Questo post è una collaborazione congiunta ospite di Supratim Banerjee di More Retail Limited e Shivaprasad KT e Gaurav H Kankaria di Ganit Inc.
More Retail Ltd. (MRL) è uno dei primi quattro rivenditori di generi alimentari in India, con un fatturato dell'ordine di diversi miliardi di dollari. Dispone di una rete di negozi di 22 ipermercati e 624 supermercati in tutta l'India, supportata da una catena di fornitura di 13 centri di distribuzione, 7 centri di raccolta di frutta e verdura e 6 centri di lavorazione dei prodotti di base.
Con una rete così ampia, è fondamentale per MRL fornire la giusta qualità del prodotto al giusto valore economico, soddisfacendo al contempo la domanda dei clienti e mantenendo i costi operativi al minimo. MRL ha collaborato con Ganit come partner di analisi AI per prevedere la domanda con maggiore precisione e costruire un sistema di ordinazione automatizzato per superare i colli di bottiglia e le carenze del giudizio manuale da parte dei gestori dei negozi. MRL utilizzato Previsioni Amazon aumentare la precisione delle previsioni dal 24% al 76%, portando a una riduzione degli sprechi fino al 30% nella categoria dei prodotti freschi, migliorando i tassi di stock dall'80% al 90% e aumentando l'utile lordo del 25%.
Siamo riusciti a ottenere questi risultati aziendali e a creare un sistema di ordinazione automatizzato per due motivi principali:
- Capacità di sperimentare - Forecast fornisce una piattaforma flessibile e modulare attraverso la quale abbiamo eseguito più di 200 esperimenti utilizzando diversi regressori e tipi di modelli, che includevano sia modelli tradizionali che ML. Il team ha seguito un approccio Kaizen, imparando da modelli precedentemente non riusciti e implementando modelli solo quando hanno avuto successo. La sperimentazione è continuata mentre venivano schierati i modelli vincenti.
- Cambio gestione - Abbiamo chiesto ai proprietari di categorie che erano abituati a effettuare ordini utilizzando il giudizio aziendale di fidarsi del sistema di ordinazione basato sul ML. Un piano di adozione sistemica ha assicurato che i risultati dello strumento fossero archiviati e lo strumento fosse utilizzato con una cadenza disciplinata, in modo che le scorte piene e quelle correnti fossero identificate e registrate in tempo.
Complessità nella previsione della categoria dei prodotti freschi
La previsione della domanda per la categoria dei prodotti freschi è impegnativa perché i prodotti freschi hanno una durata di conservazione breve. Con previsioni eccessive, i negozi finiscono per vendere prodotti obsoleti o troppo maturi o buttano via la maggior parte del loro inventario (definito come restringimento). Se sottostimati, i prodotti potrebbero essere esauriti, il che influisce sull'esperienza del cliente. I clienti possono abbandonare il carrello se non riescono a trovare gli articoli chiave nella loro lista della spesa, perché non vogliono aspettare in coda per una manciata di prodotti. Per aggiungere a questa complessità, MRL ha molti SKU nei suoi oltre 600 supermercati, portando a più di 6,000 combinazioni di SKU negozio.
Entro la fine del 2019, MRL utilizzava metodi statistici tradizionali per creare modelli di previsione per ciascuna combinazione negozio-SKU, con un'accuratezza fino al 40%. Le previsioni sono state mantenute attraverso più modelli individuali, rendendole computazionalmente e operativamente costose.
Previsione della domanda per il posizionamento degli ordini
All'inizio del 2020, MRL e Ganit hanno iniziato a lavorare insieme per migliorare ulteriormente l'accuratezza delle previsioni della categoria dei prodotti freschi, nota come frutta e verdura (F&V), e ridurre il restringimento.
Ganit ha consigliato a MRL di suddividere il problema in due parti:
- Previsione della domanda per ciascuna combinazione di SKU del negozio
- Calcola la quantità dell'ordine (rientri)
Entreremo più in dettaglio di ogni aspetto nelle sezioni seguenti.
Previsione della domanda
In questa sezione vengono illustrati i passaggi per la previsione della domanda per ciascuna combinazione di SKU del negozio.
Comprendi i fattori trainanti della domanda
Il team di Ganit ha iniziato il suo viaggio comprendendo innanzitutto i fattori che hanno guidato la domanda all'interno dei negozi. Ciò includeva più visite in loco in negozio, discussioni con i gestori di categoria e riunioni sulla cadenza con il CEO del supermercato, insieme all'esperienza di previsione interna di Ganit su molti altri aspetti come stagionalità, esaurimento scorte, fattori socioeconomici e macroeconomici .
Dopo le visite in negozio, sono state formulate circa 80 ipotesi su molteplici fattori per studiarne l'impatto sulla domanda di frutta e verdura. Il team ha eseguito test di ipotesi complete utilizzando tecniche come correlazione, analisi bivariata e univariata e test di significatività statistica (test t di Student, test Z) per stabilire la relazione tra la domanda e fattori rilevanti come date dei festival, condizioni meteorologiche, promozioni e molti altri .
Segmentazione dei dati
Il team ha sottolineato lo sviluppo di un modello granulare in grado di prevedere con precisione una combinazione di SKU negozio per ogni giorno. Una combinazione del contributo delle vendite e della facilità di previsione è stata costruita come un framework ABC-XYZ, con ABC che indica il contributo delle vendite (A è il più alto) e XYZ che indica la facilità di previsione (Z è il più basso). Per la creazione di modelli, la prima linea di attenzione era sulle combinazioni negozio-SKU che hanno avuto un alto contributo alle vendite ed erano le più difficili da prevedere. Ciò è stato fatto per garantire che il miglioramento dell'accuratezza delle previsioni abbia il massimo impatto sul business.
Trattamento dei dati
I dati delle transazioni di MRL erano strutturati come i dati dei punti vendita convenzionali, con campi come numero di cellulare, numero di fattura, codice articolo, codice negozio, data, quantità di fattura, valore realizzato e valore di sconto. Il team ha utilizzato i dati transazionali giornalieri degli ultimi 2 anni per la costruzione del modello. L'analisi dei dati storici ha aiutato a identificare due sfide:
- La presenza di numerosi valori mancanti
- Alcuni giorni hanno avuto vendite estremamente alte o basse a livelli di bolletta, il che indicava la presenza di valori anomali nei dati
Trattamento di valore mancante
Un'analisi approfondita dei valori mancanti ha identificato motivi come la mancanza di stock nel negozio (nessuna fornitura o fuori stagione) e la chiusura dei negozi a causa di festività pianificate o vincoli esterni (come una chiusura regionale o nazionale o lavori di costruzione). I valori mancanti sono stati sostituiti con 0 e al modello sono stati aggiunti regressori o flag appropriati in modo che il modello potesse imparare da questo per qualsiasi evento futuro di questo tipo.
Trattamento anomalo
Il team ha trattato i valori anomali al livello di bolletta più granulare, il che ha garantito che fossero considerati fattori come liquidazione, acquisto all'ingrosso (B2B) e cattiva qualità. Ad esempio, il trattamento a livello di bolletta può includere l'osservazione di un KPI per ciascuna combinazione di SKU negozio a livello di giorno, come nel grafico seguente.
Possiamo quindi contrassegnare le date in cui vengono vendute quantità anormalmente elevate come valori anomali e approfondire i valori anomali identificati. Ulteriori analisi mostrano che questi valori anomali sono acquisti istituzionali pre-pianificati.
Questi valori anomali a livello di bolletta vengono quindi limitati con la quantità massima di vendita per quella data. I grafici seguenti mostrano la differenza nella domanda a livello di bolletta.
Processo di previsione
Il team ha testato più tecniche di previsione come modelli di serie temporali, modelli basati sulla regressione e modelli di apprendimento approfondito prima di scegliere Previsione. Il motivo principale per scegliere Previsione era la differenza di prestazioni quando si confrontavano le precisioni delle previsioni nel bucket XY con il bucket Z, che era il più difficile da prevedere. Sebbene la maggior parte delle tecniche convenzionali fornisse precisioni più elevate nel bucket XY, solo gli algoritmi ML in Forecast fornivano una precisione incrementale del 10% rispetto ad altri modelli. Ciò è dovuto principalmente alla capacità di Forecast di apprendere altri modelli SKU (XY) e applicare tali apprendimenti a elementi altamente volatili nel bucket Z. Attraverso AutoML, l'algoritmo di previsione DeepAR + è stato il vincitore e scelto come modello di previsione.
Iterazione per migliorare ulteriormente l'accuratezza delle previsioni
Dopo che il team ha identificato Deep AR + come l'algoritmo vincente, ha eseguito diversi esperimenti con funzionalità aggiuntive per migliorare ulteriormente la precisione. Hanno eseguito più iterazioni su un campione più piccolo con diverse combinazioni come dati di serie temporali target puri (con e senza trattamento anomalo), regressori come festival o chiusure di negozi e metadati di articoli in negozio (gerarchia di articoli in negozio) per capire la migliore combinazione per migliorare l'accuratezza delle previsioni. La combinazione di serie temporali target trattate in modo anomalo con metadati e regressori di articoli del negozio ha restituito la massima precisione. Questo è stato ridimensionato al set originale di 6,230 combinazioni negozio-SKU per ottenere la previsione finale.
Calcolo della quantità dell'ordine
Dopo che il team ha sviluppato il modello di previsione, l'immediato passaggio successivo è stato quello di utilizzarlo per decidere quanto inventario acquistare ed effettuare ordini. La generazione degli ordini è influenzata dalla domanda prevista, dalle scorte disponibili e da altri fattori rilevanti in negozio.
La seguente formula è servita come base per progettare la struttura dell'ordine.
Il team ha anche considerato altri parametri di regolazione del rientro per il sistema di ordinazione automatico, come la quantità minima dell'ordine, il fattore dell'unità di servizio, lo stock minimo di chiusura, lo stock minimo di visualizzazione (basato sul planogramma) e la regolazione del tasso di riempimento, colmando così il divario tra macchina e uomo intelligenza.
Bilancia gli scenari di previsione e previsione eccessiva
Per ottimizzare il costo di output della contrazione con il costo delle scorte e delle vendite perse, il team ha utilizzato la funzione dei quantili di Forecast per spostare la risposta prevista dal modello.
Nella progettazione del modello, sono state generate tre previsioni ai quantili p40, p50 e p60, con p50 come quantile di base. La selezione dei quantili è stata programmata per essere basata su esaurimento scorte e sprechi nei negozi nel recente passato. Ad esempio, i quantili più alti sono stati scelti automaticamente se una particolare combinazione negozio-SKU ha dovuto affrontare continui esaurimenti di scorte negli ultimi 3 giorni e quantili inferiori sono stati scelti automaticamente se lo SKU negozio aveva assistito a un elevato spreco. Il quantum dell'aumento e della diminuzione dei quantili era basato sull'entità dell'esaurimento o della contrazione delle scorte all'interno del negozio.
Inserimento automatico degli ordini tramite Oracle ERP
MRL ha implementato Forecast e i sistemi di ordinazione dei rientri nella produzione integrandoli con il sistema ERP di Oracle, che MRL utilizza per il posizionamento degli ordini. Il diagramma seguente illustra l'architettura finale.
Per distribuire il sistema di ordinazione in produzione, tutti i dati MRL sono stati migrati in AWS. Il team ha impostato i lavori ETL su cui spostare le tabelle live Amazon RedShift (data warehouse per il lavoro di business intelligence), quindi Amazon Redshift è diventato l'unica fonte di input per l'elaborazione futura di tutti i dati.
L'intera architettura dei dati è stata divisa in due parti:
- Motore di previsione:
- Dati storici della domanda utilizzati (ritardo della domanda di 1 giorno) presenti in Amazon Redshift
- Altri input di regressione come l'ora dell'ultima fattura, il prezzo e i festival sono stati mantenuti in Amazon Redshift
- An Cloud di calcolo elastico di Amazon L'istanza (Amazon EC2) è stata configurata con script Python personalizzati per gestire transazioni, regressori e altri metadati
- Post-data wrangling, i dati sono stati spostati in un file Servizio di archiviazione semplice Amazon Bucket (Amazon S3) per generare previsioni (previsioni T + 2 per tutte le combinazioni negozio-SKU)
- L'output della previsione finale è stato archiviato in una cartella separata in un bucket S3
- Ordine (rientro) motore:
- Tutti i dati necessari per convertire le previsioni in ordini (come scorte disponibili, quantità ricevute in negozio, ultimi 2 giorni di ordini effettuati per ricevere, fattore unità di servizio e scorte minime di apertura e chiusura basate su planogramma) sono stati archiviati e mantenuti in Amazon Redshift
- La quantità dell'ordine è stata calcolata tramite script Python eseguiti su istanze EC2
- Gli ordini sono stati quindi trasferiti al sistema ERP di Oracle, che ha effettuato un ordine ai fornitori
L'intero sistema di ordinazione è stato disaccoppiato in più segmenti chiave. Il team ha impostato le notifiche e-mail dello scheduler di Apache Airflow per ogni processo per notificare alle rispettive parti interessate il completamento o il fallimento con successo, in modo che potessero intraprendere un'azione immediata. Gli ordini effettuati tramite il sistema ERP sono stati quindi spostati nelle tabelle Amazon Redshift per il calcolo degli ordini dei giorni successivi. La facilità di integrazione tra i sistemi AWS e ERP ha portato a un sistema completo di ordinazione automatizzato end-to-end con zero intervento umano.
Conclusione
Un approccio basato sul ML ha sbloccato il vero potere dei dati per MRL. Con Forecast, abbiamo creato due modelli nazionali per diversi formati di negozio, rispetto agli oltre 1,000 modelli tradizionali che stavamo utilizzando.
La previsione apprende anche attraverso le serie temporali. Gli algoritmi ML all'interno di Forecast consentono l'apprendimento incrociato tra le combinazioni di SKU del negozio, che aiuta a migliorare l'accuratezza delle previsioni.
Inoltre, Previsione consente di aggiungere serie temporali correlate e metadati degli articoli, come i clienti che inviano segnali di domanda in base alla combinazione di articoli nel carrello. La previsione considera tutte le informazioni sulla domanda in entrata e arriva a un unico modello. A differenza dei modelli convenzionali, dove l'aggiunta di variabili porta all'overfitting, Forecast arricchisce il modello, fornendo previsioni accurate in base al contesto aziendale. MRL ha acquisito la capacità di classificare i prodotti in base a fattori come durata di conservazione, promozioni, prezzo, tipo di negozi, cluster benestante, negozio competitivo e produttività dei negozi. Ti consigliamo di provare Amazon Forecast per migliorare le operazioni della catena di approvvigionamento. Puoi saperne di più su Amazon Forecast qui. Per saperne di più su Ganit e le nostre soluzioni, contatta info@ganitinc.com per saperne di più.
Il contenuto e le opinioni in questo post sono quelli dell'autore di terze parti e AWS non è responsabile per il contenuto o l'accuratezza di questo post.
Informazioni sugli autori
Supratim Banerjee Europe è Chief Transformation Officer at Più vendita al dettaglio Limitato. È un professionista esperto con una storia dimostrata di lavoro nel settore del capitale di rischio e del private equity. È stato consulente di KPMG e ha lavorato con organizzazioni come AT Kearney e India Equity Partners. Ha conseguito un MBA incentrato sulla finanza, generale presso la Indian School of Business, Hyderabad.
Shivaprasad KT Europe è Co-fondatore e CEO at Ganit Inc. Ha più di 17 anni di esperienza nella fornitura di un impatto sui profitti e sui profitti utilizzando la scienza dei dati negli Stati Uniti, in Australia, in Asia e in India. Ha assistito CXO di aziende come Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo e Citibank. Ha conseguito un MBA presso SP Jain, Mumbai, e una laurea in ingegneria presso NITK Surathkal.
Gaurav H Kankaria Europe è Scienziato esperto di dati at Ganit Inc. Ha oltre 6 anni di esperienza nella progettazione e nell'implementazione di soluzioni per aiutare le organizzazioni nei settori retail, CPG e BFSI a prendere decisioni basate sui dati. Ha conseguito una laurea presso la VIT University, Vellore.
