Cet article est une collaboration entre Supratim Banerjee de More Retail Limited et Shivaprasad KT et Gaurav H Kankaria de Ganit Inc.
More Retail Ltd. (MRL) est l'un des quatre principaux détaillants en alimentation en Inde, avec un chiffre d'affaires de l'ordre de plusieurs milliards de dollars. Il dispose d'un réseau de 22 hypermarchés et 624 supermarchés à travers l'Inde, soutenu par une chaîne d'approvisionnement de 13 centres de distribution, 7 centres de collecte de fruits et légumes et 6 centres de transformation de produits de base.
Avec un réseau aussi vaste, il est essentiel pour MRL de fournir la bonne qualité de produit à la bonne valeur économique, tout en répondant à la demande des clients et en minimisant les coûts d'exploitation. MRL a collaboré avec Ganit en tant que partenaire d'analyse de l'IA pour prévoir la demande avec une plus grande précision et créer un système de commande automatisé pour surmonter les goulots d'étranglement et les lacunes du jugement manuel des gérants de magasin. LMR utilisée Prévisions Amazon d'augmenter leur précision de prévision de 24% à 76%, ce qui entraîne une réduction du gaspillage jusqu'à 30% dans la catégorie des produits frais, une amélioration des taux de stock de 80% à 90% et une augmentation de la marge brute de 25%.
Nous avons réussi à atteindre ces résultats commerciaux et à créer un système de commande automatisé pour deux raisons principales:
- Capacité à expérimenter - Forecast fournit une plate-forme flexible et modulaire à travers laquelle nous avons effectué plus de 200 expériences en utilisant différents régresseurs et types de modèles, qui comprenaient à la fois des modèles traditionnels et ML. L'équipe a suivi une approche Kaizen, tirant les leçons de modèles précédemment infructueux et ne déployant des modèles que lorsqu'ils ont réussi. L'expérimentation s'est poursuivie en parallèle tandis que les modèles gagnants étaient déployés.
- Gestion du changement - Nous avons demandé aux propriétaires de catégories habitués à passer des commandes en utilisant le jugement commercial de faire confiance au système de commande basé sur le ML. Un plan d'adoption systémique garantissait que les résultats de l'outil étaient stockés, et l'outil était utilisé avec une cadence disciplinée, de sorte que le stock rempli et actuel était identifié et enregistré à temps.
Complexité de la prévision de la catégorie des produits frais
Il est difficile de prévoir la demande pour la catégorie des produits frais car les produits frais ont une courte durée de conservation. Avec la sur-prévision, les magasins finissent par vendre des produits périmés ou trop mûrs, ou jettent la majeure partie de leur inventaire (appelé rétrécissement). S'ils sont sous-estimés, les produits peuvent être en rupture de stock, ce qui affecte l'expérience client. Les clients peuvent abandonner leur panier s'ils ne trouvent pas d'articles clés dans leur liste de courses, car ils ne veulent pas attendre dans les files d'attente pour une poignée de produits. Pour ajouter à cette complexité, MRL a de nombreux SKU dans ses plus de 600 supermarchés, conduisant à plus de 6,000 combinaisons magasin-SKU.
À la fin de 2019, MRL utilisait des méthodes statistiques traditionnelles pour créer des modèles de prévision pour chaque combinaison magasin-SKU, ce qui a abouti à une précision aussi basse que 40%. Les prévisions ont été maintenues au moyen de plusieurs modèles individuels, ce qui les rend coûteuses en calcul et en opération.
Prévision de la demande pour le placement de la commande
Début 2020, MRL et Ganit ont commencé à travailler ensemble pour améliorer encore la précision des prévisions de la catégorie des produits frais, connue sous le nom de fruits et légumes (F&V), et réduire le rétrécissement.
Ganit a conseillé à MRL de diviser son problème en deux parties:
- Prévoir la demande pour chaque combinaison magasin-SKU
- Calculer la quantité de commande (retraits)
Nous allons plus en détail sur chaque aspect dans les sections suivantes.
Demande prévue
Dans cette section, nous abordons les étapes de prévision de la demande pour chaque combinaison magasin-SKU.
Comprendre les moteurs de la demande
L'équipe de Ganit a commencé son voyage en comprenant d'abord les facteurs qui ont stimulé la demande dans les magasins. Cela comprenait de multiples visites en magasin sur place, des discussions avec les responsables de catégorie et des réunions de cadence avec le PDG du supermarché, associées à l'expertise interne de Ganit en matière de prévisions sur plusieurs autres aspects tels que la saisonnalité, la rupture de stock, les facteurs socio-économiques et macro-économiques .
Après les visites en magasin, environ 80 hypothèses sur plusieurs facteurs ont été formulées pour étudier leur impact sur la demande de F&V. L'équipe a effectué des tests d'hypothèses complets à l'aide de techniques telles que la corrélation, l'analyse bivariée et univariée et des tests de signification statistique (test t de Student, tests Z) pour établir la relation entre la demande et les facteurs pertinents tels que les dates du festival, la météo, les promotions et bien d'autres. .
Segmentation des données
L'équipe a mis l'accent sur le développement d'un modèle granulaire capable de prévoir avec précision une combinaison magasin-SKU pour chaque jour. Une combinaison de la contribution des ventes et de la facilité de prédiction a été construite sous la forme d'un cadre ABC-XYZ, ABC indiquant la contribution aux ventes (A étant le plus élevé) et XYZ indiquant la facilité de prédiction (Z étant le plus bas). Pour la construction de modèles, la première priorité était les combinaisons magasin-SKU qui avaient une forte contribution aux ventes et étaient les plus difficiles à prévoir. Cela a été fait pour garantir que l'amélioration de la précision des prévisions a un impact commercial maximal.
Traitement des données
Les données de transaction de MRL étaient structurées comme des données de point de vente conventionnelles, avec des champs tels que le numéro de téléphone portable, le numéro de facture, le code article, le code magasin, la date, la quantité de facture, la valeur réalisée et la valeur de la remise. L'équipe a utilisé les données transactionnelles quotidiennes des 2 dernières années pour la construction de modèles. L'analyse des données historiques a permis d'identifier deux défis:
- La présence de nombreuses valeurs manquantes
- Certains jours avaient des ventes extrêmement élevées ou faibles au niveau des factures, ce qui indiquait la présence de valeurs aberrantes dans les données
Traitement des valeurs manquantes
Une analyse approfondie des valeurs manquantes a permis d'identifier des raisons telles que l'absence de stock disponible dans le magasin (pas d'approvisionnement ou pas en saison) et la fermeture des magasins en raison de vacances planifiées ou de contraintes externes (comme un arrêt régional ou national, ou des travaux de construction). Les valeurs manquantes ont été remplacées par 0, et des régresseurs ou indicateurs appropriés ont été ajoutés au modèle afin que le modèle puisse en tirer des leçons pour de tels événements futurs.
Traitement des valeurs aberrantes
L'équipe a traité les valeurs aberrantes au niveau de facturation le plus granulaire, ce qui a permis de prendre en compte des facteurs tels que la liquidation, les achats en gros (B2B) et la mauvaise qualité. Par exemple, le traitement au niveau de la facture peut inclure l'observation d'un indicateur de performance clé pour chaque combinaison magasin-SKU au niveau du jour, comme dans le graphique suivant.
Nous pouvons alors signaler les dates auxquelles des quantités anormalement élevées sont vendues comme des valeurs aberrantes, et plonger plus profondément dans ces valeurs aberrantes identifiées. Une analyse plus approfondie montre que ces valeurs aberrantes sont des achats institutionnels pré-planifiés.
Ces valeurs aberrantes au niveau de la facturation sont ensuite plafonnées à la quantité de vente maximale pour cette date. Les graphiques suivants montrent la différence de la demande au niveau de la facture.
Processus de prévision
L'équipe a testé plusieurs techniques de prévision telles que des modèles de séries chronologiques, des modèles basés sur la régression et des modèles d'apprentissage en profondeur avant de choisir Forecast. La principale raison du choix de Forecast était la différence de performances lors de la comparaison des précisions des prévisions dans le bucket XY et le bucket Z, qui était le plus difficile à prévoir. Bien que la plupart des techniques conventionnelles aient fourni des précisions plus élevées dans le compartiment XY, seuls les algorithmes ML de Forecast ont fourni une précision incrémentielle de 10% par rapport aux autres modèles. Cela était principalement dû à la capacité de Forecast à apprendre d'autres modèles de SKU (XY) et à appliquer ces apprentissages à des éléments très volatils dans le compartiment Z. Grâce à AutoML, l'algorithme Forecast DeepAR + a été le gagnant et choisi comme modèle de prévision.
Itérer pour améliorer encore la précision des prévisions
Une fois que l'équipe a identifié Deep AR + comme l'algorithme gagnant, elle a effectué plusieurs expériences avec des fonctionnalités supplémentaires pour améliorer encore la précision. Ils ont effectué plusieurs itérations sur un plus petit ensemble d'échantillons avec différentes combinaisons telles que des données de séries chronologiques cibles pures (avec et sans traitement des valeurs aberrantes), des régresseurs tels que des festivals ou des fermetures de magasins et des métadonnées d'articles de magasin (hiérarchie d'articles de magasin) pour comprendre la meilleure combinaison pour améliorer la précision des prévisions. La combinaison de séries chronologiques cibles traitées avec des valeurs aberrantes avec des métadonnées et des régresseurs d'articles de magasin a donné la plus grande précision. Cela a été réduit à l'ensemble d'origine de 6,230 combinaisons magasin-SKU pour obtenir les prévisions finales.
Calcul de la quantité de commande
Une fois que l'équipe a développé le modèle de prévision, l'étape suivante immédiate a consisté à l'utiliser pour décider de la quantité d'inventaire à acheter et passer des commandes. La génération des commandes est influencée par la demande prévue, le stock actuel disponible et d'autres facteurs pertinents en magasin.
La formule suivante a servi de base à la conception de la construction d'ordre.
L'équipe a également pris en compte d'autres paramètres d'ajustement de retrait pour le système de commande automatique, tels que la quantité de commande minimale, le facteur d'unité de service, le stock de clôture minimum, le stock d'affichage minimum (basé sur le planogramme) et l'ajustement du taux de remplissage, comblant ainsi l'écart entre la machine et l'homme. intelligence.
Équilibrer les scénarios de sous-prévision et de sur-prévision
Pour optimiser le coût de sortie de la réduction avec le coût des ruptures de stock et des ventes perdues, l'équipe a utilisé la fonction de quantiles de Forecast pour déplacer la réponse de prévision du modèle.
Dans la conception du modèle, trois prévisions ont été générées aux quantiles p40, p50 et p60, p50 étant le quantile de base. La sélection des quantiles a été programmée pour être basée sur les ruptures de stock et le gaspillage dans les magasins dans un passé récent. Par exemple, des quantiles plus élevés étaient automatiquement choisis si une combinaison magasin-SKU particulière faisait face à des ruptures de stock continues au cours des 3 derniers jours, et des quantiles inférieurs étaient automatiquement choisis si le magasin-SKU avait connu un gaspillage élevé. Le quantum des quantiles croissants et décroissants était basé sur l'ampleur de la rupture de stock ou du rétrécissement dans le magasin.
Passation de commande automatisée via Oracle ERP
MRL a déployé Forecast et les systèmes de commande de retrait en production en les intégrant au système ERP d'Oracle, que MRL utilise pour les commandes. Le diagramme suivant illustre l'architecture finale.
Pour déployer le système de commande en production, toutes les données MRL ont été migrées vers AWS. L'équipe a mis en place des tâches ETL pour déplacer les tables en direct vers Redshift d'Amazon (entrepôt de données pour le travail d'intelligence d'affaires), Amazon Redshift est donc devenu la seule source d'entrée pour le traitement futur de tous les données.
L'ensemble de l'architecture des données a été divisé en deux parties:
- Moteur de prévision:
- Données de demande historiques utilisées (décalage de demande d'un jour) présentes dans Amazon Redshift
- D'autres entrées de régresseur telles que l'heure de la dernière facture, le prix et les festivals ont été conservées dans Amazon Redshift
- An Cloud de calcul élastique Amazon (Amazon EC2) a été configurée avec des scripts Python personnalisés pour gérer les transactions, les régresseurs et d'autres métadonnées
- Après la lutte contre les données, les données ont été déplacées vers un Service de stockage simple Amazon (Amazon S3) pour générer des prévisions (prévisions T + 2 pour toutes les combinaisons magasin-SKU)
- La sortie de prévision finale a été stockée dans un dossier séparé dans un compartiment S3
- Commande (retrait) du moteur:
- Toutes les données nécessaires pour convertir les prévisions en commandes (telles que le stock disponible, la quantité reçue pour stocker, les 2 derniers jours de commandes passées à recevoir, le facteur d'unité de service et le stock minimum d'ouverture et de clôture basé sur le planogramme) ont été stockées et gérées dans Amazon Redshift
- La quantité commandée a été calculée via des scripts Python exécutés sur des instances EC2
- Les commandes ont ensuite été transférées vers le système ERP d'Oracle, qui a passé une commande aux fournisseurs
L'ensemble du système de commande a été découplé en plusieurs segments clés. L'équipe a configuré les notifications par e-mail du planificateur d'Apache Airflow pour chaque processus afin de notifier les parties prenantes respectives en cas de réussite ou d'échec, afin qu'elles puissent prendre des mesures immédiates. Les commandes passées via le système ERP ont ensuite été déplacées vers les tables Amazon Redshift pour le calcul des commandes des jours suivants. La facilité d'intégration entre les systèmes AWS et ERP a conduit à un système de commande automatisé complet de bout en bout sans intervention humaine.
Conclusion
Une approche basée sur le ML a débloqué la véritable puissance des données pour la LMR. Avec Forecast, nous avons créé deux modèles nationaux pour différents formats de magasins, par opposition à plus de 1,000 XNUMX modèles traditionnels que nous utilisions.
Les prévisions apprennent également à travers les séries chronologiques. Les algorithmes ML de Forecast permettent un apprentissage croisé entre les combinaisons magasin-SKU, ce qui contribue à améliorer la précision des prévisions.
En outre, les prévisions vous permettent d'ajouter des séries chronologiques et des métadonnées d'articles, telles que les clients qui envoient des signaux de demande en fonction de la combinaison d'articles dans leur panier. La prévision prend en compte toutes les informations de demande entrantes et arrive à un modèle unique. Contrairement aux modèles conventionnels, où l'ajout de variables conduit à un surajustement, Forecast enrichit le modèle, fournissant des prévisions précises basées sur le contexte commercial. MRL a acquis la possibilité de classer les produits en fonction de facteurs tels que la durée de conservation, les promotions, le prix, le type de magasin, le cluster aisé, le magasin concurrentiel et le débit des magasins. Nous vous recommandons d'essayer Amazon Forecast pour améliorer les opérations de votre chaîne d'approvisionnement. Vous pouvez en savoir plus sur Amazon Forecast ici. Pour en savoir plus sur Ganit et nos solutions, contactez info@ganitinc.com pour en savoir plus.
Le contenu et les opinions de cet article sont ceux de l'auteur tiers et AWS n'est pas responsable du contenu ou de l'exactitude de cet article.
À propos des auteurs
Supratim Banerjee est Directeur de la transformation at Plus de détail Limité. Il est un professionnel expérimenté avec une expérience démontrée de travail dans les secteurs du capital-risque et du capital-investissement. Il a été consultant chez KPMG et a travaillé avec des organisations comme AT Kearney et India Equity Partners. Il est titulaire d'un MBA spécialisé en finance, général de l'Indian School of Business, Hyderabad.
Shivaprasad KT est Cofondateur et PDG at Ganit inc. Il a plus de 17 ans d'expérience dans la fourniture d'un impact sur le chiffre d'affaires et les résultats en utilisant la science des données aux États-Unis, en Australie, en Asie et en Inde. Il a conseillé des CXO dans des entreprises comme Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo et Citibank. Il est titulaire d'un MBA du SP Jain, Mumbai, et d'un baccalauréat en ingénierie du NITK Surathkal.
Gaurav H. Kankaria est Scientifique principal des données at Ganit inc. Il a plus de 6 ans d'expérience dans la conception et la mise en œuvre de solutions pour aider les organisations dans les domaines de la vente au détail, CPG et BFSI à prendre des décisions basées sur les données. Il est titulaire d'un baccalauréat de l'Université VIT, Vellore.
