यह पोस्ट मोर रिटेल लिमिटेड के सुप्रतिम बनर्जी और गणित इंक के शिवप्रसाद केटी और गौरव एच कांकरिया द्वारा एक अतिथि संयुक्त सहयोग है।
मोर रिटेल लिमिटेड (MRL) भारत के शीर्ष चार किराना खुदरा विक्रेताओं में से एक है, जिसका राजस्व कई बिलियन डॉलर के क्रम में है। इसका पूरे भारत में 22 हाइपरमार्केट और 624 सुपरमार्केट का एक स्टोर नेटवर्क है, जो 13 वितरण केंद्रों, 7 फलों और सब्जियों के संग्रह केंद्रों और 6 स्टेपल प्रसंस्करण केंद्रों की आपूर्ति श्रृंखला द्वारा समर्थित है।
इतने बड़े नेटवर्क के साथ, ग्राहकों की मांग को पूरा करते हुए और परिचालन लागत को न्यूनतम रखते हुए, एमआरएल के लिए सही आर्थिक मूल्य पर सही उत्पाद की गुणवत्ता प्रदान करना महत्वपूर्ण है। एमआरएल ने अधिक सटीकता के साथ मांग का पूर्वानुमान लगाने और स्टोर प्रबंधकों द्वारा मैन्युअल निर्णय की बाधाओं और कमियों को दूर करने के लिए एक स्वचालित ऑर्डरिंग सिस्टम बनाने के लिए अपने एआई एनालिटिक्स पार्टनर के रूप में गनीत के साथ सहयोग किया। एमआरएल इस्तेमाल किया अमेज़न का पूर्वानुमान अपनी पूर्वानुमान सटीकता को 24% से 76% तक बढ़ाने के लिए, ताजा उपज श्रेणी में अपव्यय में 30% तक की कमी लाने के लिए, स्टॉक में दरों में 80% से 90% तक सुधार, और सकल लाभ में 25% की वृद्धि करना।
हम दो प्राथमिक कारणों से इन व्यावसायिक परिणामों को प्राप्त करने और एक स्वचालित आदेश प्रणाली का निर्माण करने में सफल रहे:
- प्रयोग करने की क्षमता - पूर्वानुमान एक लचीला और मॉड्यूलर प्लेटफॉर्म प्रदान करता है जिसके माध्यम से हमने विभिन्न रजिस्टरों और मॉडलों के प्रकारों का उपयोग करके 200 से अधिक प्रयोग किए, जिसमें पारंपरिक और एमएल मॉडल दोनों शामिल थे। टीम ने काइज़न दृष्टिकोण का पालन किया, पहले असफल मॉडलों से सीखकर, और सफल होने पर ही मॉडलों को तैनात किया। जीतने वाले मॉडल तैनात किए जाने के दौरान पक्ष में प्रयोग जारी रहा।
- परिवर्तन प्रबंधन - हमने उन श्रेणी के मालिकों से पूछा, जो व्यावसायिक निर्णय का उपयोग करके ऑर्डर देने के आदी थे, एमएल-आधारित ऑर्डरिंग सिस्टम पर भरोसा करने के लिए। एक प्रणालीगत गोद लेने की योजना ने सुनिश्चित किया कि उपकरण के परिणाम संग्रहीत किए गए थे, और उपकरण को एक अनुशासित ताल के साथ संचालित किया गया था, ताकि भरे हुए और वर्तमान स्टॉक की पहचान की जा सके और समय पर रिकॉर्ड किया जा सके।
ताजा उपज श्रेणी के पूर्वानुमान में जटिलता
ताजा उत्पाद श्रेणी के लिए पूर्वानुमान की मांग चुनौतीपूर्ण है क्योंकि ताजा उत्पादों की शेल्फ लाइफ कम होती है। अति-पूर्वानुमान के साथ, स्टोर बासी या अधिक पके उत्पादों की बिक्री करते हैं, या अपनी अधिकांश इन्वेंट्री को फेंक देते हैं (जिन्हें कहा जाता है) संकोचन) यदि कम पूर्वानुमान लगाया जाता है, तो उत्पाद स्टॉक से बाहर हो सकते हैं, जो ग्राहक अनुभव को प्रभावित करता है। यदि ग्राहक अपनी खरीदारी सूची में प्रमुख आइटम नहीं ढूंढ पाते हैं, तो वे अपना कार्ट छोड़ सकते हैं, क्योंकि वे केवल कुछ उत्पादों के लिए चेकआउट लाइनों में प्रतीक्षा नहीं करना चाहते हैं। इस जटिलता को जोड़ने के लिए, एमआरएल के 600 से अधिक सुपरमार्केट में कई एसकेयू हैं, जिससे 6,000 से अधिक स्टोर-एसकेयू संयोजन हो गए हैं।
2019 के अंत तक, एमआरएल प्रत्येक स्टोर-एसकेयू संयोजन के लिए पूर्वानुमान मॉडल बनाने के लिए पारंपरिक सांख्यिकीय विधियों का उपयोग कर रहा था, जिसके परिणामस्वरूप सटीकता 40% तक कम थी। पूर्वानुमानों को कई अलग-अलग मॉडलों के माध्यम से बनाए रखा गया था, जिससे यह कम्प्यूटेशनल और परिचालन रूप से महंगा हो गया।
प्लेसमेंट ऑर्डर करने की मांग का पूर्वानुमान
2020 की शुरुआत में, एमआरएल और गणित ने फलों और सब्जियों (एफ एंड वी) के रूप में जानी जाने वाली ताजा श्रेणी के पूर्वानुमान के लिए सटीकता को और बेहतर बनाने और सिकुड़न को कम करने के लिए एक साथ काम करना शुरू किया।
गणित ने एमआरएल को उनकी समस्या को दो भागों में बांटने की सलाह दी:
- प्रत्येक स्टोर-एसकेयू संयोजन के लिए पूर्वानुमान की मांग
- आदेश मात्रा की गणना करें (इंडेंट)
हम निम्नलिखित अनुभागों में प्रत्येक पहलू के बारे में अधिक विस्तार से जानेंगे।
पूर्वानुमान की मांग
इस खंड में, हम प्रत्येक स्टोर-एसकेयू संयोजन के लिए पूर्वानुमान की मांग के चरणों पर चर्चा करते हैं।
मांग के संचालकों को समझें
गणित की टीम ने स्टोर के भीतर मांग बढ़ाने वाले कारकों को पहले समझकर अपनी यात्रा शुरू की। इसमें कई ऑन-साइट स्टोर विज़िट, श्रेणी प्रबंधकों के साथ विचार-विमर्श, और सुपरमार्केट के सीईओ के साथ तालमेल बैठकें शामिल हैं, साथ ही मौसम, स्टॉक-आउट, सामाजिक-आर्थिक और मैक्रो-आर्थिक कारकों जैसे कई अन्य पहलुओं पर गणित की अपनी इन-हाउस पूर्वानुमान विशेषज्ञता के साथ मिलकर। .
स्टोर के दौरे के बाद, एफ एंड वी मांग पर उनके प्रभाव का अध्ययन करने के लिए कई कारकों पर लगभग 80 परिकल्पनाएं तैयार की गईं। टीम ने मांग और प्रासंगिक कारकों जैसे त्योहार की तारीखों, मौसम, पदोन्नति, और कई अन्य के बीच संबंध स्थापित करने के लिए सहसंबंध, द्विभाजित और अविभाज्य विश्लेषण, और सांख्यिकीय महत्व परीक्षण (छात्र का टी-परीक्षण, जेड परीक्षण) जैसी तकनीकों का उपयोग करके व्यापक परिकल्पना परीक्षण किया। .
डेटा विभाजन
टीम ने एक दानेदार मॉडल विकसित करने पर जोर दिया जो प्रत्येक दिन के लिए स्टोर-एसकेयू संयोजन का सटीक अनुमान लगा सके। बिक्री योगदान और भविष्यवाणी में आसानी का एक संयोजन एबीसी-एक्सवाईजेड ढांचे के रूप में बनाया गया था, जिसमें एबीसी बिक्री योगदान (ए उच्चतम) और एक्सवाईजेड भविष्यवाणी की आसानी (जेड सबसे कम होने) का संकेत देता है। मॉडल निर्माण के लिए, स्टोर-एसकेयू संयोजनों पर ध्यान देने की पहली पंक्ति थी जिसका बिक्री में उच्च योगदान था और भविष्यवाणी करना सबसे कठिन था। यह सुनिश्चित करने के लिए किया गया था कि पूर्वानुमान सटीकता में सुधार का अधिकतम व्यावसायिक प्रभाव हो।
डेटा उपचार
एमआरएल के लेन-देन डेटा को पारंपरिक बिक्री बिंदु डेटा की तरह संरचित किया गया था, जिसमें मोबाइल नंबर, बिल नंबर, आइटम कोड, स्टोर कोड, दिनांक, बिल मात्रा, वास्तविक मूल्य और छूट मूल्य जैसे फ़ील्ड शामिल थे। टीम ने मॉडल निर्माण के लिए पिछले 2 वर्षों से दैनिक लेनदेन संबंधी डेटा का उपयोग किया। ऐतिहासिक डेटा का विश्लेषण करने से दो चुनौतियों की पहचान करने में मदद मिली:
- कई लापता मूल्यों की उपस्थिति
- कुछ दिनों में बिल स्तरों पर अत्यधिक उच्च या निम्न बिक्री हुई, जो डेटा में आउटलेर्स की उपस्थिति का संकेत देती है
गुम मूल्य उपचार
लापता मूल्यों में एक गहरा गोता लगाने के कारणों की पहचान की गई जैसे कि स्टोर में कोई स्टॉक उपलब्ध नहीं है (कोई आपूर्ति नहीं है या मौसम में नहीं है) और नियोजित छुट्टी या बाहरी बाधाओं (जैसे एक क्षेत्रीय या राष्ट्रीय बंद, या निर्माण कार्य) के कारण स्टोर बंद होना। लापता मानों को 0 से बदल दिया गया था, और मॉडल में उपयुक्त रजिस्टर या झंडे जोड़े गए थे ताकि मॉडल भविष्य की किसी भी घटना के लिए इससे सीख सके।
बाहरी उपचार
टीम ने आउटलेर्स के साथ सबसे बारीक बिल स्तर पर व्यवहार किया, जिससे यह सुनिश्चित हुआ कि परिसमापन, थोक खरीद (बी 2 बी) और खराब गुणवत्ता जैसे कारकों पर विचार किया गया। उदाहरण के लिए, बिल-स्तरीय उपचार में प्रत्येक स्टोर-SKU संयोजन के लिए एक दिन के स्तर पर KPI का अवलोकन शामिल हो सकता है, जैसा कि निम्न ग्राफ़ में है।
फिर हम उन तारीखों को चिह्नित कर सकते हैं जिन पर असामान्य रूप से उच्च मात्रा में आउटलेयर के रूप में बेचा जाता है, और उन पहचाने गए आउटलेर्स में गहराई से गोता लगा सकते हैं। आगे के विश्लेषण से पता चलता है कि ये आउटलेयर पूर्व नियोजित संस्थागत खरीद हैं।
ये बिल-स्तरीय आउटलेयर तब उस तिथि के लिए अधिकतम बिक्री मात्रा के साथ छाया हुआ है। निम्नलिखित ग्राफ बिल-स्तरीय मांग में अंतर दिखाते हैं।
पूर्वानुमान प्रक्रिया
टीम ने पूर्वानुमान चुनने से पहले कई पूर्वानुमान तकनीकों जैसे टाइम सीरीज़ मॉडल, रिग्रेशन-आधारित मॉडल और डीप लर्निंग मॉडल का परीक्षण किया। पूर्वानुमान चुनने का प्राथमिक कारण Z बकेट के विरुद्ध XY बकेट में पूर्वानुमान सटीकता की तुलना करते समय प्रदर्शन में अंतर था, जिसका अनुमान लगाना सबसे कठिन था। हालांकि अधिकांश पारंपरिक तकनीकों ने XY बकेट में उच्च सटीकता प्रदान की, केवल पूर्वानुमान में एमएल एल्गोरिदम ने अन्य मॉडलों की तुलना में 10% वृद्धिशील सटीकता प्रदान की। यह मुख्य रूप से पूर्वानुमान की अन्य SKU (XY) पैटर्न को सीखने और Z बकेट में अत्यधिक अस्थिर वस्तुओं पर उन सीखों को लागू करने की क्षमता के कारण था। ऑटोएमएल के माध्यम से, फोरकास्ट डीपर+ एल्गोरिथम विजेता था और इसे फोरकास्ट मॉडल के रूप में चुना गया था।
पूर्वानुमान सटीकता को और बेहतर बनाने के लिए पुनरावृति
टीम द्वारा डीप एआर+ को विजेता एल्गोरिथम के रूप में पहचानने के बाद, उन्होंने सटीकता को और बेहतर बनाने के लिए अतिरिक्त सुविधाओं के साथ कई प्रयोग किए। उन्होंने विभिन्न संयोजनों जैसे शुद्ध लक्ष्य समय श्रृंखला डेटा (बाहरी उपचार के साथ और बिना), त्योहारों या स्टोर क्लोजर, और स्टोर-आइटम मेटाडेटा (स्टोर-आइटम पदानुक्रम) जैसे विभिन्न संयोजनों के साथ सबसे अच्छे संयोजन को समझने के लिए कई पुनरावृत्तियों का प्रदर्शन किया। पूर्वानुमान सटीकता में सुधार। स्टोर-आइटम मेटाडेटा और रजिस्टरों के साथ आउटलेयर ट्रीटेड टारगेट टाइम सीरीज़ के संयोजन ने उच्चतम सटीकता लौटा दी। अंतिम पूर्वानुमान प्राप्त करने के लिए इसे 6,230 स्टोर-एसकेयू संयोजनों के मूल सेट में वापस बढ़ाया गया था।
आदेश मात्रा गणना
टीम द्वारा पूर्वानुमान मॉडल विकसित करने के बाद, तत्काल अगला कदम यह तय करने के लिए उपयोग करना था कि कितनी इन्वेंट्री को खरीदना है और ऑर्डर देना है। ऑर्डर जनरेशन पूर्वानुमानित मांग, मौजूदा स्टॉक और अन्य प्रासंगिक इन-स्टोर कारकों से प्रभावित होता है।
निम्नलिखित सूत्र ने ऑर्डर निर्माण को डिजाइन करने के आधार के रूप में कार्य किया।
टीम ने स्वचालित ऑर्डरिंग सिस्टम के लिए अन्य इंडेंट समायोजन मापदंडों पर भी विचार किया, जैसे कि न्यूनतम ऑर्डर मात्रा, सर्विस यूनिट फैक्टर, न्यूनतम क्लोजिंग स्टॉक, न्यूनतम डिस्प्ले स्टॉक (प्लानोग्राम के आधार पर), और रेट एडजस्टमेंट भरें, जिससे मशीन और मानव के बीच की खाई को पाटना बुद्धि।
अंडर-फोरकास्ट और ओवर-फोरकास्ट परिदृश्यों को संतुलित करें
स्टॉकआउट और खोई हुई बिक्री की लागत के साथ संकोचन की आउटपुट लागत को अनुकूलित करने के लिए, टीम ने मॉडल से पूर्वानुमान प्रतिक्रिया को स्थानांतरित करने के लिए पूर्वानुमान की मात्रा विशेषता का उपयोग किया।
मॉडल डिजाइन में, तीन पूर्वानुमान p40, p50, और p60 क्वांटाइल पर उत्पन्न किए गए थे, जिसमें p50 बेस क्वांटाइल था। मात्राओं के चयन को हाल के दिनों में भंडारों और दुकानों में बर्बादी के आधार पर क्रमादेशित किया गया था। उदाहरण के लिए, यदि किसी विशेष स्टोर-एसकेयू संयोजन को पिछले 3 दिनों में लगातार स्टॉकआउट का सामना करना पड़ता है, तो उच्च मात्रा स्वचालित रूप से चुनी जाती है, और यदि स्टोर-एसकेयू में उच्च अपव्यय देखा जाता है तो कम मात्राएं स्वचालित रूप से चुनी जाती हैं। मात्रा में वृद्धि और कमी की मात्रा स्टोर के भीतर स्टॉकआउट या सिकुड़न के परिमाण पर आधारित थी।
Oracle ERP के माध्यम से स्वचालित ऑर्डर प्लेसमेंट
एमआरएल ने पूर्वानुमान और इंडेंट ऑर्डरिंग सिस्टम को ओरेकल के ईआरपी सिस्टम के साथ एकीकृत करके उत्पादन में तैनात किया, जिसे एमआरएल ऑर्डर प्लेसमेंट के लिए उपयोग करता है। निम्नलिखित आरेख अंतिम वास्तुकला को दर्शाता है।
ऑर्डरिंग सिस्टम को उत्पादन में तैनात करने के लिए, सभी एमआरएल डेटा को एडब्ल्यूएस में माइग्रेट किया गया था। लाइव टेबल को यहां ले जाने के लिए टीम ने ETL जॉब सेट अप की अमेज़न रेडशिफ्ट (बिजनेस इंटेलिजेंस वर्क के लिए डेटा वेयरहाउस), इसलिए Amazon Redshift भविष्य के सभी डेटा प्रोसेसिंग के लिए इनपुट का एकल स्रोत बन गया।
संपूर्ण डेटा आर्किटेक्चर को दो भागों में विभाजित किया गया था:
- पूर्वानुमान इंजन:
- Amazon Redshift में प्रयुक्त ऐतिहासिक मांग डेटा (1-दिन का डिमांड लैग) मौजूद है
- अन्य प्रतिगामी इनपुट जैसे पिछले बिल समय, मूल्य और त्योहारों को Amazon Redshift में बनाए रखा गया था
- An अमेज़ॅन इलास्टिक कम्प्यूट क्लाउड (अमेज़ॅन ईसी 2) इंस्टेंस को अनुकूलित पायथन स्क्रिप्ट के साथ लेन-देन, रजिस्टरों और अन्य मेटाडेटा को कम करने के लिए स्थापित किया गया था
- पोस्ट-डेटा तकरार, डेटा को एक में ले जाया गया था अमेज़न सरल भंडारण सेवा (अमेज़ॅन एस3) बकेट पूर्वानुमान उत्पन्न करने के लिए (सभी स्टोर-एसकेयू संयोजनों के लिए टी+2 पूर्वानुमान)
- अंतिम पूर्वानुमान आउटपुट S3 बकेट में एक अलग फ़ोल्डर में संग्रहीत किया गया था
- ऑर्डर (इंडेंट) इंजन:
- पूर्वानुमानों को ऑर्डर में बदलने के लिए आवश्यक सभी डेटा (जैसे स्टॉक ऑन हैंड, स्टोर मात्रा में प्राप्त, प्राप्त करने के लिए दिए गए ऑर्डर के अंतिम 2 दिन, सर्विस यूनिट फैक्टर, और प्लानोग्राम-आधारित न्यूनतम उद्घाटन और समापन स्टॉक) Amazon Redshift में संग्रहीत और रखरखाव किया गया था।
- आदेश मात्रा की गणना EC2 उदाहरणों पर चलने वाली पायथन लिपियों के माध्यम से की गई थी
- फिर ऑर्डर को Oracle के ERP सिस्टम में स्थानांतरित कर दिया गया, जिसने विक्रेताओं को एक ऑर्डर दिया
संपूर्ण आदेश प्रणाली को कई प्रमुख खंडों में विभाजित किया गया था। टीम ने प्रत्येक प्रक्रिया के लिए अपाचे एयरफ्लो के शेड्यूलर ईमेल नोटिफिकेशन को सफलतापूर्वक पूरा होने या विफल होने पर संबंधित हितधारकों को सूचित करने के लिए सेट किया, ताकि वे तत्काल कार्रवाई कर सकें। ईआरपी सिस्टम के माध्यम से दिए गए ऑर्डर को अगले दिनों के ऑर्डर की गणना के लिए अमेज़ॅन रेडशिफ्ट टेबल पर ले जाया गया। एडब्ल्यूएस और ईआरपी सिस्टम के बीच एकीकरण में आसानी ने शून्य मानव हस्तक्षेप के साथ एक पूर्ण एंड-टू-एंड स्वचालित ऑर्डरिंग सिस्टम का नेतृत्व किया।
निष्कर्ष
एक एमएल-आधारित दृष्टिकोण ने एमआरएल के लिए डेटा की वास्तविक शक्ति को खोल दिया। पूर्वानुमान के साथ, हमने अलग-अलग स्टोर प्रारूपों के लिए दो राष्ट्रीय मॉडल बनाए, जबकि 1,000 से अधिक पारंपरिक मॉडल जिनका हम उपयोग कर रहे थे।
पूर्वानुमान भी समय श्रृंखला में सीखता है। पूर्वानुमान के भीतर एमएल एल्गोरिदम स्टोर-एसकेयू संयोजनों के बीच क्रॉस-लर्निंग को सक्षम बनाता है, जो पूर्वानुमान सटीकता को बेहतर बनाने में मदद करता है।
इसके अतिरिक्त, पूर्वानुमान आपको संबंधित समय श्रृंखला और आइटम मेटाडेटा जोड़ने की अनुमति देता है, जैसे ग्राहक जो अपनी टोकरी में वस्तुओं के मिश्रण के आधार पर मांग संकेत भेजते हैं। पूर्वानुमान आने वाली सभी मांग सूचनाओं पर विचार करता है और एक ही मॉडल पर आता है। पारंपरिक मॉडल के विपरीत, जहां चर के अतिरिक्त ओवरफिटिंग की ओर जाता है, पूर्वानुमान मॉडल को समृद्ध करता है, व्यावसायिक संदर्भ के आधार पर सटीक पूर्वानुमान प्रदान करता है। एमआरएल ने शेल्फ लाइफ, प्रमोशन, कीमत, स्टोर के प्रकार, समृद्ध क्लस्टर, प्रतिस्पर्धी स्टोर और स्टोर थ्रूपुट जैसे कारकों के आधार पर उत्पादों को वर्गीकृत करने की क्षमता हासिल की। हम अनुशंसा करते हैं कि आप अपने आपूर्ति श्रृंखला संचालन को बेहतर बनाने के लिए अमेज़ॅन पूर्वानुमान का प्रयास करें। आप अमेज़न पूर्वानुमान के बारे में अधिक जान सकते हैं यहाँ उत्पन्न करें. गणित और हमारे समाधानों के बारे में अधिक जानने के लिए, यहां पहुंचें info@ganitinc.com अधिक जानने के लिए।
इस पोस्ट में सामग्री और राय तीसरे पक्ष के लेखक की हैं और AWS इस पोस्ट की सामग्री या सटीकता के लिए ज़िम्मेदार नहीं है।
लेखक के बारे में
सुप्रतिम बनर्जी विश्व का सबसे लोकप्रिय एंव मुख्य परिवर्तन अधिकारी at अधिक खुदरा सीमित। वह उद्यम पूंजी और निजी इक्विटी उद्योगों में काम करने के एक प्रदर्शित इतिहास के साथ एक अनुभवी पेशेवर हैं। वह केपीएमजी के सलाहकार थे और एटी किर्नी और इंडिया इक्विटी पार्टनर्स जैसे संगठनों के साथ काम करते थे। उन्होंने इंडियन स्कूल ऑफ बिजनेस, हैदराबाद से वित्त पर केंद्रित एमबीए किया है।
शिवप्रसाद केटी विश्व का सबसे लोकप्रिय एंव सह-संस्थापक और सीईओ at गणित इंक. उनके पास यूएस, ऑस्ट्रेलिया, एशिया और भारत में डेटा साइंस का उपयोग करके टॉप-लाइन और बॉटम-लाइन प्रभाव देने का 17+ वर्ष का अनुभव है। उन्होंने वॉलमार्ट, सैम क्लब, फाइजर, स्टेपल्स, कोल्स, लेनोवो और सिटीबैंक जैसी कंपनियों में सीएक्सओ को सलाह दी है। उन्होंने एसपी जैन, मुंबई से एमबीए और एनआईटीके सुरथकल से इंजीनियरिंग में स्नातक की डिग्री प्राप्त की है।
गौरव एच कांकरिया विश्व का सबसे लोकप्रिय एंव वरिष्ठ डेटा वैज्ञानिक at गणित इंक. उन्हें रिटेल, सीपीजी और बीएफएसआई डोमेन में संगठनों को डेटा-संचालित निर्णय लेने में मदद करने के लिए समाधान तैयार करने और लागू करने का 6 वर्षों का अनुभव है। उन्होंने वीआईटी विश्वविद्यालय, वेल्लोर से स्नातक की डिग्री प्राप्त की है।
