הפוסט הזה הוא שיתוף פעולה אורח משותף של Supratim Banerjee מ-More Retail Limited ו-Shivaprasad KT ו-Gaurav H Kankaria מ-Gnit Inc.
More Retail Ltd. (MRL) היא אחת מארבעת קמעונאי המכולת המובילים בהודו, עם הכנסות בסדר גודל של כמה מיליארדי דולרים. יש לה רשת חנויות של 22 היפרמרקטים ו-624 סופרמרקטים ברחבי הודו, הנתמכת על ידי שרשרת אספקה של 13 מרכזי הפצה, 7 מרכזי איסוף פירות וירקות ו-6 מרכזי עיבוד מוצרי יסוד.
עם רשת כה גדולה, קריטי ל-MRL לספק את איכות המוצר הנכונה ובערך הכלכלי הנכון, תוך עמידה בדרישת הלקוחות ושמירה על עלויות תפעול למינימום. MRL שיתפה פעולה עם גנית כשותפה לניתוח בינה מלאכותית כדי לחזות את הביקוש בדיוק רב יותר ולבנות מערכת הזמנות אוטומטית כדי להתגבר על צווארי הבקבוק והליקויים של שיקול דעת ידני של מנהלי חנויות. השתמשו ב-MRL תחזית אמזון להגדיל את דיוק החיזוי שלהם מ-24% ל-76%, מה שיוביל להפחתת בזבוז של עד 30% בקטגוריית התוצרת הטרייה, שיפור שיעורי המלאי מ-80% ל-90% והגדלת הרווח הגולמי ב-25%.
הצלחנו להשיג את התוצאות העסקיות הללו ולבנות מערכת הזמנות אוטומטית בגלל שתי סיבות עיקריות:
- יכולת להתנסות – Forecast מספקת פלטפורמה גמישה ומודולרית שדרכה הרצנו יותר מ-200 ניסויים באמצעות רגרסורים וסוגי מודלים שונים, שכללו מודלים מסורתיים ו-ML כאחד. הצוות עקב אחר גישת Kaizen, למד ממודלים שלא הצליחו בעבר, ופריסה מודלים רק כשהם הצליחו. הניסויים נמשכו בצד בזמן שנפרסו דגמים מנצחים.
- שינוי הנהלה – ביקשנו מבעלי קטגוריות שהיו רגילים לבצע הזמנות תוך שימוש בשיקול דעת עסקי לתת אמון במערכת ההזמנות מבוססת ML. תוכנית אימוץ מערכתית הבטיחה שמירת תוצאות הכלי והכלי הופעל בקצב ממושמע, כך שמלאי מלא ועדכני זוהה ונרשם בזמן.
מורכבות בחיזוי קטגוריית התוצרת הטרייה
חיזוי הביקוש לקטגוריית התוצרת הטרייה היא מאתגרת מכיוון שלמוצרים טריים יש חיי מדף קצרים. עם תחזית יתר, בסופו של דבר חנויות מוכרות מוצרים מיושנים או בשלים מדי, או זורקות את רוב המלאי שלהן (המכונה בשם הצטמקות). אם תחזית נמוכה, ייתכן שהמוצרים אזלו מהמלאי, מה שמשפיע על חווית הלקוח. לקוחות עשויים לנטוש את העגלה שלהם אם הם לא יכולים למצוא פריטי מפתח ברשימת הקניות שלהם, כי הם לא רוצים להמתין בתורים לקופה רק לקומץ מוצרים. כדי להוסיף למורכבות זו, ל-MRL יש מק"טים רבים על פני למעלה מ-600 סופרמרקטים, מה שמוביל ליותר מ-6,000 שילובי מק"ט של חנות.
עד סוף 2019, MRL השתמש בשיטות סטטיסטיות מסורתיות כדי ליצור מודלים של חיזוי עבור כל שילוב חנות-מק"ט, מה שהביא לדיוק נמוך של 40%. התחזיות נשמרו באמצעות מספר מודלים בודדים, מה שהפך אותו ליקר מבחינה חישובית ותפעולית.
חיזוי ביקוש לביצוע הזמנה
בתחילת 2020, MRL וגנית החלו לעבוד יחד כדי לשפר עוד יותר את הדיוק בחיזוי הקטגוריה הטרייה, המכונה פירות וירקות (F&V), ולהפחית את הצטמקות.
גנית המליצה ל-MRL לחלק את הבעיה שלהם לשני חלקים:
- ביקוש תחזית לכל שילוב חנות-מק"ט
- חשב כמות הזמנה (כניסות)
אנו נפרט יותר על כל היבט בסעיפים הבאים.
דרישת תחזית
בסעיף זה, אנו דנים בשלבים של חיזוי ביקוש עבור כל שילוב חנות-מק"ט.
הבן את המניעים של הביקוש
הצוות של גנית התחיל את דרכם בהבנה תחילה של הגורמים שהניעו את הביקוש בחנויות. זה כלל ביקורים מרובים בחנות באתר, דיונים עם מנהלי קטגוריות ופגישות קדנס עם מנכ"ל הסופרמרקט יחד עם מומחיות חיזוי פנימית של גנית בכמה היבטים נוספים כמו עונתיות, מלאי אאוט, גורמים סוציו-אקונומיים ומקרו-כלכליים. .
לאחר הביקורים בחנות, גובשו כ-80 השערות על מספר גורמים כדי לחקור את השפעתן על הביקוש ל-F&V. הצוות ביצע בדיקות השערות מקיפות תוך שימוש בטכניקות כמו מתאם, ניתוח דו-משתני וחד-משתני, ומבחני מובהקות סטטיסטית (מבחן t של התלמיד, מבחני Z) כדי לקבוע את הקשר בין ביקוש לגורמים רלוונטיים כגון תאריכי פסטיבל, מזג אוויר, מבצעים ועוד רבים נוספים. .
פילוח נתונים
הצוות הדגיש פיתוח מודל פרטני שיכול לחזות במדויק שילוב של חנות-מק"ט לכל יום. שילוב של תרומת המכירות וקלות החיזוי נבנה כמסגרת ABC-XYZ, כאשר ABC מציין את תרומת המכירות (A היא הגבוהה ביותר) ו-XYZ מציינת את קלות החיזוי (Z היא הנמוכה ביותר). בבניית מודלים, קו המיקוד הראשון היה על שילובי חנות-מק"ט שהייתה להם תרומה גבוהה למכירות והכי קשה לחזות אותם. זה נעשה כדי להבטיח שלשיפור דיוק התחזית תהיה ההשפעה העסקית המקסימלית.
טיפול בנתונים
נתוני העסקאות של MRL היו בנויים כמו נתוני נקודות מכירה קונבנציונליים, עם שדות כמו מספר נייד, מספר חשבון, קוד פריט, קוד חנות, תאריך, כמות חשבון, ערך מומש וערך הנחה. הצוות השתמש בנתוני עסקאות יומיים בשנתיים האחרונות לבניית מודלים. ניתוח נתונים היסטוריים עזר לזהות שני אתגרים:
- נוכחותם של ערכים חסרים רבים
- בחלק מהימים היו מכירות גבוהות או נמוכות במיוחד ברמות החשבונות, מה שהצביע על נוכחות חריגים בנתונים
חסר טיפול ערכי
צלילה עמוקה לתוך הערכים החסרים שזוהו סיבות כגון אין מלאי זמין בחנות (ללא אספקה או לא בעונה) וחנויות סגורות עקב חופשות מתוכננות או אילוצים חיצוניים (כגון השבתה אזורית או ארצית, או עבודות בנייה). הערכים החסרים הוחלפו ב-0, ונוספו רגרסורים או דגלים מתאימים למודל כך שהמודל יוכל ללמוד מכך לכל אירוע עתידי שכזה.
טיפול חריג
הצוות טיפל בחריגים ברמת החשבונות המפורטת ביותר, מה שהבטיח שנלקחו בחשבון גורמים כמו פירוק, קנייה בכמויות גדולות (B2B) ואיכות גרועה. לדוגמה, טיפול ברמת החשבון עשוי לכלול צפייה ב-KPI עבור כל שילוב חנות-מק"ט ברמת יום, כמו בגרף הבא.
לאחר מכן נוכל לסמן תאריכים שבהם נמכרות כמויות גבוהות באופן חריג כחריגים, ולצלול עמוק יותר לתוך אותם חריגים שזוהו. ניתוח נוסף מראה כי חריגים אלה הם רכישות מוסדיות מתוכננות מראש.
החריגים הללו ברמת החשבון מוגבלים לאחר מכן עם כמות המכירות המקסימלית לתאריך זה. הגרפים הבאים מציגים את ההבדל בביקוש ברמת החשבון.
תהליך חיזוי
הצוות בדק מספר טכניקות חיזוי כמו מודלים של סדרות זמן, מודלים מבוססי רגרסיה ומודלים של למידה עמוקה לפני בחירת Forecast. הסיבה העיקרית לבחירה ב-Forecast הייתה ההבדל בביצועים בעת השוואת דיוק התחזית בדלי XY מול דלי Z, שהיה הקשה ביותר לניבוי. למרות שרוב הטכניקות הקונבנציונליות סיפקו דיוק גבוה יותר בדלי XY, רק אלגוריתמי ה-ML ב-Forecast סיפקו דיוק מצטבר של 10% בהשוואה לדגמים אחרים. זה נבע בעיקר מהיכולת של Forecast ללמוד דפוסי SKUs אחרים (XY) וליישם את הלמידה הללו על פריטים נדיפים מאוד בדלי Z. באמצעות AutoML, אלגוריתם Forecast DeepAR+ היה המנצח ונבחר כמודל התחזית.
איטרציה כדי לשפר עוד יותר את דיוק החיזוי
לאחר שהצוות זיהה את Deep AR+ כאלגוריתם המנצח, הם הריצו מספר ניסויים עם תכונות נוספות כדי לשפר עוד יותר את הדיוק. הם ביצעו איטרציות מרובות על סט מדגם קטן יותר עם שילובים שונים כמו נתוני סדרות זמן טהורים (עם ובלי טיפול חריג), רגרסורים כמו פסטיבלים או סגירת חנויות, ומטא נתונים של פריט חנות (היררכיית פריט חנות) כדי להבין את השילוב הטוב ביותר עבור שיפור דיוק התחזית. השילוב של סדרות זמן יעד שטופלו בחריגים יחד עם מטא נתונים של פריט חנות ורגרסורים החזירו את הדיוק הגבוה ביותר. זה הצטמצם לסט המקורי של 6,230 שילובי מק"ט של חנות כדי לקבל את התחזית הסופית.
חישוב כמות הזמנה
לאחר שהצוות פיתח את מודל החיזוי, השלב הבא המיידי היה להשתמש בזה כדי להחליט כמה מלאי לקנות ולבצע הזמנות. יצירת ההזמנות מושפעת מהביקוש החזוי, המלאי הנוכחי בהישג יד וגורמים רלוונטיים אחרים בחנות.
הנוסחה הבאה שימשה בסיס לתכנון מבנה הסדר.
הצוות גם שקל פרמטרים אחרים של התאמת כניסות למערכת ההזמנה האוטומטית, כגון כמות הזמנה מינימלית, מקדם יחידת שירות, מלאי סגירה מינימלי, מלאי תצוגה מינימלי (מבוסס על פלנוגרמה), והתאמת קצב מילוי, ובכך לגשר על הפער בין המכונה לאדם. אינטליגנציה.
איזון בין תרחישי תת-תחזית ותחזיות יתר
כדי לייעל את עלות התפוקה של הצטמקות עם העלות של מלאי אובדן מכירות, הצוות השתמש בתכונת הקוונטילים של Forecast כדי להעביר את תגובת התחזית מהמודל.
בתכנון המודל נוצרו שלוש תחזיות בקוונטילים p40, p50 ו-p60, כאשר p50 הוא הקוונטיל הבסיסי. בחירת הקוונטילים תוכננה להתבסס על מלאי ובזבוז בחנויות בעבר הקרוב. לדוגמה, כמות גדולה יותר נבחרו אוטומטית אם שילוב חנות-מק"ט מסוים עמד בפני יציאות רצופות ב-3 הימים האחרונים, וכמות נמוכה יותר נבחרו אוטומטית אם החנות-מק"ט הייתה עדה לבזבוז גבוה. כמות הכמויות ההולכת ופוחתת התבססה על גודל המלאי או הצטמקות בתוך החנות.
ביצוע הזמנה אוטומטית באמצעות Oracle ERP
MRL פרסה את Forecast ואת מערכות הזמנת הכניסה בייצור על ידי שילובן עם מערכת ה-ERP של אורקל, שבה MRL משתמשת לביצוע הזמנות. התרשים הבא ממחיש את הארכיטקטורה הסופית.
כדי לפרוס את מערכת ההזמנות לייצור, כל נתוני ה-MRL הועברו ל-AWS. הצוות הקים משרות ETL כדי להעביר אליהן שולחנות חיים האדום של אמזון (מחסן נתונים לעבודת בינה עסקית), כך ש-Amazon Redshift הפכה למקור הקלט היחיד עבור כל עיבוד הנתונים בעתיד.
ארכיטקטורת הנתונים כולה חולקה לשני חלקים:
- מנוע חיזוי:
- השתמשו בנתוני ביקוש היסטוריים (פיגור ביקוש של יום אחד) הקיימים באמזון Redshift
- כניסות רגרסיביות אחרות כמו זמן חשבון אחרון, מחיר ופסטיבלים נשמרו באמזון Redshift
- An ענן מחשוב אלסטי של אמזון מופע (Amazon EC2) הוגדר עם סקריפטים מותאמים אישית של Python כדי לסבך עסקאות, רגרסורים ומטא נתונים אחרים
- לאחר התקוטטות נתונים, הנתונים הועברו ל-an שירות אחסון פשוט של אמזון (Amazon S3) דלי להפקת תחזיות (תחזיות T+2 עבור כל שילובי החנות-SKU)
- פלט התחזית הסופי נשמר בתיקייה נפרדת בדלי S3
- מנוע הזמנה (כניסה):
- כל הנתונים הנדרשים להמרת תחזיות להזמנות (כגון מלאי בהישג יד, שהתקבלה לכמות החנות, 2 הימים האחרונים של הזמנות שקיבלו, מקדם יחידת שירות ומלאי פתיחה וסגירה מינימליים מבוססי פלנוגרמה) אוחסנו ונשמרו באמזון Redshift
- כמות ההזמנה חושבה באמצעות סקריפטים של Python המופעלים במופעי EC2
- לאחר מכן הועברו ההזמנות למערכת ה-ERP של אורקל, אשר ביצעה הזמנה לספקים
כל מערכת ההזמנות נותקה למספר מקטעי מפתח. הצוות הגדיר הודעות דוא"ל של מתזמן Apache Airflow עבור כל תהליך כדי ליידע את בעלי העניין בהתאמה על סיום מוצלח או כשלון, כדי שיוכלו לנקוט בפעולה מיידית. ההזמנות שבוצעו דרך מערכת ה-ERP הועברו לאחר מכן לטבלאות אמזון Redshift לצורך חישוב ההזמנות של הימים הבאים. קלות האינטגרציה בין מערכות AWS ו-ERP הובילה למערכת הזמנות אוטומטית מלאה מקצה לקצה עם אפס התערבות אנושית.
סיכום
גישה מבוססת ML פתחה את הכוח האמיתי של נתונים עבור MRL. עם Forecast, יצרנו שני מודלים לאומיים לפורמטים שונים של חנויות, בניגוד ליותר מ-1,000 דגמים מסורתיים שבהם השתמשנו.
תחזית גם לומדת על פני סדרות זמן. אלגוריתמי ML בתוך Forecast מאפשרים למידה צולבת בין שילובי חנות-SKU, מה שעוזר לשפר את דיוק התחזית.
בנוסף, Forecast מאפשרת לך להוסיף סדרות זמן ומטא נתונים קשורים של פריטים, כגון לקוחות ששולחים אותות ביקוש על סמך תמהיל הפריטים בסל שלהם. תחזית בוחנת את כל מידע הביקוש הנכנס ומגיעה למודל יחיד. בניגוד למודלים קונבנציונליים, שבהם הוספת משתנים מובילה להתאמת יתר, Forecast מעשירה את המודל, ומספקת תחזיות מדויקות המבוססות על הקשר עסקי. MRL השיגה את היכולת לסווג מוצרים על סמך גורמים כמו חיי מדף, מבצעים, מחיר, סוג חנויות, אשכול אמיד, חנות תחרותית ותפוקת חנויות. אנו ממליצים לך לנסות את Amazon Forecast כדי לשפר את פעילות שרשרת האספקה שלך. אתה יכול ללמוד עוד על Amazon Forecast כאן. למידע נוסף על גנית והפתרונות שלנו, פנה אל info@ganitinc.com ללמוד 'יותר.
התוכן והדעות בפוסט זה הם של מחבר צד ג 'ו- AWS אינה אחראית לתוכן או לדיוק של פוסט זה.
על הכותבים
Supratim Banerjee האם ה קצין טרנספורמציה ראשי at עוד קמעונאות מוגבל. הוא איש מקצוע מנוסה עם היסטוריה מוכחת של עבודה בתעשיות ההון סיכון והפרייבט אקוויטי. הוא היה יועץ ב-KPMG ועבד עם ארגונים כמו AT Kearney ו-India Equity Partners. הוא בעל תואר MBA המתמקד בפיננסים, כללי מבית הספר ההודי לעסקים, היידראבאד.
Shivaprasad KT האם ה מייסד משותף ומנכ"ל at גנית בע"מ יש לו 17+ שנות ניסיון במתן השפעה בשורה העליונה ובשורה התחתונה באמצעות מדעי הנתונים בארה"ב, אוסטרליה, אסיה והודו. הוא ייעץ ל-CXOs בחברות כמו Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo ו- Citibank. הוא בעל תואר שני במנהל עסקים מ-SP Jain, מומבאי, ותואר ראשון בהנדסה מ-NITK Surathkal.
גורב ח קנקריה האם ה מדען נתונים בכיר at גנית בע"מ יש לו למעלה מ-6 שנות ניסיון בתכנון והטמעת פתרונות שיעזרו לארגונים בתחום הקמעונאות, CPG ו-BFSI לקבל החלטות מונעות נתונים. הוא בעל תואר ראשון מאוניברסיטת VIT, Vellore.
