この投稿は、More RetailLimitedのSupratimBanerjeeと、GanitIncのShivaprasadKTおよびGauravHKankariaによるゲスト共同コラボレーションです。
More Retail Ltd.（MRL）は、インドでトップ22の食料品小売業者の624つであり、収益は数十億ドル程度です。 インド全土に13の大型スーパーマーケットと7のスーパーマーケットの店舗ネットワークがあり、6の流通センター、XNUMXつの果物と野菜の収集センター、XNUMXつのステープル加工センターのサプライチェーンによってサポートされています。
このような大規模なネットワークでは、MRLが適切な製品品質を適切な経済的価値で提供すると同時に、顧客の需要を満たし、運用コストを最小限に抑えることが重要です。 MRLは、AI分析パートナーとしてGanitと協力して、需要をより正確に予測し、自動注文システムを構築して、店長による手動判断のボトルネックと欠陥を克服しました。 使用されるMRL アマゾン予測 予測精度を24％から76％に向上させ、生鮮食品カテゴリーでの無駄を最大30％削減し、在庫率を80％から90％に改善し、粗利益を25％増加させます。
これらの業績を達成し、自動注文システムを構築することに成功した主な理由は次のXNUMXつです。
- 実験する能力 – Forecastは、従来のモデルとMLモデルの両方を含む、さまざまなリグレッサーとモデルのタイプを使用して200を超える実験を実行するための柔軟でモジュール式のプラットフォームを提供します。 チームはカイゼンのアプローチに従い、以前は失敗したモデルから学び、成功した場合にのみモデルを展開しました。 勝利モデルが展開されている間、実験は側で続けられました。
- 変更管理 –経営判断を使用して注文することに慣れているカテゴリ所有者に、MLベースの注文システムを信頼するよう依頼しました。 体系的な採用計画により、ツールの結果が確実に保存され、ツールは統制のとれたリズムで操作されたため、充填済みの在庫と現在の在庫が特定され、時間どおりに記録されました。
生鮮食品カテゴリーの予測の複雑さ
生鮮食品は貯蔵寿命が短いため、生鮮食品カテゴリーの需要を予測することは困難です。 過剰な予測により、店舗は古くなった製品や熟しすぎた製品を販売したり、在庫のほとんどを廃棄したりします（ 収縮）。 予測が不十分な場合、製品が在庫切れになる可能性があり、顧客体験に影響を及ぼします。 買い物リストに重要な商品が見つからない場合、顧客はカートを放棄する可能性があります。これは、チェックアウトラインでほんの一握りの商品を待ちたくないためです。 この複雑さを増すために、MRLには600を超えるスーパーマーケットに多数のSKUがあり、6,000を超える店舗とSKUの組み合わせにつながっています。
2019年の終わりまでに、MRLは従来の統計手法を使用して、店舗とSKUの組み合わせごとに予測モデルを作成していました。その結果、精度は40％にまで低下しました。 予測は複数の個別のモデルを通じて維持されていたため、計算上および運用上のコストが高くなりました。
発注に対する需要予測
2020年の初めに、MRLとGanitは協力して、果物と野菜（F＆V）として知られる新鮮なカテゴリを予測する精度をさらに向上させ、収縮を減らしました。
Ganitは、MRLに問題をXNUMXつの部分に分割するようにアドバイスしました。
- 各店舗とSKUの組み合わせの需要を予測する
- 注文数量（インデント）を計算する
次のセクションでは、各側面について詳しく説明します。
需要予測
このセクションでは、各店舗とSKUの組み合わせの需要を予測する手順について説明します。
需要の推進要因を理解する
Ganitのチームは、店舗内の需要を促進する要因を最初に理解することから旅を始めました。 これには、複数のオンサイト来店、カテゴリーマネージャーとの話し合い、スーパーマーケットのCEOとのケイデンス会議、季節性、在庫切れ、社会経済的、マクロ経済的要因などの他のいくつかの側面に関するGanit独自の予測専門知識が含まれます。 。
来店後、F＆V需要への影響を調査するために、複数の要因に関する約80の仮説が立てられました。 チームは、相関、二変量および単変量分析、統計的有意性検定（スチューデントのt検定、Z検定）などの手法を使用して包括的な仮説検定を実行し、需要と、祭りの日付、天気、プロモーションなどの関連要因との関係を確立しました。 。
データセグメンテーション
チームは、毎日の店舗とSKUの組み合わせを正確に予測できる詳細なモデルの開発を強調しました。 売上貢献と予測の容易さの組み合わせは、ABC-XYZフレームワークとして構築され、ABCは売上貢献（Aが最高）を示し、XYZは予測の容易さ（Zが最低）を示します。 モデル構築の最初の焦点は、売上への貢献度が高く、予測が最も困難な店舗とSKUの組み合わせでした。 これは、予測精度の向上がビジネスに最大の影響を与えることを保証するために行われました。
データ処理
MRLのトランザクションデータは、従来のPOSデータのように構成され、携帯電話番号、請求書番号、アイテムコード、店舗コード、日付、請求書の数量、実現額、割引額などのフィールドがあります。 チームは、過去2年間の毎日のトランザクションデータをモデル構築に使用しました。 履歴データの分析は、XNUMXつの課題を特定するのに役立ちました。
- 多数の欠落値の存在
- 請求書レベルで売上が極端に高いまたは低い日もありました。これは、データに外れ値が存在することを示しています。
欠測値の処理
不足している値を詳しく調べると、店舗に在庫がない（供給がない、または季節がない）、計画された休日または外部の制約（地域または国の閉鎖、建設工事など）のために店舗が閉鎖されているなどの理由が特定されました。 欠落している値は0に置き換えられ、適切なリグレッサーまたはフラグがモデルに追加されたため、モデルはこのような将来のイベントについてこれから学習できます。
外れ値の扱い
チームは、最も詳細な請求レベルで外れ値を処理しました。これにより、清算、一括購入（B2B）、品質の悪さなどの要因が確実に考慮されました。 たとえば、請求書レベルの処理には、次のグラフのように、各店舗とSKUの組み合わせのKPIを日レベルで観察することが含まれる場合があります。
次に、異常に大量に販売された日付に外れ値としてフラグを付け、特定された外れ値を詳しく調べることができます。 さらなる分析は、これらの外れ値が事前に計画された機関投資家の購入であることを示しています。
これらの請求書レベルの外れ値は、その日の最大販売数量で制限されます。 次のグラフは、請求レベルの需要の違いを示しています。
予測プロセス
チームは、Forecastを選択する前に、時系列モデル、回帰ベースのモデル、深層学習モデルなどの複数の予測手法をテストしました。 Forecastを選択した主な理由は、XYバケットとZバケットの予測精度を比較したときのパフォーマンスの違いでした。これは予測が最も困難でした。 ほとんどの従来の手法はXYバケットでより高い精度を提供しましたが、ForecastのMLアルゴリズムのみが、他のモデルと比較して10％の増分精度を提供しました。 これは主に、Forecastが他のSKU（XY）パターンを学習し、それらの学習をZバケット内の非常に変動性の高いアイテムに適用できるためでした。 AutoMLを通じて、Forecast DeepAR +アルゴリズムが勝者となり、予測モデルとして選択されました。
予測精度をさらに向上させるための反復
チームはDeepAR +を勝利のアルゴリズムとして特定した後、精度をさらに向上させるために追加機能を使用していくつかの実験を実行しました。 彼らは、純粋なターゲット時系列データ（外れ値処理ありとなし）、フェスティバルや閉店などのリグレッサー、ストアアイテムメタデータ（ストアアイテム階層）などのさまざまな組み合わせを使用して、より小さなサンプルセットで複数の反復を実行し、予測精度の向上。 外れ値で処理されたターゲット時系列とストアアイテムのメタデータおよびリグレッサーの組み合わせは、最高の精度を返しました。 これは、最終的な予測を得るために、6,230のストアとSKUの組み合わせの元のセットに縮小されました。
注文数量の計算
チームが予測モデルを開発した後、すぐ次のステップは、これを使用して、購入および注文する在庫の量を決定することでした。 注文の生成は、予測される需要、現在の手持ち在庫、およびその他の関連する店内要因の影響を受けます。
次の式は、注文構成を設計するための基礎として役立ちました。
チームはまた、最小注文数量、サービス単位係数、最小終了在庫、最小表示在庫（プラノグラムに基づく）、充填率調整など、自動注文システムの他のインデント調整パラメーターを検討し、それによって機械と人間の間のギャップを埋めましたインテリジェンス。
予測不足のシナリオと予測超過のシナリオのバランスをとる
在庫切れと売上損失のコストで収縮の出力コストを最適化するために、チームはForecastの分位数機能を使用してモデルから予測応答を移動しました。
モデル設計では、p40、p50、およびp60分位数で50つの予測が生成され、p3が基本分位数です。 分位数の選択は、最近の店舗での在庫切れと浪費に基づいてプログラムされました。 たとえば、特定の店舗とSKUの組み合わせが過去XNUMX日間に継続的な在庫切れに直面した場合は、より高い分位数が自動的に選択され、店舗とSKUの無駄が多い場合は、より低い分位数が自動的に選択されました。 増加および減少するクォンタムの量は、ストア内の在庫切れまたは縮小の大きさに基づいていました。
OracleERPによる自動注文
MRLは、Forecastとインデント注文システムを、MRLが注文に使用するOracleのERPシステムと統合することにより、本番環境に導入しました。 次の図は、最終的なアーキテクチャを示しています。
注文システムを本番環境にデプロイするために、すべてのMRLデータがAWSに移行されました。 チームは、ライブテーブルをに移動するETLジョブを設定しました Amazonレッドシフト （ビジネスインテリジェンス作業用のデータウェアハウス）、AmazonRedshiftは将来のすべてのデータ処理のための単一の入力ソースになりました。
データアーキテクチャ全体は、次のXNUMXつの部分に分けられました。
- 予測エンジン：
- Amazon Redshiftに存在する使用済みの過去の需要データ（1日の需要ラグ）
- 前回の請求時間、価格、フェスティバルなどの他のリグレッサー入力は、AmazonRedshiftで維持されました
- An アマゾン エラスティック コンピューティング クラウド （Amazon EC2）インスタンスは、トランザクション、リグレッサ、およびその他のメタデータを処理するためにカスタマイズされたPythonスクリプトでセットアップされました
- データラングリング後、データはに移動されました Amazon シンプル ストレージ サービス （Amazon S3）予測を生成するバケット（すべてのストアとSKUの組み合わせのT + 2予測）
- 最終的な予測出力は、S3バケットの別のフォルダーに保存されました
- 注文（インデント）エンジン：
- 予測を注文に変換するために必要なすべてのデータ（手持ち在庫、在庫を保管するために受け取ったもの、受け取った注文の最後の2日間、サービス単位係数、プラノグラムベースの最小開始在庫と終了在庫など）は、AmazonRedshiftに保存および維持されました。
- 注文数量は、EC2インスタンスで実行されるPythonスクリプトを介して計算されました
- その後、注文はOracleのERPシステムに移され、ベンダーに注文が行われました。
注文システム全体が複数のキーセグメントに分離されました。 チームは、プロセスごとにApache Airflowのスケジューラー電子メール通知を設定して、正常に完了または失敗したときにそれぞれの利害関係者に通知し、彼らが即座に行動を起こすことができるようにしました。 次に、ERPシステムを介して行われた注文は、翌日の注文を計算するためにAmazonRedshiftテーブルに移動されました。 AWSシステムとERPシステムの統合が容易なため、人の介入がなく、完全なエンドツーエンドの自動注文システムが実現しました。
まとめ
MLベースのアプローチにより、MRLのデータの真の力が解き放たれました。 Forecastでは、これまで使用していた1,000以上の従来のモデルとは対照的に、異なる店舗フォーマット用にXNUMXつの国内モデルを作成しました。
Forecastは、時系列全体でも学習します。 Forecast内のMLアルゴリズムにより、ストアとSKUの組み合わせ間の相互学習が可能になり、予測の精度が向上します。
さらに、Forecastを使用すると、バスケット内のアイテムの組み合わせに基づいて需要シグナルを送信する顧客など、関連する時系列とアイテムのメタデータを追加できます。 Forecastは、すべての着信需要情報を考慮して、単一のモデルに到達します。 変数の追加が過剰適合につながる従来のモデルとは異なり、Forecastはモデルを強化し、ビジネスコンテキストに基づいて正確な予測を提供します。 MRLは、貯蔵寿命、プロモーション、価格、店舗の種類、裕福なクラスター、競争力のある店舗、店舗のスループットなどの要因に基づいて製品を分類する機能を獲得しました。 サプライチェーンの運用を改善するために、AmazonForecastを試すことをお勧めします。 AmazonForecastの詳細を学ぶことができます こちら。 Ganitと当社のソリューションの詳細については、次のURLまでお問い合わせください。 info@ganitinc.com to learn more.
この投稿の内容と意見はサードパーティの作成者のものであり、AWSはこの投稿の内容または正確性について責任を負いません。
著者について
スプラティム・バネルジー は チーフトランスフォーメーションオフィサー at より多くの小売 リミテッド。 彼は経験豊富な専門家であり、ベンチャーキャピタルおよびプライベートエクイティ業界での実務経験が実証されています。 彼はKPMGのコンサルタントであり、ATKearneyやIndiaEquityPartnersなどの組織と協力していました。 ハイデラバードのインディアンスクールオブビジネスで経営学修士号を取得しています。
シヴァプラサドKT は 共同創設者兼CEO at 株式会社ガニット 彼は、米国、オーストラリア、アジア、およびインドでデータサイエンスを使用して、トップラインおよびボトムラインの影響を提供する17年以上の経験があります。 彼は、ウォルマート、サムズクラブ、ファイザー、ステープルズ、コールズ、レノボ、シティバンクなどの企業の経営幹部に助言を提供してきました。 彼は、ムンバイのSP JainでMBAを取得し、NITKSurathkalで工学の学士号を取得しています。
ガウラフ・H・カンカリア は シニアデータサイエンティスト at 株式会社ガニット 彼は、小売、CPG、およびBFSIドメインの組織がデータ主導の意思決定を行うのに役立つソリューションの設計と実装に6年以上の経験があります。 彼はベッロールのVIT大学で学士号を取得しています。
