja inimese intelligentsuse vahel.
Tasakaalustage ala- ja üleprognoositud stsenaariumid
Kahanemise väljundkulu optimeerimiseks laovarude ja müügi kaotamise kuludega kasutas meeskond prognoosivastuse mudelist teisaldamiseks funktsiooni Forecast kvantiili.
Mudeli kavandamisel genereeriti kolm prognoosi p40, p50 ja p60 kvantiilides, kusjuures p50 oli baaskvantiil. Kvantiilide valik programmeeriti lähiminevikus poodides laovarude ja raiskamise põhjal. Näiteks valiti automaatselt kõrgemad kvantiilid, kui konkreetne poe-SKU kombinatsioon seisis viimase 3 päeva jooksul pidevalt laosteta, ja madalamad kvantiilid valiti automaatselt, kui poe-SKU-s oli suur raiskamine. Suurenevate ja kahanevate kvantiilide arv põhines laovarude või kahanemise suurusel poes.
Automatiseeritud tellimuste esitamine läbi Oracle ERP
MRL juurutas Forecasti ja taande tellimissüsteemid tootmises, integreerides need Oracle'i ERP-süsteemiga, mida MRL kasutab tellimuste esitamiseks. Järgmine diagramm illustreerib lõplikku arhitektuuri.
Tellimissüsteemi juurutamiseks tootmisse viidi kõik jääkide piirnormide andmed üle AWS-i. Meeskond seadis üles ETL-i töökohad, kuhu reaalajas tabelid teisaldada Amazoni punane nihe (andmeladu äriteabe töö jaoks), nii et Amazon Redshiftist sai kogu tulevase andmetöötluse ainus sisendallikas.
Kogu andmearhitektuur jagunes kaheks osaks:
- Prognoosimootor:
- Amazon Redshiftis on kasutatud ajaloolisi nõudluse andmeid (1-päevane nõudluse viivitus).
- Muud regressori sisendid, nagu viimase arve aeg, hind ja festivalid, säilitati Amazon Redshiftis
- An Amazon Elastic Compute Cloud (Amazon EC2) eksemplar seadistati kohandatud Pythoni skriptidega tehingute, regressorite ja muude metaandmete vaidlustamiseks
- Pärast andmete riidlemist teisaldati andmed an Amazoni lihtne salvestusteenus (Amazon S3) ämber prognooside loomiseks (T+2 prognoosid kõigi poe-SKU kombinatsioonide jaoks)
- Lõplik prognoosiväljund salvestati eraldi kaustas S3 ämbris
- Järjesta (taane) mootor:
- Kõik andmed, mis on vajalikud prognooside tellimusteks teisendamiseks (nt laoseisud, laekunud kogused, tellimuste viimased kaks päeva, et saada, teenindusühikutegur ja planogrammipõhine minimaalne avamis- ja sulgemisvaru) salvestati ja säilitati Amazon Redshiftis.
- Tellimuse kogus arvutati Pythoni skriptide abil, mis töötavad EC2 eksemplaridel
- Seejärel viidi tellimused üle Oracle'i ERP-süsteemi, mis esitas tellimuse tarnijatele
Kogu tellimissüsteem eraldati mitmeks võtmesegmendiks. Meeskond seadistas iga protsessi jaoks Apache Airflow planeerija meiliteatised, et teavitada sidusrühmi edukast lõpuleviimisest või ebaõnnestumisest, et nad saaksid kohe tegutseda. ERP-süsteemi kaudu tehtud tellimused viidi seejärel Amazon Redshifti tabelitesse järgmiste päevade tellimuste arvutamiseks. AWS-i ja ERP-süsteemide vahelise integreerimise lihtsus tõi kaasa täieliku täieliku automatiseeritud tellimissüsteemi ilma inimese sekkumiseta.
Järeldus
ML-põhine lähenemine avas jääkide piirnormide jaoks tõelise andmete võimsuse. Forecastiga lõime kaks riiklikku mudelit erinevate poevormingute jaoks, mitte enam kui 1,000 traditsioonilist mudelit, mida olime kasutanud.
Prognoos õpib ka aegridade lõikes. Prognoosi ML-algoritmid võimaldavad poe-SKU kombinatsioonide vahelist ristõpet, mis aitab parandada prognooside täpsust.
Lisaks võimaldab prognoos lisada seotud aegridu ja kaupade metaandmeid, näiteks kliente, kes saadavad nõudlussignaale nende ostukorvis olevate kaupade kombinatsiooni põhjal. Prognoos võtab arvesse kogu sissetulevat nõudluse teavet ja jõuab ühe mudelini. Erinevalt tavalistest mudelitest, kus muutujate lisamine viib ülepaigutamiseni, rikastab Forecast mudelit, pakkudes täpseid prognoose ärikonteksti alusel. MRL sai võimaluse tooteid kategoriseerida selliste tegurite alusel nagu säilivusaeg, soodustused, hind, kaupluste tüüp, jõukas klaster, konkurentsivõimeline pood ja kaupluste läbilaskevõime. Tarneahela toimimise parandamiseks soovitame proovida Amazon Forecasti. Amazon Forecasti kohta saate lisateavet siin. Ganiti ja meie lahenduste kohta lisateabe saamiseks võtke ühendust aadressil info@ganitinc.com rohkem teada saada.
Selle postituse sisu ja arvamused on kolmandast osapoolest autori omad ja AWS ei vastuta selle postituse sisu ega täpsuse eest.
Autoritest
Supratim Banerjee on Transformatsiooni juht at Rohkem jaemüüki Piiratud. Ta on kogenud professionaal, kellel on tõestatud töökogemus riskikapitali ja erakapitali valdkonnas. Ta oli KPMG konsultant ja töötas selliste organisatsioonidega nagu AT Kearney ja India Equity Partners. Tal on Hyderabadis Indian School of Business'is asuv MBA, mis on keskendunud rahandusele.
Shivaprasad KT on Kaasasutaja ja tegevjuht at Ganit Inc. Tal on üle 17-aastane kogemus andmeteaduse abil USA-s, Austraalias, Aasias ja Indias tipptasemel ja põhjaliku mõju pakkumisel. Ta on nõustanud CXO-sid sellistes ettevõtetes nagu Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo ja Citibank. Tal on MBA kraad SP Jainist Mumbais ja bakalaureusekraad inseneriteaduskonnas NITK Surathkal.
Gaurav H Kankaria on Vanemandmeteadlane at Ganit Inc. Tal on üle 6-aastane kogemus lahenduste kavandamisel ja juurutamisel, mis aitavad jaemüügi-, CPG- ja BFSI-valdkonna organisatsioonidel teha andmepõhiseid otsuseid. Tal on bakalaureusekraad Vellore VIT Ülikoolist.
