از پیش بینی تقاضا تا سفارش - یک رویکرد یادگیری ماشین خودکار با پیش بینی آمازون برای کاهش موجودی، موجودی اضافی و هزینه ها

این پست یک همکاری مشترک مهمان Supratim Banerjee از More Retail Limited و Shivaprasad KT و Gaurav H Kankaria از Ganit Inc است.

More Retail Ltd. (MRL) یکی از چهار خرده فروش برتر مواد غذایی هند است که درآمدی در حدود چندین میلیارد دلار دارد. دارای شبکه فروشگاهی از 22 هایپرمارکت و 624 سوپرمارکت در سراسر هند است که توسط یک زنجیره تامین متشکل از 13 مرکز توزیع، 7 مرکز جمع آوری میوه و سبزیجات و 6 مرکز پردازش محصولات اصلی پشتیبانی می شود.

با چنین شبکه بزرگی، برای MRL بسیار مهم است که کیفیت محصول مناسب را با ارزش اقتصادی مناسب ارائه دهد، در حالی که تقاضای مشتری را برآورده می کند و هزینه های عملیاتی را به حداقل می رساند. MRL با Ganit به عنوان شریک تجزیه و تحلیل هوش مصنوعی خود برای پیش بینی تقاضا با دقت بیشتر و ایجاد یک سیستم سفارش خودکار برای غلبه بر تنگناها و کمبودهای قضاوت دستی توسط مدیران فروشگاه همکاری کرد. MRL استفاده شده است پیش بینی آمازون تا دقت پیش‌بینی خود را از 24% به 76% افزایش دهند که منجر به کاهش اتلاف تا 30% در دسته محصولات تازه، بهبود نرخ‌های موجود در انبار از 80% به 90% و افزایش سود ناخالص تا 25% می‌شود.

ما به دو دلیل اصلی در دستیابی به این نتایج تجاری و ایجاد یک سیستم سفارش خودکار موفق بودیم:

• توانایی آزمایش – Forecast یک پلت فرم انعطاف‌پذیر و مدولار را ارائه می‌کند که از طریق آن بیش از 200 آزمایش را با استفاده از رگرسیورها و انواع مدل‌ها انجام دادیم که شامل مدل‌های سنتی و ML بود. این تیم رویکرد کایزن را دنبال کرد و از مدل‌های ناموفق قبلی یاد گرفت و مدل‌ها را تنها زمانی که موفق بودند به کار برد. در حالی که مدل های برنده به کار گرفته شدند، آزمایش در کناره ها ادامه یافت.
• مدیریت تغییر - از صاحبان دسته‌هایی که به سفارش‌گذاری با استفاده از قضاوت تجاری عادت داشتند، خواستیم به سیستم سفارش مبتنی بر ML اعتماد کنند. یک طرح پذیرش سیستمیک تضمین می‌کرد که نتایج ابزار ذخیره می‌شد، و ابزار با نظم منظمی کار می‌کرد، به طوری که موجودی پر شده و موجود به موقع شناسایی و ثبت شد.

پیچیدگی در پیش بینی دسته محصولات تازه

پیش بینی تقاضا برای دسته محصولات تازه چالش برانگیز است زیرا محصولات تازه ماندگاری کوتاهی دارند. با پیش بینی بیش از حد، فروشگاه ها در نهایت محصولات کهنه یا رسیده را می فروشند یا بیشتر موجودی خود را دور می اندازند (به نام انقباض). اگر کمتر پیش‌بینی شود، ممکن است محصولات موجود نباشد، که بر تجربه مشتری تأثیر می‌گذارد. اگر مشتریان نتوانند کالاهای کلیدی را در لیست خرید خود بیابند، ممکن است سبد خرید خود را رها کنند، زیرا نمی‌خواهند فقط برای تعداد انگشت شماری از محصولات در صف تسویه‌حساب منتظر بمانند. برای افزودن به این پیچیدگی، MRL دارای SKU های بسیاری در بیش از 600 سوپرمارکت خود است که منجر به بیش از 6,000 ترکیب فروشگاه-SKU می شود.

تا پایان سال 2019، MRL از روش‌های آماری سنتی برای ایجاد مدل‌های پیش‌بینی برای هر ترکیب فروشگاه-SKU استفاده می‌کرد که منجر به دقت 40 درصدی شد. پیش‌بینی‌ها از طریق مدل‌های فردی متعدد حفظ شدند و از نظر محاسباتی و عملیاتی گران‌تر شدند.

پیش بینی تقاضا برای ثبت سفارش

در اوایل سال 2020، MRL و گانیت برای بهبود بیشتر دقت برای پیش‌بینی دسته تازه، معروف به میوه‌ها و سبزیجات (F&V) و کاهش انقباض، با یکدیگر همکاری کردند.

گانیت به MRL توصیه کرد که مشکل خود را به دو بخش تقسیم کند:

• پیش بینی تقاضا برای هر ترکیب فروشگاه-SKU
• محاسبه مقدار سفارش (تورفتگی)

در بخش های بعدی به جزئیات بیشتر هر جنبه می پردازیم.

تقاضای پیش بینی

در این بخش، مراحل پیش‌بینی تقاضا برای هر ترکیب فروشگاه-SKU را مورد بحث قرار می‌دهیم.

محرک های تقاضا را درک کنید

تیم گانیت سفر خود را با درک عواملی که باعث افزایش تقاضا در فروشگاه‌ها می‌شوند، آغاز کردند. این شامل بازدیدهای متعدد از فروشگاه در محل، بحث با مدیران دسته‌بندی، و جلسات منظم با مدیر عامل سوپرمارکت همراه با تخصص پیش‌بینی داخلی گانیت در چندین جنبه دیگر مانند فصلی بودن، موجودی، اقتصادی-اجتماعی و عوامل کلان اقتصادی بود. .

پس از بازدید از فروشگاه، تقریباً 80 فرضیه در مورد عوامل متعدد برای بررسی تأثیر آنها بر تقاضای F&V فرموله شد. این تیم آزمون فرضیه‌های جامع را با استفاده از تکنیک‌هایی مانند همبستگی، تجزیه و تحلیل دو متغیره و تک متغیره و آزمون‌های معناداری آماری (تست دانشجویی، آزمون Z) انجام داد تا رابطه بین تقاضا و عوامل مرتبط مانند تاریخ جشنواره، آب‌وهوا، تبلیغات و بسیاری موارد دیگر را تعیین کند. .

تقسیم بندی داده ها

این تیم بر توسعه یک مدل دانه‌بندی تاکید کرد که بتواند ترکیب فروشگاه-SKU را برای هر روز به‌طور دقیق پیش‌بینی کند. ترکیبی از سهم فروش و سهولت پیش‌بینی به‌عنوان یک چارچوب ABC-XYZ ساخته شد، با ABC نشان‌دهنده سهم فروش (A بالاترین) و XYZ نشان‌دهنده سهولت پیش‌بینی (Z کمترین). برای ساخت مدل، اولین خط تمرکز بر روی ترکیب های فروشگاه-SKU بود که سهم بالایی در فروش داشتند و پیش بینی آنها از همه سخت تر بود. این کار برای اطمینان از اینکه بهبود دقت پیش‌بینی بیشترین تأثیر تجاری را دارد انجام شد.

درمان داده ها

ساختار داده‌های تراکنش MRL مانند داده‌های نقطه‌ی فروش متعارف، با فیلدهایی مانند شماره تلفن همراه، شماره صورت‌حساب، کد کالا، کد فروشگاه، تاریخ، مقدار صورت‌حساب، ارزش تحقق‌یافته و ارزش تخفیف بود. این تیم از داده های تراکنش روزانه در 2 سال گذشته برای ساخت مدل استفاده کرد. تجزیه و تحلیل داده های تاریخی به شناسایی دو چالش کمک کرد:

• وجود مقادیر زیادی از دست رفته
• برخی از روزها فروش بسیار بالا یا پایین در سطوح صورتحساب داشتند که نشان دهنده وجود مقادیر پرت در داده ها بود

درمان ارزش از دست رفته

غواصی عمیق در مقادیر گمشده دلایلی مانند عدم موجودی موجود در فروشگاه (عدم عرضه یا عدم عرضه در فصل) و بسته بودن فروشگاه ها به دلیل تعطیلات برنامه ریزی شده یا محدودیت های خارجی (مانند تعطیلی منطقه ای یا ملی یا کار ساخت و ساز) را شناسایی کرد. مقادیر از دست رفته با 0 جایگزین شدند و رگرسیورها یا پرچم های مناسب به مدل اضافه شدند تا مدل بتواند از این موضوع برای هر گونه رویداد آینده درس بگیرد.

درمان پرت

این تیم موارد پرت را در دقیق‌ترین سطح صورت‌حساب مورد بررسی قرار داد، که تضمین می‌کرد عواملی مانند انحلال، خرید عمده (B2B) و کیفیت بد در نظر گرفته شوند. به عنوان مثال، درمان در سطح صورتحساب ممکن است شامل مشاهده KPI برای هر ترکیب فروشگاه-SKU در سطح روز باشد، مانند نمودار زیر.

سپس می‌توانیم تاریخ‌هایی را که در آن مقادیر غیرطبیعی بالا فروخته می‌شوند، به‌عنوان نقاط پرت علامت‌گذاری کنیم و عمیق‌تر در آن نقاط پرت شناسایی شده فرو برویم. تجزیه و تحلیل بیشتر نشان می دهد که این موارد دور افتاده، خریدهای سازمانی از پیش برنامه ریزی شده هستند.

سپس این مقادیر پرت در سطح صورتحساب با حداکثر مقدار فروش برای آن تاریخ محدود می شود. نمودارهای زیر تفاوت تقاضا در سطح صورتحساب را نشان می دهد.

فرآیند پیش بینی

این تیم تکنیک‌های پیش‌بینی متعددی مانند مدل‌های سری زمانی، مدل‌های مبتنی بر رگرسیون و مدل‌های یادگیری عمیق را قبل از انتخاب Forecast آزمایش کردند. دلیل اصلی انتخاب Forecast تفاوت در عملکرد هنگام مقایسه دقت پیش‌بینی در سطل XY با سطل Z بود که پیش‌بینی سخت‌ترین آن بود. اگرچه اکثر تکنیک‌های مرسوم دقت بالاتری را در سطل XY ارائه می‌دهند، تنها الگوریتم‌های ML در Forecast دقت افزایشی 10% را در مقایسه با مدل‌های دیگر ارائه می‌کنند. این در درجه اول به دلیل توانایی Forecast برای یادگیری سایر الگوهای SKU (XY) و اعمال این یادگیری ها در موارد بسیار فرار در سطل Z بود. از طریق AutoML، الگوریتم Forecast DeepAR+ برنده شد و به عنوان مدل پیش‌بینی انتخاب شد.

تکرار برای بهبود بیشتر دقت پیش‌بینی

پس از اینکه تیم Deep AR+ را به عنوان الگوریتم برنده شناسایی کرد، چندین آزمایش را با ویژگی‌های اضافی برای بهبود بیشتر دقت انجام داد. آن‌ها تکرارهای متعددی را روی یک مجموعه نمونه کوچک‌تر با ترکیب‌های مختلف مانند داده‌های سری زمانی هدف خالص (با و بدون درمان پرت)، پس‌رونده‌هایی مانند جشنواره‌ها یا تعطیلی فروشگاه‌ها، و ابرداده‌های کالای فروشگاه (سلسله مراتب فروشگاه-اقلام) انجام دادند تا بهترین ترکیب را درک کنند. بهبود دقت پیش بینی ترکیبی از سری‌های زمانی هدف درمان‌شده پرت به همراه ابرداده‌های آیتم‌های ذخیره‌سازی و رگرسیون‌ها بالاترین دقت را برمی‌گرداند. برای دریافت پیش‌بینی نهایی، این به مجموعه اصلی 6,230 ترکیبی فروشگاه-SKU کاهش یافت.

محاسبه مقدار سفارش

پس از اینکه تیم مدل پیش‌بینی را توسعه داد، گام بعدی بلافاصله استفاده از آن برای تصمیم‌گیری میزان موجودی برای خرید و ثبت سفارش بود. تولید سفارش تحت تأثیر تقاضای پیش‌بینی‌شده، موجودی فعلی موجود و سایر عوامل مرتبط در فروشگاه است.

فرمول زیر به عنوان مبنایی برای طراحی ساختار سفارش عمل کرد.

این تیم همچنین سایر پارامترهای تنظیم تورفتگی را برای سیستم سفارش خودکار در نظر گرفت، مانند حداقل مقدار سفارش، ضریب واحد خدمات، حداقل انبار بسته شدن، حداقل موجودی نمایش (بر اساس پلانوگرام)، و تنظیم نرخ پر کردن، در نتیجه شکاف بین ماشین و انسان را پر کرد. هوش

سناریوهای کم پیش بینی و بیش از حد پیش بینی را متعادل کنید

برای بهینه سازی هزینه خروجی انقباض با هزینه های موجودی و فروش از دست رفته، تیم از ویژگی کمیت های پیش بینی برای انتقال پاسخ پیش بینی از مدل استفاده کرد.

در طراحی مدل، سه پیش‌بینی در چندک‌های p40، p50 و p60 ایجاد شد که p50 چندک پایه بود. انتخاب چندک ها بر اساس موجودی و هدر رفت در فروشگاه ها در گذشته نه چندان دور برنامه ریزی شده بود. به عنوان مثال، اگر یک ترکیب فروشگاه-SKU خاص در 3 روز گذشته با کمبود مداوم مواجه شود، به طور خودکار چندک های بالاتر انتخاب می شوند، و اگر فروشگاه-SKU شاهد هدر رفتن زیاد بوده باشد، به طور خودکار چندک های پایین تر انتخاب می شوند. کوانتوم افزایش و کاهش چندک ها بر اساس میزان ذخیره یا انقباض در فروشگاه بود.

ثبت سفارش خودکار از طریق Oracle ERP

MRL سیستم‌های Forecast و سفارش تورفتگی را با ادغام آنها با سیستم ERP Oracle، که MRL برای سفارش‌دهی استفاده می‌کند، در تولید به کار برد. نمودار زیر معماری نهایی را نشان می دهد.

برای استقرار سیستم سفارش در تولید، تمام داده های MRL به AWS منتقل شدند. این تیم مشاغل ETL را برای جابجایی جداول زنده راه اندازی کرد آمازون Redshift (انبار داده برای کار هوش تجاری)، بنابراین آمازون Redshift به منبع واحد ورودی برای پردازش تمام داده‌ها در آینده تبدیل شد.

کل معماری داده به دو بخش تقسیم شد:

• موتور پیش بینی:
  • داده‌های تقاضای تاریخی استفاده شده (تاخیر تقاضای ۱ روزه) موجود در Amazon Redshift
  • سایر ورودی‌های رگرسیون مانند آخرین زمان صورت‌حساب، قیمت و جشنواره‌ها در Amazon Redshift حفظ شدند
  • An ابر محاسبه الاستیک آمازون نمونه (Amazon EC2) با اسکریپت‌های پایتون سفارشی‌سازی شده برای به چالش کشیدن تراکنش‌ها، رگرسیورها و سایر ابرداده‌ها راه‌اندازی شد.
  • پس از کشمکش داده ها، داده ها به یک منتقل شدند سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) برای ایجاد پیش‌بینی (پیش‌بینی T+2 برای همه ترکیب‌های فروشگاه-SKU)
  • خروجی پیش بینی نهایی در یک پوشه جداگانه در یک سطل S3 ذخیره شد
• موتور سفارش (تورفتگی):
  • تمام داده‌های مورد نیاز برای تبدیل پیش‌بینی‌ها به سفارش‌ها (مانند موجودی موجود، دریافتی به مقدار فروشگاه، ۲ روز گذشته سفارش‌های ثبت‌شده برای دریافت، ضریب واحد خدمات و حداقل سهام باز و بسته مبتنی بر پلانوگرام) در Amazon Redshift ذخیره و نگهداری می‌شوند.
  • مقدار سفارش از طریق اسکریپت های پایتون اجرا شده بر روی نمونه های EC2 محاسبه شد
  • سپس سفارشات به سیستم ERP Oracle منتقل شد که سفارشی را به فروشندگان می داد

کل سیستم سفارش به چند بخش کلیدی جدا شد. این تیم اعلان‌های ایمیل زمان‌بندی Apache Airflow را برای هر فرآیند تنظیم کرد تا در صورت تکمیل یا شکست موفقیت‌آمیز به ذینفعان مربوطه اطلاع دهد تا بتوانند اقدام فوری انجام دهند. سپس سفارشات ارسال شده از طریق سیستم ERP به جداول Amazon Redshift برای محاسبه سفارشات روزهای بعد منتقل شدند. سهولت ادغام بین سیستم‌های AWS و ERP منجر به یک سیستم سفارش‌دهی خودکار کامل سرتاسر و بدون دخالت انسان شد.

نتیجه

یک رویکرد مبتنی بر ML قدرت واقعی داده‌ها را برای MRL باز کرد. با Forecast، در مقابل بیش از 1,000 مدل سنتی که استفاده می کردیم، دو مدل ملی برای قالب های فروشگاهی مختلف ایجاد کردیم.

Forecast همچنین در سری های زمانی یاد می گیرد. الگوریتم‌های ML در Forecast یادگیری متقابل بین ترکیب‌های store-SKU را فعال می‌کنند که به بهبود دقت پیش‌بینی کمک می‌کند.

علاوه بر این، Forecast به شما امکان می‌دهد سری‌های زمانی مرتبط و ابرداده‌های اقلام را اضافه کنید، مانند مشتریانی که سیگنال‌های تقاضا را بر اساس ترکیبی از اقلام در سبد خود ارسال می‌کنند. پیش بینی تمام اطلاعات تقاضای ورودی را در نظر می گیرد و به یک مدل واحد می رسد. برخلاف مدل‌های مرسوم، که در آن افزودن متغیرها منجر به تطبیق بیش‌ازحد می‌شود، پیش‌بینی مدل را غنی می‌کند و پیش‌بینی‌های دقیقی را بر اساس زمینه کسب‌وکار ارائه می‌دهد. MRL این توانایی را به دست آورد که محصولات را بر اساس عواملی مانند ماندگاری، تبلیغات، قیمت، نوع فروشگاه، خوشه مرفه، فروشگاه رقابتی و ظرفیت فروشگاه ها دسته بندی کند. توصیه می کنیم برای بهبود عملیات زنجیره تامین خود، Amazon Forecast را امتحان کنید. می توانید درباره پیش بینی آمازون بیشتر بدانید اینجا کلیک نمایید. برای کسب اطلاعات بیشتر در مورد گانیت و راه حل های ما، تماس بگیرید info@ganitinc.com برای کسب اطلاعات بیشتر.

مطالب و نظرات این پست متعلق به نویسنده شخص ثالث است و AWS مسئولیتی در قبال محتوا یا صحت این پست ندارد.

---

درباره نویسنده

 سوپراتیم بانرجی هست مدیر ارشد تحول at خرده فروشی بیشتر محدود شده. او یک متخصص با تجربه با سابقه کار در صنایع سرمایه گذاری خطرپذیر و سهام خصوصی است. او مشاور KPMG بود و با سازمان هایی مانند AT Kearney و India Equity Partners کار می کرد. او دارای مدرک MBA متمرکز بر امور مالی، ژنرال از دانشکده بازرگانی هند، حیدرآباد است.

شیواپراساد KT هست بنیانگذار و مدیر عامل at شرکت گانیت او دارای بیش از 17 سال تجربه در ارائه تاثیرات بالا و پایین با استفاده از علم داده در ایالات متحده، استرالیا، آسیا و هند است. او به CXO ها در شرکت هایی مانند Walmart، Sam's Club، Pfizer، Staples، Coles، Lenovo و Citibank مشاوره داده است. او دارای مدرک MBA از SP Jain، بمبئی، و مدرک لیسانس مهندسی از NITK Surathkal است.

گاوراو اچ کانکاریا هست دانشمند ارشد داده at شرکت گانیت او بیش از 6 سال تجربه در طراحی و اجرای راه حل هایی برای کمک به سازمان ها در حوزه های خرده فروشی، CPG و BFSI در تصمیم گیری های داده محور دارد. او دارای مدرک لیسانس از دانشگاه VIT، Vellore است.

منبع: https://aws.amazon.com/blogs/machine-learning/from-forecasting-demand-to-ordering-an-automated-machine-learning-proach-with-amazon-forecast-to-decrease-stock- مازاد-موجودی-و-هزینه/