Ez a bejegyzés Supratim Banerjee (More Retail Limited), valamint Shivaprasad KT és Gaurav H Kankaria (Ganit Inc.) közös vendégmunkája.
A More Retail Ltd. (MRL) India négy legnagyobb élelmiszer-kiskereskedőjének egyike, több milliárd dolláros bevétellel. India-szerte 22 hipermarketből és 624 szupermarketből álló üzlethálózattal rendelkezik, amelyet 13 elosztóközpontból, 7 zöldség-gyümölcs begyűjtő központból és 6 alapfeldolgozó központból álló ellátási lánc támogat.
Egy ilyen nagy hálózatnál az MRL számára kritikus fontosságú, hogy a megfelelő termékminőséget megfelelő gazdasági értéken szállítsa, miközben kielégíti a vásárlói igényeket, és minimálisra csökkenti a működési költségeket. Az MRL együttműködött a Ganittal, mint mesterséges intelligencia-elemző partnerével, hogy pontosabban előre jelezze a keresletet, és kiépítsen egy automatizált rendelési rendszert az üzletvezetők kézi megítélésének szűk keresztmetszete és hiányosságai leküzdésére. Felhasznált MRL Amazon előrejelzés az előrejelzési pontosságuk 24%-ról 76%-ra növelése, ami akár 30%-kal csökkenti a pazarlást a friss termékek kategóriában, 80%-ról 90%-ra javítja a készletek arányát, és 25%-kal növeli a bruttó profitot.
Két fő ok miatt voltunk sikeresek ezen üzleti eredmények elérésében és az automatizált rendelési rendszer kiépítésében:
- Kísérletezési képesség – A Forecast rugalmas és moduláris platformot biztosít, amelyen keresztül több mint 200 kísérletet futtattunk le különböző regresszorok és modelltípusok használatával, amelyek hagyományos és ML modelleket is tartalmaztak. A csapat a Kaizen megközelítést követte, tanult a korábban sikertelen modellekből, és csak akkor vetett be modelleket, ha azok sikeresek voltak. A kísérletezés az oldalon folytatódott, miközben a nyertes modelleket telepítették.
- Változáskezelés – Megkértük azokat a kategóriatulajdonosokat, akik hozzászoktak az üzleti megítélés alapján történő rendelések leadásához, hogy bízzanak az ML alapú rendelési rendszerben. A rendszerszintű átvételi terv biztosította az eszköz eredményeinek tárolását, az eszköz fegyelmezett ütemű működtetését, hogy a betöltött és aktuális készletet időben azonosítsák és rögzítsék.
Bonyolultság a frisstermék-kategória előrejelzésében
A friss termékek kategóriája iránti kereslet előrejelzése kihívást jelent, mivel a friss termékek rövid eltarthatóságúak. A túlzott előrejelzések következtében az üzletek elavult vagy túlérett termékeket árulnak, vagy készletük nagy részét kidobják (úgy nevezett zsugorodás). Alul előrejelzés esetén a termékek kifogyhatnak, ami befolyásolja a vásárlói élményt. A vásárlók elhagyhatják a kosarukat, ha nem találnak kulcsfontosságú termékeket a bevásárlólistájukon, mert nem akarnak csak néhány termékre várni a pénztárban. Az összetettség növelése érdekében az MRL számos cikkszámmal rendelkezik több mint 600 szupermarketben, ami több mint 6,000 bolt-SKU kombinációhoz vezet.
2019 végére az MRL hagyományos statisztikai módszereket használt az előrejelzési modellek létrehozásához minden egyes üzlet-SKU kombinációhoz, ami akár 40%-os pontosságot eredményezett. Az előrejelzéseket több egyedi modellen keresztül tartották fenn, ami számítási és működési szempontból költségessé tette.
Kereslet-előrejelzés a rendelés leadásához
2020 elején az MRL és a Ganit elkezdett együttműködni, hogy tovább javítsák a friss kategória, a gyümölcsök és zöldségek (F&V) előrejelzésének pontosságát, és csökkentsék a zsugorodást.
Ganit azt tanácsolta az MRL-nek, hogy a problémát két részre bontsa:
- Kereslet előrejelzése minden üzlet-SKU kombinációhoz
- Rendelési mennyiség kiszámítása (behúzások)
Az egyes szempontokkal részletesebben foglalkozunk a következő részekben.
Előrejelzési igény
Ebben a részben a kereslet előrejelzésének lépéseit tárgyaljuk az egyes bolt-SKU kombinációk esetében.
Ismerje meg a kereslet mozgatórugóit
A Ganit csapata azzal kezdte útját, hogy először megértette azokat a tényezőket, amelyek az üzleteken belüli keresletet ösztönözték. Ez magában foglalta többszöri helyszíni boltlátogatást, megbeszéléseket a kategóriavezetőkkel, és a szupermarket vezérigazgatójával folytatott ütemezési megbeszéléseket, valamint a Ganit saját, házon belüli előrejelzési szakértelmét számos egyéb vonatkozásban, mint például a szezonalitás, a készlethiány, a társadalmi-gazdasági és makrogazdasági tényezők. .
A bolti látogatások után hozzávetőleg 80 hipotézist fogalmaztak meg több tényezőre vonatkozóan, hogy tanulmányozzák azok gyümölcs- és zöldségkeresletre gyakorolt hatását. A csapat átfogó hipotézis tesztelést hajtott végre olyan technikák segítségével, mint a korrelációs, két- és egyváltozós elemzés, valamint statisztikai szignifikancia-tesztek (Student's t-test, Z-teszt), hogy megállapítsák a kapcsolatot a kereslet és a releváns tényezők, például a fesztiválok dátumai, időjárás, promóciók és még sok más között. .
Adatok szegmentálása
A csapat hangsúlyozta egy olyan szemcsés modell kidolgozását, amely minden napra pontosan előre jelezheti a bolt-SKU kombinációt. Az értékesítési hozzájárulás és az előrejelzés egyszerűsége kombinációja ABC-XYZ keretrendszerként épült fel, ahol az ABC jelzi az értékesítési hozzájárulást (A a legmagasabb), az XYZ pedig az előrejelzés könnyűségét (Z a legalacsonyabb). A modellépítésnél az első vonal a bolt-SKU kombinációkra összpontosított, amelyek nagymértékben hozzájárultak az eladásokhoz, és amelyeket a legnehezebb megjósolni. Ez azért történt, hogy az előrejelzési pontosság javítása a lehető legnagyobb üzleti hatást érje el.
Adatkezelés
Az MRL tranzakciós adatai a hagyományos értékesítési pontokhoz hasonlóan épültek fel, olyan mezőkkel, mint a mobilszám, számlaszám, cikkkód, üzletkód, dátum, számla mennyisége, realizált érték és kedvezményérték. A csapat az elmúlt 2 év napi tranzakciós adatait használta a modellépítéshez. A történelmi adatok elemzése két kihívást segített azonosítani:
- Számos hiányzó érték jelenléte
- Néhány napon rendkívül magas vagy alacsony számlaszintű eladások voltak, ami kiugró értékek jelenlétére utalt az adatokban
Hiányzó értékkezelés
A hiányzó értékek mélyreható búvárkodása olyan okokat azonosított, mint például a készlet hiánya az üzletben (nincs készlet, vagy nincs szezonban), és az üzletek tervezett ünnepnapok vagy külső korlátok (például regionális vagy országos leállás vagy építési munkák) miatt zárva tartanak. A hiányzó értékeket 0-ra cseréltük, és megfelelő regresszorokat vagy zászlókat adtunk a modellhez, hogy a modell tanulhasson ebből minden ilyen jövőbeli eseményhez.
Kiugró kezelés
A csapat a kiugró értékeket a legrészletesebb számlaszinten kezelte, ami biztosította, hogy figyelembe vegyék az olyan tényezőket, mint a felszámolás, a tömeges vásárlás (B2B) és a rossz minőség. Például a számlaszintű kezelés magában foglalhatja a KPI-k megfigyelését minden egyes bolt-SKU kombinációhoz napi szinten, ahogyan a következő grafikonon is látható.
Ezután kiugró értékként megjelölhetjük azokat a dátumokat, amelyeken abnormálisan nagy mennyiséget értékesítenek, és mélyebbre merülhetünk az azonosított kiugró értékekben. A további elemzések azt mutatják, hogy ezek a kiugró értékek előre megtervezett intézményi vásárlások.
Ezeket a számlaszintű kiugró értékeket ezután az adott dátumra vonatkozó maximális értékesítési mennyiség korlátozza. A következő grafikonok a számlaszintű kereslet különbségét mutatják.
Előrejelzési folyamat
A csapat több előrejelzési technikát tesztelt, például idősoros modelleket, regresszió alapú modelleket és mély tanulási modelleket, mielőtt az előrejelzést választotta volna. Az előrejelzés választásának elsődleges oka a teljesítménybeli különbség volt, amikor az XY gyűjtőkör előrejelzési pontosságát a Z csoporthoz viszonyítottuk, ami a legnehezebb volt előre jelezni. Bár a legtöbb hagyományos technika nagyobb pontosságot biztosított az XY gyűjtőkörben, csak a Forecast ML algoritmusai biztosítottak 10%-os növekményes pontosságot más modellekhez képest. Ez elsősorban annak volt köszönhető, hogy a Forecast képes volt megtanulni más SKU-k (XY) mintákat, és alkalmazni tudta ezeket a tanulságokat a Z csoportban lévő rendkívül ingadozó elemekre. Az AutoML-en keresztül a Forecast DeepAR+ algoritmus volt a győztes, és ezt választották előrejelzési modellnek.
Ismétlés az előrejelzés pontosságának további javítása érdekében
Miután a csapat a Deep AR+-t jelölte meg győztes algoritmusként, több kísérletet is végrehajtottak további funkciókkal a pontosság további javítása érdekében. Több iterációt hajtottak végre egy kisebb mintakészleten különböző kombinációkkal, például tiszta célidősor adatokkal (kiugró kezeléssel és anélkül), regresszorokkal, például fesztiválokkal vagy boltbezárással, valamint bolti cikkek metaadataival (üzlet-cikk hierarchia), hogy megértsék a legjobb kombinációt az előrejelzés pontosságának javítása. A kiugró értékekkel kezelt célidősorok, valamint a bolti cikkek metaadatai és a regresszorok kombinációja adta a legnagyobb pontosságot. Ezt az eredeti 6,230 bolt-SKU kombinációból álló készletre méreteztük vissza, hogy megkapjuk a végső előrejelzést.
Rendelési mennyiség számítása
Miután a csapat kidolgozta az előrejelzési modellt, a közvetlen következő lépés ennek felhasználása volt annak eldöntésére, hogy mekkora készletet kell vásárolni és megrendelni. A rendelések generálását befolyásolják az előre jelzett kereslet, az aktuális készletek és egyéb releváns bolti tényezők.
A következő képlet szolgált alapul a rendelési konstrukció megtervezéséhez.
A csapat az automatikus rendelési rendszer egyéb behúzásbeállítási paramétereit is figyelembe vette, mint például a minimális rendelési mennyiség, a szolgáltatási egységtényező, a minimális zárókészlet, a minimális megjelenítési készlet (planogram alapján) és a kitöltési arány beállítása, ezáltal áthidalva a gép és az ember közötti szakadékot. intelligencia.
Mérlegelje az alul- és túljósolt forgatókönyveket
A zsugorodás kibocsátási költségének optimalizálása érdekében a készletkiesések és a kieső eladások költségeivel a csapat az előrejelzés kvantilis funkcióját használta, hogy áthelyezze az előrejelzési választ a modellből.
A modelltervezés során három előrejelzést generáltunk a p40, p50 és p60 kvantiliseknél, ahol a p50 volt az alapkvantilis. A kvantilisok kiválasztását úgy programozták, hogy a közelmúltban a raktárkészletek és a pazarlás alapján történjen az üzletekben. Például a rendszer automatikusan magasabb mennyiségeket választott, ha egy adott bolt-SKU kombináció folyamatos készletezéssel szembesült az elmúlt 3 napban, és alacsonyabb mennyiségeket választottak automatikusan, ha az üzlet-cikkszám-kombinációban nagy veszteség volt tapasztalható. A növekvő és csökkenő kvantilisok mennyisége az üzleten belüli készlethiány vagy zsugorodás nagyságán alapult.
Automatizált rendelésfelvétel az Oracle ERP-n keresztül
Az MRL a Forecast és az indent rendelési rendszereket az Oracle ERP rendszerével integrálva telepítette a termelésbe, amelyet az MRL a rendelések leadásához használ. A következő ábra a végső architektúrát szemlélteti.
A rendelési rendszer üzembe helyezéséhez az összes MRL-adatot áttelepítettük az AWS-be. A csapat ETL-feladatokat állított fel az élő asztalok áthelyezésére Amazon RedShift (adattárház üzleti intelligencia munkához), így az Amazon Redshift lett az egyetlen bemeneti forrás a jövőbeni összes adatfeldolgozáshoz.
A teljes adatarchitektúra két részre oszlik:
- Előrejelző motor:
- Használt korábbi keresleti adatok (1 napos keresleti késleltetés), amelyek az Amazon Redshiftben jelen vannak
- Egyéb regresszor bemenetek, mint például az utolsó számla ideje, az ár és a fesztiválok megmaradtak az Amazon Redshiftben
- An Amazon rugalmas számítási felhő (Amazon EC2) példány testreszabott Python-szkriptekkel lett beállítva a tranzakciók, regresszorok és egyéb metaadatok megvitatására.
- Adatcsere után az adatok átkerültek egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör előrejelzések generálásához (T+2 előrejelzések az összes bolt-SKU kombinációhoz)
- A végső előrejelzési kimenetet egy külön mappában tároltuk egy S3 tárolóban
- Motor rendezése (behúzás):
- Az előrejelzések rendelésekké alakításához szükséges összes adatot (például a raktárkészletet, a beérkezett készletet a tárolt mennyiséghez, a beérkezett megrendelések utolsó 2 napját, a szolgáltatási egységtényezőt és a planogram alapú minimális nyitó és záró készletet) az Amazon Redshift tárolja és karbantartja.
- A rendelési mennyiséget az EC2 példányokon futtatott Python-szkriptekkel számították ki
- A rendelések ezután az Oracle ERP rendszerébe kerültek, amely megrendelést adott a szállítóknak
A teljes rendelési rendszert több kulcsszegmensre különítették el. A csapat minden egyes folyamathoz beállította az Apache Airflow ütemező e-mail értesítéseit, hogy értesítse az érintett feleket a sikeres befejezésről vagy a sikertelenségről, hogy azonnal intézkedhessenek. Az ERP rendszeren keresztül leadott rendelések ezután az Amazon Redshift tábláira kerültek a következő napok rendeléseinek kiszámításához. Az AWS és az ERP rendszerek közötti egyszerű integráció egy teljes, végpontok közötti automatizált rendelési rendszerhez vezetett, emberi beavatkozás nélkül.
Következtetés
Az ML-alapú megközelítés felszabadította az adatok valódi erejét az MRL számára. A Forecast segítségével két nemzeti modellt hoztunk létre a különböző üzletformátumokhoz, szemben az általunk használt több mint 1,000 hagyományos modellel.
Az előrejelzés az idősorokon is tanul. Az előrejelzésen belüli ML algoritmusok lehetővé teszik az üzlet-SKU kombinációk közötti kereszttanulást, ami segít az előrejelzés pontosságának javításában.
Ezenkívül az előrejelzés lehetővé teszi kapcsolódó idősorok és cikkek metaadatainak hozzáadását, például olyan ügyfeleket, akik keresleti jelzéseket küldenek a kosarukban lévő cikkek keveréke alapján. Az előrejelzés figyelembe veszi az összes bejövő keresleti információt, és egyetlen modellhez jut. A hagyományos modellekkel ellentétben, ahol a változók hozzáadása túlillesztéshez vezet, a Forecast gazdagítja a modellt, és az üzleti kontextuson alapuló pontos előrejelzéseket biztosít. Az MRL lehetővé tette a termékek kategorizálását olyan tényezők alapján, mint az eltarthatóság, az akciók, az ár, az üzletek típusa, a tehetős klaszter, a versenyképes üzlet és az üzletek átbocsátása. Javasoljuk, hogy próbálja ki az Amazon Forecast szolgáltatást az ellátási lánc működésének javítása érdekében. További információ az Amazon Forecastról itt. Ha többet szeretne megtudni a Ganitról és megoldásainkról, keresse fel a következő címet info@ganitinc.com és tudjon meg többet!
A bejegyzés tartalma és véleménye a harmadik fél szerzője, és az AWS nem vállal felelősséget a bejegyzés tartalmáért vagy pontosságáért.
A szerzőkről
Supratim Banerjee a Átalakítási főtiszt at További kiskereskedelem Korlátozott. Tapasztalt szakember, aki bizonyítottan dolgozott a kockázati tőke és a magántőke iparágakban. A KPMG tanácsadója volt, és olyan szervezetekkel dolgozott együtt, mint az AT Kearney és az India Equity Partners. Pénzügyekkel foglalkozó MBA fokozattal rendelkezik, általános az Indian School of Business-n, Hyderabadban.
Shivaprasad KT a Társalapító és vezérigazgató at Ganit Inc. Több mint 17 éves tapasztalattal rendelkezik az Egyesült Államokban, Ausztráliában, Ázsiában és Indiában az adattudomány segítségével a felső és alsó vonalbeli hatások megvalósításában. CXO-kat adott olyan cégeknél, mint a Walmart, a Sam's Club, a Pfizer, a Staples, a Coles, a Lenovo és a Citibank. MBA-fokozatot szerzett a mumbai SP Jain-ben, és mérnöki bachelor fokozatot a NITK Surathkal-nál.
Gaurav H Kankaria a vezető adattudós at Ganit Inc. Több mint 6 éves tapasztalattal rendelkezik olyan megoldások tervezésében és megvalósításában, amelyek segítik a kiskereskedelmi, CPG és BFSI területeken működő szervezeteket adatvezérelt döntések meghozatalában. A Vellore-i VIT Egyetemen szerzett bachelor fokozatot.
