Dit bericht is een gezamenlijke gastsamenwerking door Supratim Banerjee van More Retail Limited en Shivaprasad KT en Gaurav H Kankaria van Ganit Inc.
More Retail Ltd. (MRL) is een van de vier grootste supermarktketens in India, met een omzet in de orde van grootte van enkele miljarden dollars. Het heeft een winkelnetwerk van 22 hypermarkten en 624 supermarkten in heel India, ondersteund door een toeleveringsketen van 13 distributiecentra, 7 inzamelcentra voor groenten en fruit en 6 verwerkingscentra voor nietjes.
Met zo'n groot netwerk is het voor MRL van cruciaal belang om de juiste productkwaliteit tegen de juiste economische waarde te leveren, terwijl aan de vraag van de klant wordt voldaan en de operationele kosten tot een minimum worden beperkt. MRL werkte samen met Ganit als haar AI-analysepartner om de vraag nauwkeuriger te voorspellen en een geautomatiseerd bestelsysteem te bouwen om de knelpunten en tekortkomingen van handmatige beoordeling door winkelmanagers te overwinnen. MRL gebruikt Amazon voorspelling om hun voorspellingsnauwkeurigheid te verhogen van 24% naar 76%, wat leidt tot een vermindering van verspilling met maximaal 30% in de categorie verse producten, verbetering van de voorraadtarieven van 80% tot 90% en een brutowinst met 25%.
We waren succesvol in het behalen van deze bedrijfsresultaten en het bouwen van een geautomatiseerd bestelsysteem vanwege twee hoofdredenen:
- Mogelijkheid om te experimenteren - Forecast biedt een flexibel en modulair platform waarmee we meer dan 200 experimenten hebben uitgevoerd met verschillende regressors en typen modellen, waaronder zowel traditionele als ML-modellen. Het team volgde een Kaizen-aanpak, leerde van voorheen onsuccesvolle modellen en implementeerde modellen alleen als ze succesvol waren. Er werd verder geëxperimenteerd terwijl winnende modellen werden ingezet.
- Wijzig beheer - We vroegen categorie-eigenaren die gewend waren om bestellingen te plaatsen op basis van zakelijk inzicht om het op ML gebaseerde bestelsysteem te vertrouwen. Een systematisch adoptieplan zorgde ervoor dat de resultaten van de tool werden opgeslagen en dat de tool met een gedisciplineerde cadans werd bediend, zodat de gevulde en actuele voorraad op tijd werd geïdentificeerd en geregistreerd.
Complexiteit bij het voorspellen van de categorie verse producten
Het voorspellen van de vraag naar de categorie AGF is een uitdaging omdat verse producten een korte houdbaarheid hebben. Met te veel voorspellingen verkopen winkels uiteindelijk verouderde of overrijpe producten, of gooien ze het grootste deel van hun voorraad weg (genoemd als inkrimping Bij ondervoorspelling kunnen producten niet op voorraad zijn, wat de klantervaring beïnvloedt. Klanten kunnen hun winkelwagentje verlaten als ze de belangrijkste items niet op hun boodschappenlijst kunnen vinden, omdat ze niet in de kassa's willen wachten op slechts een handvol producten. Om aan deze complexiteit toe te voegen, heeft MRL veel SKU's in meer dan 600 supermarkten, wat leidt tot meer dan 6,000 winkel-SKU-combinaties.
Eind 2019 gebruikte MRL traditionele statistische methoden om prognosemodellen te maken voor elke winkel-SKU-combinatie, wat resulteerde in een nauwkeurigheid van slechts 40%. De prognoses werden bijgehouden door middel van meerdere afzonderlijke modellen, waardoor het rekenkundig en operationeel duur was.
Vraagprognose tot orderplaatsing
Begin 2020 zijn MRL en Ganit gaan samenwerken om de nauwkeurigheid voor het voorspellen van de verscategorie, bekend als Fruit en Groenten (F&V), verder te verbeteren en de krimp te verminderen.
Ganit adviseerde MRL om hun probleem in twee delen op te splitsen:
- Voorspel de vraag voor elke winkel-SKU-combinatie
- Bereken bestelhoeveelheid (streepjes)
In de volgende secties gaan we dieper in op elk aspect.
Voorspelling van de vraag
In deze sectie bespreken we de stappen voor het voorspellen van de vraag voor elke winkel-SKU-combinatie.
Begrijp de drijvende krachten achter de vraag
Het team van Ganit begon hun reis door eerst de factoren te begrijpen die de vraag in winkels stimuleerden. Dit omvatte meerdere winkelbezoeken ter plaatse, discussies met categoriemanagers en cadansvergaderingen met de CEO van de supermarkt in combinatie met Ganit's eigen interne prognose-expertise op verschillende andere aspecten, zoals seizoensgebondenheid, voorraaduitval, sociaaleconomische en macro-economische factoren. .
Na de winkelbezoeken werden ongeveer 80 hypothesen over meerdere factoren geformuleerd om hun impact op de vraag naar groenten en fruit te bestuderen. Het team voerde uitgebreide hypothesetests uit met behulp van technieken zoals correlatie, bivariate en univariate analyse, en statistische significantietests (Student's t-test, Z-tests) om de relatie vast te stellen tussen de vraag en relevante factoren zoals festivaldata, weer, promoties en nog veel meer. .
Gegevenssegmentatie
Het team legde de nadruk op het ontwikkelen van een gedetailleerd model dat voor elke dag nauwkeurig een winkel-SKU-combinatie kan voorspellen. Een combinatie van de verkoopbijdrage en het gemak van voorspellen werd gebouwd als een ABC-XYZ-raamwerk, waarbij ABC de verkoopbijdrage aangeeft (A is de hoogste) en XYZ het gemak van voorspelling aangeeft (Z is de laagste). Bij de modelbouw lag de eerste focus op winkel-SKU-combinaties die een hoge bijdrage leverden aan de verkoop en het moeilijkst te voorspellen waren. Dit werd gedaan om ervoor te zorgen dat het verbeteren van de nauwkeurigheid van prognoses de maximale zakelijke impact heeft.
Gegevensbehandeling
De transactiegegevens van MRL waren gestructureerd als conventionele verkooppuntgegevens, met velden als mobiel nummer, factuurnummer, artikelcode, winkelcode, datum, factuuraantal, gerealiseerde waarde en kortingswaarde. Het team gebruikte de afgelopen 2 jaar dagelijkse transactiegegevens voor het bouwen van modellen. Door historische gegevens te analyseren, werden twee uitdagingen geïdentificeerd:
- De aanwezigheid van talloze ontbrekende waarden
- Sommige dagen hadden extreem hoge of lage verkopen op factuurniveau, wat duidde op de aanwezigheid van uitschieters in de gegevens
Ontbrekende waardebehandeling
Een diepe duik in de ontbrekende waarden identificeerde redenen zoals geen voorraad beschikbaar in de winkel (geen voorraad of niet in het seizoen) en winkels die gesloten zijn vanwege geplande vakantie of externe beperkingen (zoals een regionale of nationale sluiting of bouwwerkzaamheden). De ontbrekende waarden werden vervangen door 0 en de juiste regressors of vlaggen werden aan het model toegevoegd, zodat het model hiervan kon leren voor dergelijke toekomstige gebeurtenissen.
Uitbijterbehandeling
Het team behandelde de uitschieters op het meest gedetailleerde factuurniveau, waardoor rekening werd gehouden met factoren als liquidatie, bulkaankopen (B2B) en slechte kwaliteit. Een behandeling op factuurniveau kan bijvoorbeeld het observeren van een KPI voor elke winkel-SKU-combinatie op dagniveau omvatten, zoals in de volgende grafiek.
We kunnen dan datums waarop abnormaal grote hoeveelheden worden verkocht als uitschieters markeren en dieper in die geïdentificeerde uitschieters duiken. Nadere analyse toont aan dat deze uitschieters vooraf geplande institutionele aankopen zijn.
Deze uitschieters op factuurniveau worden vervolgens afgetopt met de maximale verkoophoeveelheid voor die datum. De volgende grafieken tonen het verschil in vraag op factuurniveau.
Prognoseproces
Het team heeft meerdere prognosetechnieken getest, zoals tijdreeksmodellen, op regressie gebaseerde modellen en deep learning-modellen voordat het voor Forecast koos. De belangrijkste reden om voor Forecast te kiezen, was het prestatieverschil bij het vergelijken van de voorspellingsnauwkeurigheden in de XY-bucket met de Z-bucket, wat het moeilijkst te voorspellen was. Hoewel de meeste conventionele technieken hogere nauwkeurigheden in de XY-bucket boden, boden alleen de ML-algoritmen in Forecast een incrementele nauwkeurigheid van 10% in vergelijking met andere modellen. Dit was voornamelijk te danken aan het vermogen van Forecast om andere SKU's (XY) -patronen te leren en die lessen toe te passen op zeer vluchtige items in de Z-bucket. Via AutoML was het Forecast DeepAR + -algoritme de winnaar en gekozen als het voorspellingsmodel.
Itereren om de nauwkeurigheid van prognoses verder te verbeteren
Nadat het team Deep AR + had geïdentificeerd als het winnende algoritme, voerden ze verschillende experimenten uit met extra functies om de nauwkeurigheid verder te verbeteren. Ze voerden meerdere iteraties uit op een kleinere steekproefset met verschillende combinaties, zoals zuivere tijdreeksgegevens (met en zonder uitbijterbehandeling), regressoren zoals festivals of winkelsluitingen en metagegevens van winkelitems (hiërarchie van winkelitems) om de beste combinatie voor het verbeteren van de voorspellingsnauwkeurigheid De combinatie van uitbijter behandelde doel tijdreeksen samen met metadata van winkelitems en regressors leverde de hoogste nauwkeurigheid op. Dit werd teruggeschroefd naar de oorspronkelijke set van 6,230 winkel-SKU-combinaties om de definitieve prognose te krijgen.
Berekening van het aantal bestellingen
Nadat het team het prognosemodel had ontwikkeld, was de onmiddellijke volgende stap om dit te gebruiken om te beslissen hoeveel voorraad er moest worden gekocht en om bestellingen te plaatsen. Het genereren van bestellingen wordt beïnvloed door de verwachte vraag, de huidige voorraad en andere relevante factoren in de winkel.
De volgende formule diende als basis voor het ontwerpen van de orderconstructie.
Het team hield ook rekening met andere parameters voor het aanpassen van de inspringing voor het automatische bestelsysteem, zoals minimale bestelhoeveelheid, service-eenheidfactor, minimale eindvoorraad, minimale weergavevoorraad (op basis van schappenplan) en aanpassing van de vulsnelheid, waardoor de kloof tussen machine en mens wordt overbrugd. intelligentie.
Breng onder- en overprognosescenario's in evenwicht
Om de outputkosten van krimp te optimaliseren met de kosten van uitval en verloren verkopen, gebruikte het team de kwantilefunctie van Forecast om de prognoserespons uit het model te halen.
In het modelontwerp werden drie voorspellingen gegenereerd voor p40-, p50- en p60-kwantielen, waarbij p50 het basiskwantiel is. De selectie van kwantielen was geprogrammeerd om te zijn gebaseerd op voorraadtekorten en verspilling in winkels in het recente verleden. Hogere kwantielen werden bijvoorbeeld automatisch gekozen als een bepaalde winkel-SKU-combinatie in de afgelopen 3 dagen te maken kreeg met continue voorraadstoringen, en lagere kwantielen werden automatisch gekozen als de winkel-SKU getuige was geweest van een hoge verspilling. De hoeveelheid toenemende en afnemende kwantielen was gebaseerd op de omvang van de voorraad of krimp in de winkel.
Geautomatiseerde orderplaatsing via Oracle ERP
MRL implementeerde Forecast en de indent-bestelsystemen in productie door ze te integreren met het ERP-systeem van Oracle, dat MRL gebruikt voor het plaatsen van bestellingen. Het volgende diagram illustreert de uiteindelijke architectuur.
Om het bestelsysteem in productie te nemen, werden alle MRL-gegevens naar AWS gemigreerd. Het team heeft ETL-taken opgezet om live-tabellen naar te verplaatsen Amazon roodverschuiving (datawarehouse voor business intelligence-werk), dus Amazon Redshift werd de enige bron van input voor alle toekomstige gegevensverwerking.
De volledige data-architectuur was opgedeeld in twee delen:
- Prognose-engine:
- Gebruikte historische vraaggegevens (1-daagse vraagvertraging) aanwezig in Amazon Redshift
- Andere regressor-ingangen zoals de tijd van de laatste factuur, de prijs en festivals werden bijgehouden in Amazon Redshift
- An Amazon Elastic Compute-cloud (Amazon EC2) -instantie is opgezet met aangepaste Python-scripts om transacties, regressors en andere metagegevens te ontwarren
- Na het ruziën van de gegevens zijn de gegevens verplaatst naar een Amazon eenvoudige opslagservice (Amazon S3) bucket om prognoses te genereren (T + 2 prognoses voor alle winkel-SKU-combinaties)
- De uiteindelijke prognose-uitvoer werd opgeslagen in een aparte map in een S3-bucket
- Bestel (streepje) motor:
- Alle gegevens die nodig zijn om prognoses om te zetten in bestellingen (zoals voorradige voorraad, hoeveelheid ontvangen om op te slaan, laatste 2 dagen van geplaatste bestellingen, factor voor service-eenheden en op planogrammen gebaseerde minimale openings- en eindvoorraad) werden opgeslagen en onderhouden in Amazon Redshift
- De bestelhoeveelheid werd berekend via Python-scripts die op EC2-instanties werden uitgevoerd
- De bestellingen werden vervolgens verplaatst naar het ERP-systeem van Oracle, dat een bestelling plaatste bij leveranciers
Het hele bestelsysteem werd ontkoppeld in meerdere sleutelelementen. Het team heeft Apache Airflow's planner-e-mailmeldingen voor elk proces ingesteld om de respectieve belanghebbenden op de hoogte te stellen van succesvolle voltooiing of mislukking, zodat ze onmiddellijk actie konden ondernemen. De bestellingen die via het ERP-systeem werden geplaatst, werden vervolgens verplaatst naar Amazon Redshift-tabellen om de bestellingen voor de komende dagen te berekenen. De gemakkelijke integratie tussen AWS- en ERP-systemen leidde tot een compleet end-to-end geautomatiseerd bestelsysteem zonder menselijke tussenkomst.
Conclusie
Een ML-gebaseerde aanpak ontsloot de ware kracht van data voor MRL. Met Forecast hebben we twee nationale modellen gemaakt voor verschillende winkelformaten, in tegenstelling tot de meer dan 1,000 traditionele modellen die we hadden gebruikt.
De prognose leert ook over tijdreeksen. ML-algoritmen binnen Forecast maken cross-learning mogelijk tussen winkel-SKU-combinaties, waardoor de voorspellingsnauwkeurigheid wordt verbeterd.
Bovendien kunt u met Prognose gerelateerde tijdreeksen en artikelmetagegevens toevoegen, zoals klanten die vraagsignalen verzenden op basis van de mix van artikelen in hun winkelmandje. Forecast houdt rekening met alle inkomende vraaginformatie en komt tot één model. In tegenstelling tot conventionele modellen, waar de toevoeging van variabelen tot overfitting leidt, verrijkt Forecast het model met nauwkeurige voorspellingen op basis van de bedrijfscontext. MRL kreeg de mogelijkheid om producten te categoriseren op basis van factoren als houdbaarheid, promoties, prijs, type winkels, welvarend cluster, concurrerende winkel en winkeldoorvoer. We raden u aan Amazon Forecast te proberen om uw supply chain-activiteiten te verbeteren. U kunt meer leren over Amazon Forecast hier Neem voor meer informatie over Ganit en onze oplossingen contact op met info@ganitinc.com om meer te leren.
De inhoud en meningen in dit bericht zijn die van de externe auteur en AWS is niet verantwoordelijk voor de inhoud of nauwkeurigheid van dit bericht.
Over de auteurs
Supratim Banerjee is de Hoofd Transformationeel Officier at Meer detailhandel Beperkt. Hij is een ervaren professional met een bewezen geschiedenis van werken in de durfkapitaal- en private equity-industrie. Hij was consultant bij KPMG en werkte samen met organisaties als AT Kearney en India Equity Partners. Hij heeft een MBA gericht op Finance, General van Indian School of Business, Hyderabad.
Shivaprasad KT is de Medeoprichter en CEO at Van Ganit Inc. Hij heeft meer dan 17 jaar ervaring in het leveren van top-line en bottom-line impact met behulp van datawetenschap in de VS, Australië, Azië en India. Hij heeft CXO's geadviseerd bij bedrijven als Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo en Citibank. Hij heeft een MBA van SP Jain, Mumbai, en een bachelordiploma in Engineering van NITK Surathkal.
Gaurav H Kankaria is de Senior datawetenschapper at Van Ganit Inc. Hij heeft meer dan 6 jaar ervaring in het ontwerpen en implementeren van oplossingen om organisaties in retail-, CPG- en BFSI-domeinen te helpen bij het nemen van datagestuurde beslissingen. Hij heeft een bachelordiploma behaald aan de VIT University, Vellore.
