Tämä viesti on Supratim Banerjeen (More Retail Limited), Shivaprasad KT: n ja Gaanav H Kankarian (Ganit Inc.) vieraileva yhteistyö.
More Retail Ltd. (MRL) on yksi Intian neljästä suurimmasta päivittäistavarakaupasta, jonka liikevaihto on useita miljardeja dollareita. Sillä on 22 hypermarketista ja 624 supermarketista koostuva myymäläverkosto kaikkialla Intiassa, jota tukee 13 jakelukeskuksen, 7 hedelmien ja vihannesten keräyskeskuksen ja 6 niittien jalostuskeskuksen toimitusketju.
Tällaisen suuren verkon myötä MRL: lle on ratkaisevan tärkeää tuottaa oikea tuotteen laatu oikeaan taloudelliseen arvoon, samalla kun se vastaa asiakkaiden kysyntään ja pitää toimintakustannukset minimissä. MRL teki yhteistyötä Ganitin kanssa tekoälyn analyysikumppanina ennustamaan kysyntää tarkemmin ja rakentamaan automaattisen tilausjärjestelmän, jotta kaupan johtajien manuaalisen arvioinnin pullonkaulat ja puutteet voidaan voittaa. MRL käytetty Amazonin sääennuste lisätä ennustetarkkuutta 24 prosentista 76 prosenttiin, mikä johtaa tuhlauksen vähenemiseen jopa 30 prosentilla tuoretuoteryhmässä, parantamalla varastojen määrää 80 prosentista 90 prosenttiin ja lisäämällä bruttovoittoa 25 prosentilla.
Onnistuimme saavuttamaan nämä liiketoiminnan tulokset ja rakentamaan automaattisen tilausjärjestelmän kahdesta ensisijaisesta syystä:
- Kyky kokeilla - Forecast tarjoaa joustavan ja modulaarisen alustan, jonka kautta teimme yli 200 kokeilua erilaisilla regresoreilla ja tyyppisillä malleilla, joihin sisältyi sekä perinteisiä että ML-malleja. Tiimi noudatti Kaizen-lähestymistapaa, oppimalla aiemmin epäonnistuneista malleista ja ottamalla käyttöön malleja vasta, kun ne olivat onnistuneita. Kokeilua jatkettiin puolella, kun voittavia malleja otettiin käyttöön.
- Muutoksen hallinta - Pyysimme luokkaan omistajia, jotka olivat tottuneet tekemään tilauksia liiketoiminnan harkinnan perusteella, luottamaan ML-pohjaiseen tilausjärjestelmään. Systeemisellä hyväksymissuunnitelmalla varmistettiin, että työkalun tulokset tallennettiin ja että työkalua käytettiin kurinpidollisella poljinnopeudella, jotta täytetyt ja nykyiset varastot tunnistettiin ja tallennettiin ajoissa.
Tuoreiden tuotteiden luokan ennustamisen monimutkaisuus
Tuoreiden tuotteiden kysynnän ennustaminen on haastavaa, koska tuoreilla tuotteilla on lyhyt säilyvyysaika. Yliennusteiden avulla myymälät myyvät vanhentuneita tai kypsyneitä tuotteita tai heittävät suurimman osan varastostaan (kutsutaan nimellä kutistuminen). Jos tuotteita ei ennakoida riittävästi, ne saattavat olla loppu varastossa, mikä vaikuttaa asiakaskokemukseen. Asiakkaat voivat hylätä ostoskorinsa, jos he eivät löydä avainsanoja ostoslistastaan, koska he eivät halua odottaa kassalle vain muutamia tuotteita. Tämän monimutkaisuuden lisäämiseksi MRL: llä on useita SKU: ta yli 600 supermarketissa, mikä johtaa yli 6,000 myymälän ja SKU: n yhdistelmään.
Vuoden 2019 loppuun mennessä MRL käytti perinteisiä tilastollisia menetelmiä ennustemallien luomiseen jokaiselle myymälä-SKU-yhdistelmälle, mikä johti jopa 40 prosentin tarkkuuteen. Ennusteita ylläpidettiin useilla yksittäisillä malleilla, mikä teki siitä laskennallisesti ja toiminnallisesti kallista.
Kysynnän ennustaminen tilauksen tekemiseen
Vuoden 2020 alussa MRL ja Ganit alkoivat yhdessä parantaa edelleen tuoreiden hedelmien ja vihannesten (F&V) luokan ennustamisen tarkkuutta ja vähentää kutistumista.
Ganit neuvoi MRL: tä jakamaan ongelmansa kahteen osaan:
- Ennuste kysyntä jokaiselle myymälä-SKU-yhdistelmälle
- Laske tilausmäärä (sisennykset)
Seuraavassa käsitellään tarkemmin kutakin näkökohtaa.
Ennustekysyntä
Tässä osiossa käsitellään kysynnän ennustamisen vaiheita jokaiselle myymälä-SKU-yhdistelmälle.
Ymmärrä kysynnän ajurit
Ganitin tiimi aloitti matkansa ymmärtämällä ensin tekijät, jotka ohjaivat kysyntää myymälöissä. Tähän sisältyi useita paikallisia myymäläkäyntejä, keskusteluja luokanjohtajien kanssa ja poljentapaamisia supermarketin toimitusjohtajan kanssa yhdistettynä Ganitin omaan sisäiseen ennusteosaamiseen useista muista näkökohdista, kuten kausiluonteisuudesta, varastoinnista, sosioekonomisista ja makrotaloudellisista tekijöistä .
Myymäläkäyntien jälkeen muotoiltiin noin 80 hypoteesia useista tekijöistä tutkimaan niiden vaikutusta hedelmien ja vihannesten kysyntään. Tiimi suoritti kattavan hypoteesitestauksen käyttämällä tekniikoita, kuten korrelaatio-, kaksimuuttuja- ja yksimuuttujaanalyysejä sekä tilastollisia merkitsevyystestejä (Studentin t-testi, Z-testit) kysynnän ja asiaankuuluvien tekijöiden, kuten festivaalien päivämäärät, sää, ylennykset ja monet muut, välillä. .
Tietojen segmentointi
Tiimi korosti sellaisen rakeisen mallin kehittämistä, joka voisi ennustaa tarkasti myymälä-SKU-yhdistelmän jokaiselle päivälle. Yhdistelmä myyntimahdollisuuksista ja ennustamisen helppoudesta rakennettiin ABC-XYZ-kehykseksi, jossa ABC ilmoitti myyntimahdollisuuden (A oli suurin) ja XYZ osoitti ennustamisen helppouden (Z on pienin). Mallinrakennuksessa keskityttiin ensin myymälä-SKU-yhdistelmiin, joilla oli suuri vaikutus myyntiin ja joiden ennustaminen oli vaikeinta. Tämä tehtiin sen varmistamiseksi, että ennustetarkkuuden parantamisella on mahdollisimman suuri vaikutus liiketoimintaan.
Tietojen käsittely
MRL: n transaktiotiedot jäsenneltiin tavallisten myyntipisteiden tapaan, kentillä kuten matkapuhelinnumero, laskun numero, tuotekoodi, myymäläkoodi, päivämäärä, laskun määrä, toteutunut arvo ja alennusarvo. Tiimi käytti päivittäisiä tapahtumadataa viimeisten kahden vuoden ajan mallin rakentamiseen. Historiallisten tietojen analysointi auttoi tunnistamaan kaksi haastetta:
- Lukuisten puuttuvien arvojen esiintyminen
- Joidenkin päivien myynti laskuissa oli erittäin korkeaa tai matalaa, mikä osoitti poikkeamien esiintyvän tiedoissa
Puuttuva arvohoito
Sukellat syvälle puuttuviin arvoihin tunnistetuista syistä, kuten varastossa ei ole varastossa (ei tarvetta tai ei kaudella) ja myymälöiden sulkeminen suunnitellun loman tai ulkoisten rajoitusten (kuten alueellisen tai kansallisen sulkemisen tai rakennustöiden) vuoksi. Puuttuvat arvot korvattiin 0: lla, ja malliin lisättiin asianmukaiset regressorit tai liput, jotta malli voisi oppia tästä mahdollisista tulevista tapahtumista.
Poikkeuksellinen hoito
Tiimi kohteli poikkeavuuksia kaikkein tarkimmalla laskutasolla, mikä varmisti, että selvitystilaan, irtotavarahankintaan (B2B) ja huonoon laatuun liittyvät tekijät otettiin huomioon. Esimerkiksi laskutasotasoinen käsittely voi sisältää KPI: n tarkkailun jokaiselle myymälä-SKU-yhdistelmälle päivätasolla, kuten seuraavassa kaaviossa.
Voimme sitten merkitä päivämäärät, jolloin poikkeuksellisen suuria määriä myydään poikkeavina, ja sukeltaa syvemmälle tunnistettuihin poikkeamiin. Lisäanalyysi osoittaa, että nämä poikkeamat ovat ennalta suunniteltuja institutionaalisia ostoja.
Nämä laskutason poikkeamat rajoitetaan sitten kyseisen päivän enimmäismyyntimäärällä. Seuraavat kaaviot esittävät laskutason kysynnän eron.
Ennustamisprosessi
Tiimi testasi useita ennustustekniikoita, kuten aikasarjamallit, regressiopohjaiset mallit ja syvälliset oppimismallit, ennen kuin valitset ennusteen. Ensisijainen syy ennusteen valitsemiseen oli suorituskyvyn ero verrattaessa XY-kauhan ennustetarkkuuksia Z-kauhaan, mikä oli vaikeimmin ennustettavissa. Vaikka useimmat tavanomaiset tekniikat tarjosivat suurempia tarkkuuksia XY-ämpäriin, vain Forecastin ML-algoritmit antoivat 10%: n inkrementtitarkkuuden muihin malleihin verrattuna. Tämä johtui pääasiassa Forecastin kyvystä oppia muita SKU (XY) -malleja ja soveltaa näitä oppia Z-ämpärin erittäin epävakaisiin kohteisiin. AutoML: n kautta voitti ja ennustemalliksi valittiin Forecast DeepAR + -algoritmi.
Toistuminen ennustustarkkuuden parantamiseksi edelleen
Kun tiimi tunnisti Deep AR +: n voittavaksi algoritmiksi, he tekivät useita kokeita lisäominaisuuksilla tarkkuuden parantamiseksi edelleen. He tekivät useita iteraatioita pienemmälle otosjoukolle erilaisilla yhdistelmillä, kuten puhtaalla tavoiteaikasarjan tiedolla (ulkopuolisella käsittelyllä ja ilman), regressoreilla, kuten festivaaleilla tai myymälöiden sulkemisilla, ja myymäläkohtaisilla metatiedoilla (myymäläerien hierarkia) ymmärtääkseen parhaan yhdistelmän ennusteen tarkkuuden parantaminen. Korkeimmin käsitelty kohde-aikasarja yhdessä myymäläkohtaisten metatietojen ja regresorien kanssa tuotti suurimman tarkkuuden. Tämä skaalattiin takaisin alkuperäiseen 6,230 myymälä-SKU-yhdistelmään lopullisen ennusteen saamiseksi.
Tilausmäärän laskenta
Kun tiimi oli kehittänyt ennustemallin, välitön seuraava askel oli käyttää sitä päättää, kuinka paljon varastoa ostaa ja tehdä tilauksia. Tilausten syntymiseen vaikuttavat ennustettu kysyntä, käytettävissä olevat varastot ja muut merkitykselliset myymäläkohtaiset tekijät.
Seuraava kaava toimi perustana tilausrakenteen suunnittelulle.
Ryhmä otti huomioon myös muut automaattisen tilausjärjestelmän sisennyksen säätöparametrit, kuten vähimmäistilausmäärä, palveluyksikkökerroin, vähimmäisvarastomäärä, vähimmäisnäyttövarasto (planogrammin perusteella) ja täyttömäärän säätö, mikä kaventaa koneen ja ihmisen välistä kuilua älykkyys.
Saldo ali- ja yliarvioidut skenaariot
Kutistumisen tuotantokustannusten optimoimiseksi varastojen ja menetetyn myynnin kustannusten avulla joukkue käytti ennusteen kvantiileja ominaisuutta siirtääkseen ennustevastauksen mallista.
Mallisuunnittelussa generoitiin kolme ennustetta p40-, p50- ja p60-kvantiileille, kun p50 on peruskvantiili. Kvantiilien valinta oli ohjelmoitu perustumaan viime aikoina myymälöissä oleviin varastoihin ja hukkaan. Esimerkiksi korkeammat kvantiilit valittiin automaattisesti, jos tietty myymälä-SKU-yhdistelmä kohdisti jatkuvia varastoja viimeisten 3 päivän aikana, ja alemmat kvantiilit valittiin automaattisesti, jos myymälä-SKU oli kokenut suuren tuhlauksen. Kasvavien ja laskevien kvantiilien kvantti perustui varaston tai kutistumisen suuruuteen myymälässä.
Automatisoitu tilausten tekeminen Oracle ERP: n kautta
MRL otti käyttöön ennusteen ja luetelmakohtaiset tilausjärjestelmät tuotannossa integroimalla ne Oraclen ERP-järjestelmään, jota MRL käyttää tilausten tekemiseen. Seuraava kaavio kuvaa lopullista arkkitehtuuria.
Tilausjärjestelmän käyttöönottamiseksi tuotantoon kaikki MRL-tiedot siirrettiin AWS: ään. Tiimi perusti ETL-työpaikkoja siirtämään live-pöytiä Amazonin punainen siirto (tietovarasto liiketoimintatiedoille), joten Amazon Redshiftistä tuli ainoa tulolähde kaikkialle tietojenkäsittelylle.
Koko tietoarkkitehtuuri jaettiin kahteen osaan:
- Ennustava moottori:
- Käytetyt historialliset kyselytiedot (yhden päivän kysyntäviive), jotka ovat läsnä Amazon Redshiftissä
- Muita regressorien panoksia, kuten viimeinen laskutusaika, hinta ja festivaalit, ylläpidettiin Amazon Redshiftissä
- An Amazonin elastinen laskentapilvi (Amazon EC2) -esiintymä määritettiin räätälöityillä Python-komentosarjoilla tapahtumien, regresorien ja muiden metatietojen sekoittamiseksi
- Datan jälkeinen kiistely, data siirrettiin Amazonin yksinkertainen tallennuspalvelu (Amazon S3) -sarja ennusteiden luomiseen (T + 2 -ennusteet kaikille myymälä-SKU-yhdistelmille)
- Lopullinen ennustetulos tallennettiin erilliseen kansioon S3-ämpäriin
- Tilaa (luetelmakohta) moottori:
- Kaikki tiedot, joita tarvitaan ennusteiden muuntamiseen tilauksiksi (kuten varastossa oleva määrä, vastaanotettu varastomäärä, viimeiset 2 päivää vastaanotettujen tilausten määrä, palveluyksikkökerroin ja planogrammiin perustuva vähimmäisavaus- ja sulkuvarasto), tallennettiin ja ylläpidettiin Amazon Redshiftissä
- Tilausmäärä laskettiin Python-komentosarjojen avulla, jotka suoritettiin EC2-ilmentymillä
- Tilaukset siirrettiin sitten Oraclen ERP-järjestelmään, joka teki tilauksen toimittajille
Koko tilausjärjestelmä erotettiin useista avainsegmenteistä. Ryhmä asetti Apache Airflow'n ajoittajat sähköposti-ilmoitukset kustakin prosessista ilmoittamaan sidosryhmille onnistuneesta valmistumisesta tai epäonnistumisesta, jotta he voisivat ryhtyä välittömiin toimiin. ERP-järjestelmän kautta tehdyt tilaukset siirrettiin sitten Amazon Redshift -taulukoihin seuraavien päivien tilausten laskemiseksi. Helppo integrointi AWS- ja ERP-järjestelmien välillä johti täydelliseen automaattiseen tilausjärjestelmään ilman ihmisen toimintaa.
Yhteenveto
ML-pohjainen lähestymistapa avasi MRL-tietojen todellisen voiman. Forecastilla loimme kaksi kansallista mallia eri myymälämodeille, toisin kuin yli 1,000 perinteistä mallia, joita olimme käyttäneet.
Ennuste oppii myös aikasarjoissa. Ennusteen ML-algoritmit mahdollistavat ristiinoppimisen kauppa-SKU-yhdistelmien välillä, mikä auttaa parantamaan ennusteiden tarkkuutta.
Lisäksi ennusteiden avulla voit lisätä aiheeseen liittyviä aikasarjoja ja tuotteiden metatietoja, kuten asiakkaita, jotka lähettävät kysyntäsignaaleja korissa olevien tuotteiden yhdistelmän perusteella. Ennuste ottaa huomioon kaikki tulevat kyselytiedot ja saa yhden mallin. Toisin kuin perinteisissä malleissa, joissa muuttujien lisääminen johtaa yliasentoon, ennuste rikastaa mallia ja tarjoaa tarkat ennusteet liiketoimintaympäristön perusteella. MRL sai kyvyn luokitella tuotteet sellaisten tekijöiden perusteella kuin säilyvyys, tarjoukset, hinta, myymälätyyppi, varakkaat klusterit, kilpailukykyiset myymälät ja myymälöiden läpimeno. Suosittelemme, että kokeilet Amazon Forecastia toimitusketjun toiminnan parantamiseksi. Voit oppia lisää Amazon Forecastista tätä. Jos haluat lisätietoja Ganitista ja ratkaisuistamme, ota yhteyttä osoitteeseen info@ganitinc.com lisätietoja.
Tämän viestin sisältö ja mielipiteet ovat kolmannen osapuolen kirjoittajan omia, eikä AWS ole vastuussa tämän viestin sisällöstä tai oikeellisuudesta.
Tietoja Tekijät
Supratim Banerjee on Muutosjohtaja at Lisää vähittäiskauppaa Rajoitettu. Hän on kokenut ammattilainen, jolla on todistettu historia työskentelystä pääomasijoitus- ja pääomasijoitusteollisuudessa. Hän oli konsultti KPMG: ssä ja työskenteli sellaisten organisaatioiden kanssa kuin AT Kearney ja India Equity Partners. Hänellä on MBA-tutkinto, joka on keskittynyt finanssiin, Intian kauppakorkeakoulusta, Hyderabadista.
Shivaprasad KT on Perustaja ja toimitusjohtaja at Ganit Inc. Hänellä on yli 17 vuoden kokemus ylimmän ja viimeisimmän vaikutuksen tuottamisesta datatieteen avulla Yhdysvalloissa, Australiassa, Aasiassa ja Intiassa. Hän on neuvonut CXO: ta sellaisissa yrityksissä kuin Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo ja Citibank. Hänellä on MBA-tutkinto SP Jainista, Mumbai, ja kandidaatin tutkinto tekniikasta NITK Surathkalilta.
Gaurav H Kankaria on Vanhempi tietotekijä at Ganit Inc. Hänellä on yli 6 vuoden kokemus sellaisten ratkaisujen suunnittelusta ja toteuttamisesta, jotka auttavat organisaatioita vähittäiskaupan, CPG: n ja BFSI: n aloilla tekemään dataan perustuvia päätöksiä. Hänellä on kandidaatin tutkinto VITORen yliopistossa Velloressa.
