Posting ini adalah kolaborasi bersama tamu oleh Supratim Banerjee dari More Retail Limited dan Shivaprasad KT dan Gaurav H Kankaria dari Ganit Inc.
More Retail Ltd. (MRL) adalah salah satu dari empat pengecer bahan makanan terbesar di India, dengan pendapatan mencapai beberapa miliar dolar. Ini memiliki jaringan toko 22 hipermarket dan 624 supermarket di seluruh India, didukung oleh rantai pasokan 13 pusat distribusi, 7 pusat pengumpulan buah dan sayuran, dan 6 pusat pengolahan bahan pokok.
Dengan jaringan yang begitu besar, penting bagi MRL untuk memberikan kualitas produk yang tepat dengan nilai ekonomi yang tepat, sekaligus memenuhi permintaan pelanggan dan meminimalkan biaya operasional. MRL bekerja sama dengan Ganit sebagai mitra analisis AI untuk memperkirakan permintaan dengan lebih akurat dan membangun sistem pemesanan otomatis untuk mengatasi kemacetan dan kekurangan penilaian manual oleh manajer toko. MRL digunakan Prakiraan Amazon untuk meningkatkan akurasi perkiraan mereka dari 24% menjadi 76%, yang mengarah pada pengurangan pemborosan hingga 30% dalam kategori produk segar, meningkatkan tingkat persediaan dari 80% menjadi 90%, dan meningkatkan laba kotor sebesar 25%.
Kami berhasil mencapai hasil bisnis ini dan membangun sistem pemesanan otomatis karena dua alasan utama:
- Kemampuan untuk bereksperimen - Forecast menyediakan platform fleksibel dan modular tempat kami menjalankan lebih dari 200 eksperimen menggunakan regressor dan jenis model yang berbeda, yang mencakup model tradisional dan ML. Tim mengikuti pendekatan Kaizen, belajar dari model yang sebelumnya tidak berhasil, dan menerapkan model hanya jika berhasil. Eksperimen dilanjutkan di samping sementara model pemenang diterapkan.
- Manajemen perubahan - Kami meminta pemilik kategori yang biasa melakukan pemesanan menggunakan pertimbangan bisnis untuk mempercayai sistem pemesanan berbasis ML. Rencana penerapan sistemik memastikan bahwa hasil alat disimpan, dan alat dioperasikan dengan irama yang disiplin, sehingga persediaan yang terisi dan saat ini dapat diidentifikasi dan dicatat tepat waktu.
Kompleksitas dalam meramalkan kategori produk segar
Permintaan peramalan untuk kategori produk segar menantang karena produk segar memiliki umur simpan yang pendek. Dengan perkiraan yang berlebihan, toko-toko akhirnya menjual produk yang sudah basi atau terlalu matang, atau membuang sebagian besar inventaris mereka (disebut sebagai penyusutan). Jika di bawah perkiraan, produk mungkin akan habis, yang memengaruhi pengalaman pelanggan. Pelanggan dapat meninggalkan keranjang mereka jika mereka tidak dapat menemukan barang-barang penting dalam daftar belanjanya, karena mereka tidak ingin menunggu di antrean checkout hanya untuk beberapa produk. Untuk menambah kerumitan ini, MRL memiliki banyak SKU di lebih dari 600 supermarketnya, yang menghasilkan lebih dari 6,000 kombinasi SKU toko.
Pada akhir 2019, MRL menggunakan metode statistik tradisional untuk membuat model perkiraan untuk setiap kombinasi SKU toko, yang menghasilkan akurasi serendah 40%. Perkiraan dipertahankan melalui beberapa model individu, membuatnya mahal secara komputasi dan operasional.
Perkiraan permintaan untuk penempatan pesanan
Di awal tahun 2020, MRL dan Ganit mulai bekerja sama untuk lebih meningkatkan akurasi peramalan kategori segar yang dikenal dengan Fruits and Vegetables (F&V), dan mengurangi penyusutan.
Ganit menyarankan MRL untuk memecah masalah mereka menjadi dua bagian:
- Perkiraan permintaan untuk setiap kombinasi SKU toko
- Hitung kuantitas pesanan (indentasi)
Kami membahas lebih detail dari setiap aspek di bagian berikut.
Permintaan prakiraan
Pada bagian ini, kita membahas langkah-langkah peramalan permintaan untuk setiap kombinasi SKU toko.
Pahami pendorong permintaan
Tim Ganit memulai perjalanan mereka dengan terlebih dahulu memahami faktor-faktor yang mendorong permintaan di dalam toko. Ini termasuk beberapa kunjungan toko di tempat, diskusi dengan manajer kategori, dan pertemuan irama dengan CEO supermarket ditambah dengan keahlian perkiraan internal Ganit sendiri pada beberapa aspek lain seperti faktor musiman, persediaan habis, sosio-ekonomi, dan makro-ekonomi. .
Setelah kunjungan toko, sekitar 80 hipotesis tentang berbagai faktor dirumuskan untuk mempelajari dampaknya terhadap permintaan F&V. Tim melakukan pengujian hipotesis komprehensif menggunakan teknik seperti korelasi, analisis bivariat dan univariat, dan uji signifikansi statistik (uji-t Student, uji Z) untuk menetapkan hubungan antara permintaan dan faktor-faktor yang relevan seperti tanggal festival, cuaca, promosi, dan banyak lagi. .
Segmentasi data
Tim tersebut menekankan pada pengembangan model terperinci yang dapat memperkirakan kombinasi SKU toko secara akurat untuk setiap hari. Kombinasi kontribusi penjualan dan kemudahan prediksi dibangun sebagai kerangka kerja ABC-XYZ, dengan ABC menunjukkan kontribusi penjualan (A adalah yang tertinggi) dan XYZ menunjukkan kemudahan prediksi (Z adalah yang terendah). Untuk pembuatan model, fokus baris pertama adalah pada kombinasi SKU toko yang memiliki kontribusi tinggi terhadap penjualan dan yang paling sulit untuk diprediksi. Hal ini dilakukan untuk memastikan bahwa peningkatan akurasi peramalan memiliki dampak bisnis yang maksimal.
Pengolahan data
Data transaksi MRL terstruktur seperti data point of sale konvensional, dengan kolom seperti nomor ponsel, nomor tagihan, kode barang, kode toko, tanggal, jumlah tagihan, nilai realisasi, dan nilai diskon. Tim menggunakan data transaksional harian selama 2 tahun terakhir untuk membangun model. Menganalisis data historis membantu mengidentifikasi dua tantangan:
- Kehadiran banyak nilai yang hilang
- Beberapa hari mengalami penjualan yang sangat tinggi atau rendah pada tingkat tagihan, yang menunjukkan adanya pencilan dalam data
Perlakuan nilai hilang
Menyelami lebih dalam ke nilai yang hilang mengidentifikasi alasan seperti tidak ada stok yang tersedia di toko (tidak ada persediaan atau tidak musim) dan toko ditutup karena liburan yang direncanakan atau kendala eksternal (seperti penutupan regional atau nasional, atau pekerjaan konstruksi). Nilai yang hilang diganti dengan 0, dan regressor atau flag yang sesuai ditambahkan ke model sehingga model dapat belajar dari ini untuk acara mendatang seperti itu.
Perawatan outlier
Tim menangani pencilan pada tingkat tagihan yang paling terperinci, yang memastikan bahwa faktor-faktor seperti likuidasi, pembelian massal (B2B), dan kualitas buruk dipertimbangkan. Misalnya, perlakuan tingkat tagihan mungkin termasuk mengamati KPI untuk setiap kombinasi SKU toko pada tingkat hari, seperti pada grafik berikut.
Kami kemudian dapat menandai tanggal di mana jumlah yang sangat tinggi dijual sebagai pencilan, dan menyelami lebih dalam pencilan yang teridentifikasi tersebut. Analisis lebih lanjut menunjukkan bahwa pencilan ini adalah pembelian institusional yang telah direncanakan sebelumnya.
Pencilan tingkat tagihan ini kemudian dibatasi dengan jumlah penjualan maksimum untuk tanggal tersebut. Grafik berikut menunjukkan perbedaan permintaan tingkat tagihan.
Proses peramalan
Tim menguji beberapa teknik perkiraan seperti model deret waktu, model berbasis regresi, dan model pembelajaran mendalam sebelum memilih Perkiraan. Alasan utama memilih Perkiraan adalah perbedaan performa saat membandingkan keakuratan perkiraan di keranjang XY dengan keranjang Z, yang paling sulit diprediksi. Meskipun sebagian besar teknik konvensional memberikan akurasi yang lebih tinggi di keranjang XY, hanya algoritme ML di Forecast yang memberikan akurasi tambahan 10% dibandingkan dengan model lain. Hal ini terutama disebabkan oleh kemampuan Forecast untuk mempelajari pola SKU (XY) lainnya dan menerapkan pembelajaran tersebut ke item yang sangat mudah menguap di Z bucket. Melalui AutoML, algoritma Forecast DeepAR + menjadi pemenang dan dipilih sebagai model perkiraan.
Iterasi untuk lebih meningkatkan akurasi perkiraan
Setelah tim mengidentifikasi Deep AR + sebagai algoritme pemenang, mereka menjalankan beberapa eksperimen dengan fitur tambahan untuk lebih meningkatkan akurasi. Mereka melakukan beberapa iterasi pada kumpulan sampel yang lebih kecil dengan kombinasi berbeda seperti data rangkaian waktu target murni (dengan dan tanpa perlakuan outlier), regressor seperti festival atau penutupan toko, dan metadata item toko (hierarki item toko) untuk memahami kombinasi terbaik untuk meningkatkan akurasi perkiraan. Kombinasi deret waktu target yang ditangani secara outlier bersama dengan metadata item toko dan regressor menghasilkan akurasi tertinggi. Ini diperkecil kembali ke kumpulan asli 6,230 kombinasi SKU toko untuk mendapatkan perkiraan akhir.
Perhitungan kuantitas pesanan
Setelah tim mengembangkan model peramalan, langkah segera berikutnya adalah menggunakannya untuk memutuskan berapa banyak inventaris yang akan dibeli dan memesan. Pembuatan pesanan dipengaruhi oleh permintaan yang diperkirakan, persediaan saat ini, dan faktor di dalam toko yang relevan lainnya.
Rumus berikut ini menjadi dasar untuk mendesain konstruk order.
Tim juga mempertimbangkan parameter penyesuaian indentasi lainnya untuk sistem pemesanan otomatis, seperti kuantitas pesanan minimum, faktor unit layanan, stok penutupan minimum, stok tampilan minimum (berdasarkan planogram), dan penyesuaian rasio pengisian, sehingga menjembatani kesenjangan antara mesin dan manusia. intelijen.
Seimbangkan skenario under-forecast dan over-forecast
Untuk mengoptimalkan biaya output penyusutan dengan biaya kehabisan stok dan kehilangan penjualan, tim menggunakan fitur kuantil dari Forecast untuk memindahkan respons perkiraan dari model.
Dalam desain model, tiga prakiraan dihasilkan pada p40, p50, dan p60, dengan p50 menjadi pangkalan kuantitatif. Pemilihan kuantil diprogram untuk didasarkan pada kehabisan stok dan pemborosan di toko-toko di masa lalu. Misalnya, kuantitas yang lebih tinggi secara otomatis dipilih jika kombinasi SKU toko tertentu menghadapi kehabisan stok terus menerus dalam 3 hari terakhir, dan kuantitas yang lebih rendah secara otomatis dipilih jika SKU toko telah menyaksikan pemborosan yang tinggi. Kuantum peningkatan dan penurunan kuantitas didasarkan pada besarnya persediaan atau penyusutan di dalam toko.
Penempatan pesanan otomatis melalui Oracle ERP
MRL menyebarkan Forecast dan sistem pemesanan indentasi dalam produksi dengan mengintegrasikannya dengan sistem ERP Oracle, yang digunakan MRL untuk penempatan pesanan. Diagram berikut menggambarkan arsitektur akhir.
Untuk menerapkan sistem pemesanan ke dalam produksi, semua data MRL dimigrasikan ke AWS. Tim menyiapkan pekerjaan ETL untuk memindahkan tabel langsung Pergeseran Merah Amazon (gudang data untuk pekerjaan intelijen bisnis), sehingga Amazon Redshift menjadi satu-satunya sumber input untuk semua pemrosesan data di masa mendatang.
Seluruh arsitektur data dibagi menjadi dua bagian:
- Mesin peramalan:
- Data permintaan historis yang digunakan (keterlambatan permintaan 1 hari) yang ada di Amazon Redshift
- Masukan regressor lainnya seperti waktu tagihan terakhir, harga, dan festival dipertahankan di Amazon Redshift
- An Cloud komputasi elastis Amazon Instans (Amazon EC2) diatur dengan skrip Python yang disesuaikan untuk mempertengkarkan transaksi, regressor, dan metadata lainnya
- Perselisihan pasca-data, data dipindahkan ke file Layanan Penyimpanan Sederhana Amazon (Amazon S3) untuk menghasilkan perkiraan (perkiraan T + 2 untuk semua kombinasi SKU toko)
- Output perkiraan akhir disimpan dalam folder terpisah dalam bucket S3
- Mesin pesanan (indentasi):
- Semua data yang diperlukan untuk mengubah perkiraan menjadi pesanan (seperti stok di tangan, diterima untuk jumlah toko, 2 hari terakhir pesanan ditempatkan untuk diterima, faktor unit layanan, dan stok pembukaan dan penutupan minimum berbasis planogram) disimpan dan dipertahankan di Amazon Redshift
- Kuantitas pesanan dihitung melalui skrip Python yang dijalankan pada instans EC2
- Pesanan kemudian dipindahkan ke sistem ERP Oracle, yang menempatkan pesanan ke vendor
Seluruh sistem pemesanan dipisahkan menjadi beberapa segmen utama. Tim menyiapkan pemberitahuan email penjadwal Apache Airflow untuk setiap proses guna memberi tahu pemangku kepentingan masing-masing setelah berhasil atau gagal, sehingga mereka dapat mengambil tindakan segera. Pesanan yang ditempatkan melalui sistem ERP kemudian dipindahkan ke tabel Amazon Redshift untuk menghitung pesanan hari berikutnya. Kemudahan integrasi antara AWS dan sistem ERP menghasilkan sistem pemesanan otomatis ujung ke ujung yang lengkap tanpa campur tangan manusia.
Kesimpulan
Pendekatan berbasis ML membuka kekuatan data yang sebenarnya untuk MRL. Dengan Forecast, kami membuat dua model nasional untuk format toko yang berbeda, dibandingkan dengan lebih dari 1,000 model tradisional yang telah kami gunakan.
Perkiraan juga belajar di seluruh deret waktu. Algoritme ML dalam Forecast memungkinkan pembelajaran silang antara kombinasi SKU toko, yang membantu meningkatkan akurasi perkiraan.
Selain itu, Forecast memungkinkan Anda menambahkan deret waktu terkait dan metadata item, seperti pelanggan yang mengirimkan sinyal permintaan berdasarkan campuran item di keranjang mereka. Prakiraan mempertimbangkan semua informasi permintaan yang masuk dan sampai pada satu model. Tidak seperti model konvensional, di mana penambahan variabel menyebabkan overfitting, Forecast memperkaya model, memberikan perkiraan yang akurat berdasarkan konteks bisnis. MRL memperoleh kemampuan untuk mengkategorikan produk berdasarkan faktor-faktor seperti umur simpan, promosi, harga, jenis toko, cluster makmur, toko kompetitif, dan throughput toko. Kami menyarankan Anda mencoba Amazon Forecast untuk meningkatkan operasi rantai pasokan Anda. Anda dapat mempelajari lebih lanjut tentang Amazon Forecast di sini. Untuk mempelajari lebih lanjut tentang Ganit dan solusi kami, hubungi info@ganitinc.com untuk mempelajari lebih lanjut.
Konten dan opini dalam posting ini adalah milik penulis pihak ketiga dan AWS tidak bertanggung jawab atas konten atau keakuratan posting ini.
Tentang Penulis
Supratim Banerjee adalah Chief Transformation Officer at Lebih Ritel Terbatas. Dia adalah seorang profesional berpengalaman dengan sejarah yang ditunjukkan bekerja di industri modal ventura dan ekuitas swasta. Dia adalah seorang konsultan di KPMG dan bekerja dengan organisasi seperti AT Kearney dan India Equity Partners. Dia memegang gelar MBA yang berfokus pada Keuangan, Umum dari Indian School of Business, Hyderabad.
Shivaprasad KT adalah Co-Founder & CEO at Ganit Inc. Dia memiliki lebih dari 17 tahun pengalaman dalam memberikan dampak terbaik dan terbawah menggunakan ilmu data di AS, Australia, Asia, dan India. Dia telah menjadi penasihat CXO di perusahaan seperti Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo, dan Citibank. Dia memegang gelar MBA dari SP Jain, Mumbai, dan gelar sarjana di bidang Teknik dari NITK Surathkal.
Gaurav H Kankaria adalah Ilmuwan Data Senior at Ganit Inc. Dia memiliki lebih dari 6 tahun pengalaman dalam merancang dan menerapkan solusi untuk membantu organisasi di bidang ritel, CPG, dan BFSI membuat keputusan berdasarkan data. Dia memegang gelar sarjana dari VIT University, Vellore.
