Dette innlegget er et gjestesamarbeid mellom Supratim Banerjee fra More Retail Limited og Shivaprasad KT og Gaurav H Kankaria fra Ganit Inc.
More Retail Ltd. (MRL) er en av Indias fire største dagligvareforhandlere, med en omsetning i størrelsesorden flere milliarder dollar. Den har et butikknettverk med 22 hypermarkeder og 624 supermarkeder over hele India, støttet av en forsyningskjede på 13 distribusjonssentre, 7 sentre for frukt- og grønnsakssamling og 6 stifter.
Med et så stort nettverk er det viktig for MRL å levere riktig produktkvalitet til riktig økonomisk verdi, samtidig som kundenes behov imøtekommes og driftskostnadene holdes på et minimum. MRL samarbeidet med Ganit som sin AI-analysepartner for å forutsi etterspørsel med større nøyaktighet og bygge et automatisert bestillingssystem for å overvinne flaskehalsene og manglene ved manuell vurdering av butikksjefer. MRL brukt Amazon Prognose for å øke prognosens nøyaktighet fra 24% til 76%, noe som fører til en reduksjon i svinn med opptil 30% i ferskvarekategorien, og forbedrer lagerraten fra 80% til 90%, og øker bruttofortjenesten med 25%
Vi lyktes med å oppnå disse forretningsresultatene og bygge et automatisert bestillingssystem på grunn av to hovedårsaker:
- Evne til å eksperimentere - Forecast gir en fleksibel og modulær plattform som vi kjørte mer enn 200 eksperimenter med forskjellige regressorer og modeller av modeller, som inkluderte både tradisjonelle og ML-modeller. Teamet fulgte en Kaizen-tilnærming, lærte av tidligere mislykkede modeller, og distribuerte bare modeller når de var vellykkede. Eksperimentering fortsatte på siden mens vinnende modeller ble utplassert.
- Endringsledelse - Vi spurte kategoriseiere som var vant til å plassere ordrer ved bruk av forretningsevne, om å stole på det ML-baserte bestillingssystemet. En systemisk adopsjonsplan sørget for at verktøyets resultater ble lagret, og verktøyet ble betjent med en disiplinert kadens, slik at i fylt og nåværende lager ble identifisert og registrert i tide.
Kompleksitet i prognoser for ferskvarekategorien
Prognosebehov for ferskvarekategorien er utfordrende fordi ferske produkter har kort holdbarhet. Med overvarsling ender butikkene med å selge foreldede eller overmodne produkter, eller kaste bort det meste av lageret sitt (betegnet som krymping). Hvis det er underprognosert, kan produktene være utsolgt, noe som påvirker kundeopplevelsen. Kunder kan forlate handlekurven hvis de ikke finner nøkkelelementer i handlelisten, fordi de ikke vil vente i kassen for bare en håndfull produkter. For å legge til denne kompleksiteten har MRL mange SKUer over sine over 600 supermarkeder, noe som fører til mer enn 6,000 kombinasjoner av butikk-SKU.
Mot slutten av 2019 brukte MRL tradisjonelle statistiske metoder for å lage prognosemodeller for hver butikk-SKU-kombinasjon, noe som resulterte i en nøyaktighet så lav som 40%. Prognosene ble opprettholdt gjennom flere individuelle modeller, noe som gjorde det beregningsmessig og operativt dyrt.
Kravprognoser for bestilling
Tidlig i 2020 begynte MRL og Ganit å jobbe sammen for å forbedre nøyaktigheten for prognoser for fersk kategori, kjent som frukt og grønnsaker (F&V), og redusere svinn.
Ganit rådet MRL til å dele opp problemet i to deler:
- Prognosebehov for hver kombinasjon av butikk-SKU
- Beregn ordremengde (innrykk)
Vi går nærmere inn på hvert aspekt i de følgende avsnittene.
Prognose etterspørsel
I denne delen diskuterer vi trinnene for å forutsi etterspørsel etter hver butikk-SKU-kombinasjon.
Forstå drivere av etterspørsel
Ganits team startet reisen med å først forstå faktorene som drev etterspørsel i butikkene. Dette inkluderte flere butikkbesøk på stedet, diskusjoner med kategoriledere og tråkkfrekvensmøter med supermarkedets administrerende direktør kombinert med Ganits egen interne prognosekompetanse om flere andre aspekter som sesongmessighet, lager, sosioøkonomisk og makroøkonomisk faktor. .
Etter butikkbesøkene ble det formulert omtrent 80 hypoteser om flere faktorer for å studere deres innvirkning på F & V-etterspørsel. Teamet utførte omfattende hypotesetester ved hjelp av teknikker som korrelasjon, bivariate og univariate analyser og statistiske signifikansetester (Studentens t-test, Z-tester) for å etablere sammenhengen mellom etterspørsel og relevante faktorer som festivaldatoer, vær, kampanjer og mange flere .
Datasegmentering
Teamet la vekt på å utvikle en granulær modell som nøyaktig kunne forutsi en butikk-SKU-kombinasjon for hver dag. En kombinasjon av salgsbidrag og enkel prediksjon ble bygget som et ABC-XYZ-rammeverk, med ABC som indikerer salgsbidraget (A er det høyeste) og XYZ som indikerer at det er lett å forutsi (Z er det laveste). For modellbygging var den første fokuslinjen på butikk-SKU-kombinasjoner som hadde et høyt bidrag til salget og som var vanskeligst å forutsi. Dette ble gjort for å sikre at bedriftsnøyaktigheten forbedres med maksimal virksomhetspåvirkning.
Databehandling
MRLs transaksjonsdata var strukturert som konvensjonelle salgsdata, med felt som mobilnummer, regningsnummer, varekode, butikkode, dato, fakturaantall, realisert verdi og rabattverdi. Teamet brukte daglige transaksjonsdata de siste 2 årene for modellbygging. Analysering av historiske data hjalp identiteten til to utfordringer:
- Tilstedeværelsen av mange manglende verdier
- Noen dager hadde ekstremt høyt eller lavt salg på regningsnivå, noe som indikerte tilstedeværelsen av avvikere i dataene
Manglende verdibehandling
Et dypdykk i de manglende verdiene identifiserte årsaker som at det ikke er lager tilgjengelig i butikken (ingen forsyning eller ikke i sesong) og butikker som er stengt på grunn av planlagte ferie- eller eksterne begrensninger (for eksempel en regional eller nasjonal nedleggelse eller byggearbeid). De manglende verdiene ble erstattet med 0, og passende regressorer eller flagg ble lagt til modellen slik at modellen kunne lære av dette for slike fremtidige hendelser.
Outlier behandling
Teamet behandlet avvikerne på det mest granulære regningsnivået, som sørget for at faktorer som avvikling, bulkkjøp (B2B) og dårlig kvalitet ble vurdert. For eksempel kan behandling på regningsnivå omfatte å observere en KPI for hver butikk-SKU-kombinasjon på et dagsnivå, som i følgende graf.
Deretter kan vi markere datoer der unormalt store mengder selges som avvikere, og dykke dypere ned i de identifiserte avvikerne. Videre analyse viser at disse avvikerne er forhåndsplanlagte institusjonelle kjøp.
Disse avvikene på regningsnivå er deretter avkortet med det maksimale salgsmengden for den datoen. Følgende grafer viser forskjellen i etterspørsel på regningsnivå.
Prognoseprosess
Teamet testet flere varslingsteknikker som tidsseriemodeller, regresjonsbaserte modeller og dyplæringsmodeller før de valgte Forecast. Den primære årsaken til at du valgte Forecast var forskjellen i ytelse når du sammenligner prognosenøyaktigheter i XY-skuffen mot Z-skuffen, som var vanskeligst å forutsi. Selv om de fleste konvensjonelle teknikker ga høyere nøyaktigheter i XY-bøtta, var det bare ML-algoritmene i Forecast som ga 10% inkrementell nøyaktighet sammenlignet med andre modeller. Dette skyldtes først og fremst Forecasts evne til å lære andre SKU-er (XY) -mønstre og bruke disse læringene på svært flyktige gjenstander i Z-bøtta. Gjennom AutoML var Forecast DeepAR + -algoritmen vinneren og valgt som prognosemodell.
Iterering for å forbedre prognosens nøyaktighet ytterligere
Etter at teamet identifiserte Deep AR + som den vinnende algoritmen, kjørte de flere eksperimenter med tilleggsfunksjoner for å forbedre nøyaktigheten ytterligere. De utførte flere iterasjoner på et mindre utvalgssett med forskjellige kombinasjoner som rene måltidsseriedata (med og uten avvikende behandling), regressorer som festivaler eller butikknedleggelser, og butikk-vare-metadata (butikk-hierarki) for å forstå den beste kombinasjonen for forbedre prognosenøyaktigheten. Kombinasjonen av målgrupper som ble behandlet med outlier, samt metadata fra butikkartikler og regressorer, ga den høyeste nøyaktigheten. Dette ble redusert til det opprinnelige settet med 6,230 butikk-SKU-kombinasjoner for å få den endelige prognosen.
Bestill mengde beregning
Etter at teamet hadde utviklet prognosemodellen, var det umiddelbare neste trinnet å bruke denne til å bestemme hvor mye lager du skal kjøpe og plassere ordrer. Ordregenerering er påvirket av forventet etterspørsel, nåværende lagerbeholdning og andre relevante faktorer i butikken.
Følgende formel tjente som grunnlag for utformingen av ordrekonstruksjonen.
Teamet vurderte også andre parametere for justering av innrykk for det automatiske bestillingssystemet, for eksempel minimum ordremengde, serviceenhetsfaktor, minimum lukkelager, minimum visningslager (basert på planogram) og justering av fyllingshastighet, og derved bygge bro mellom maskinen og mennesket. intelligens.
Balanse underprognose og overprognose scenarier
For å optimalisere utgangskostnadene for svinn med kostnadene for lager og tapt salg, brukte teamet kvantilfunksjonen i Prognose for å flytte prognoseresponsen fra modellen.
I modellutformingen ble tre prognoser generert ved p40-, p50- og p60-kvantiler, med p50 som grunnkvantil. Valget av kvantiler ble programmert til å være basert på lager og sløsing i butikker i den siste tiden. For eksempel ble høyere kvantiler valgt automatisk hvis en bestemt butikk-SKU-kombinasjon møtte kontinuerlige lager i løpet av de siste 3 dagene, og lavere kvantiler ble automatisk valgt hvis butikken-SKU hadde vært vitne til høyt svinn. Kvantumet for økende og synkende kvantiler var basert på størrelsen på lager eller krymping i butikken.
Automatisert ordreplassering gjennom Oracle ERP
MRL distribuerte Forecast og innrykkordresystemene i produksjon ved å integrere dem med Oracles ERP-system, som MRL bruker for ordreplasseringer. Følgende diagram illustrerer den endelige arkitekturen.
For å distribuere bestillingssystemet i produksjon ble alle MRL-data migrert til AWS. Teamet satte opp ETL-jobber for å flytte live tabeller til Amazon RedShift (datalager for business intelligence-arbeid), så Amazon Redshift ble den eneste kilden til input for fremtidig all databehandling.
Hele dataarkitekturen var delt inn i to deler:
- Prognosemotor:
- Brukt historiske etterspørselsdata (1-dagers etterspørselsforsinkelse) til stede i Amazon Redshift
- Andre regressorinnganger som forrige regningstid, pris og festivaler ble opprettholdt i Amazon Redshift
- An Amazon Elastic Compute Cloud (Amazon EC2) -forekomst ble satt opp med tilpassede Python-skript for å bryte transaksjoner, regressorer og andre metadata
- Post-data krangling, ble dataene flyttet til en Amazon enkel lagringstjeneste (Amazon S3) bøtte for å generere prognoser (T + 2-prognoser for alle butikk-SKU-kombinasjoner)
- Den endelige prognosen ble lagret i en egen mappe i en S3-bøtte
- Bestill motor (innrykk):
- All data som kreves for å konvertere prognoser til ordrer (for eksempel lagerbeholdning, mottatt for å lagre antall, siste 2 dager av bestillinger som ble mottatt, tjenesteenhetsfaktor og planogrambasert minimum åpnings- og sluttbeholdning) ble lagret og vedlikeholdt i Amazon Redshift
- Bestillingsmengde ble beregnet gjennom Python-skript som kjøres på EC2-forekomster
- Bestillinger ble deretter flyttet til Oracles ERP-system, som bestilte en leverandør
Hele bestillingssystemet ble frakoplet i flere viktige segmenter. Teamet satte opp Apache Airflows e-postvarsler for hver prosess for å varsle respektive interessenter etter vellykket gjennomføring eller feil, slik at de kunne iverksette umiddelbare tiltak. Bestillingene som ble plassert gjennom ERP-systemet ble deretter flyttet til Amazon Redshift-tabeller for å beregne de neste dagers bestillinger. Den enkle integrasjonen mellom AWS og ERP-systemer førte til et komplett automatisert bestillingssystem fra end-til-end uten menneskelig inngripen.
konklusjonen
En ML-basert tilnærming låste opp den virkelige kraften til data for MRL. Med Forecast opprettet vi to nasjonale modeller for forskjellige butikkformater, i motsetning til over 1,000 tradisjonelle modeller som vi hadde brukt.
Prognose lærer også på tvers av tidsserier. ML-algoritmer innen Forecast muliggjør krysslæring mellom butikk-SKU-kombinasjoner, noe som bidrar til å forbedre prognosenøyaktighetene.
I tillegg lar Forecast deg legge til relaterte tidsserier og vare-metadata, for eksempel kunder som sender etterspørselssignaler basert på blandingen av varer i kurven. Prognose vurderer all innkommende etterspørselsinformasjon og kommer frem til en enkelt modell. I motsetning til konvensjonelle modeller, der tillegg av variabler fører til overmontering, beriker Forecast modellen og gir nøyaktige prognoser basert på forretningskontekst. MRL fikk muligheten til å kategorisere produkter basert på faktorer som holdbarhet, kampanjer, pris, type butikker, velstående klynger, konkurransedyktig butikk og butikkgjennomstrømning. Vi anbefaler at du prøver Amazon Forecast for å forbedre forsyningskjededriften. Du kan lære mer om Amazon Forecast her.. For å lære mer om Ganit og våre løsninger, ta kontakt på info@ganitinc.com for å lære mer.
Innholdet og meningene i dette innlegget er fra tredjepartsforfatteren, og AWS er ikke ansvarlig for innholdet eller nøyaktigheten av dette innlegget.
Om forfatterne
Supratim Banerjee er den Transformasjonssjef at Mer detaljhandel Begrenset. Han er en erfaren profesjonell med en demonstrert historie om å jobbe i risikovillig kapital og private equity-bransjer. Han var konsulent med KPMG og jobbet med organisasjoner som AT Kearney og India Equity Partners. Han har en MBA fokusert på finans, generell fra Indian School of Business, Hyderabad.
Shivaprasad KT er den Medstifter og administrerende direktør at Ganit Inc. Han har 17+ års erfaring med å levere topp- og bunnlinjepåvirkning ved bruk av datavitenskap i USA, Australia, Asia og India. Han har gitt råd til CXO-er i selskaper som Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo og Citibank. Han har en MBA fra SP Jain, Mumbai, og en bachelorgrad i ingeniørfag fra NITK Surathkal.
Gaurav H Kankaria er den Senior dataforsker at Ganit Inc. Han har over 6 års erfaring med å designe og implementere løsninger for å hjelpe organisasjoner innen detaljhandel, CPG og BFSI-domener med å ta datadrevne beslutninger. Han har en bachelorgrad fra VIT University, Vellore.
