Această postare este o colaborare invitată de către Supratim Banerjee de la More Retail Limited și Shivaprasad KT și Gaurav H Kankaria de la Ganit Inc.
More Retail Ltd. (MRL) este unul dintre primii patru comercianți cu amănuntul din India, cu un venit de câteva miliarde de dolari. Are o rețea de magazine de 22 de hipermarketuri și 624 de supermarketuri în toată India, susținută de un lanț de aprovizionare cu 13 centre de distribuție, 7 centre de colectare a fructelor și legumelor și 6 centre de prelucrare a produselor de bază.
Cu o rețea atât de mare, este esențial ca LMR să furnizeze calitatea produsului potrivit la valoarea economică adecvată, satisfăcând în același timp cererea clienților și menținând costurile operaționale la un nivel minim. MRL a colaborat cu Ganit în calitate de partener de analiză AI pentru a prognoza cererea cu o mai mare acuratețe și a construi un sistem automatizat de comandă pentru a depăși blocajele și deficiențele judecății manuale ale managerilor de magazine. LMR folosită Prognoza Amazon pentru a-și crește precizia de prognozare de la 24% la 76%, ducând la o reducere a pierderii cu până la 30% în categoria produselor proaspete, îmbunătățirea ratelor de stoc de la 80% la 90% și creșterea profitului brut cu 25%.
Am reușit să obținem aceste rezultate comerciale și să construim un sistem automatizat de comandă din două motive principale:
- Abilitatea de a experimenta - Forecast oferă o platformă flexibilă și modulară prin care am derulat peste 200 de experimente folosind diferite regresoare și tipuri de modele, care au inclus atât modele tradiționale, cât și modele ML. Echipa a urmat o abordare Kaizen, învățând de la modelele nereușite anterior și implementând modele numai atunci când au avut succes. Experimentarea a continuat pe lateral, în timp ce au fost implementate modele câștigătoare.
- Managementul schimbării - Am solicitat proprietarilor de categorii care erau obișnuiți să plaseze comenzi folosind judecata afacerii să aibă încredere în sistemul de comandă bazat pe ML. Un plan sistemic de adopție a asigurat că rezultatele instrumentului au fost stocate și instrumentul a fost operat cu o cadență disciplinată, astfel încât stocul completat și actual să fie identificat și înregistrat la timp.
Complexitate în prognozarea categoriei de produse proaspete
Previziunea cererii pentru categoria produselor proaspete este o provocare, deoarece produsele proaspete au o durată scurtă de valabilitate. Cu previziuni excesive, magazinele ajung să vândă produse vechi sau prea coapte sau aruncă cea mai mare parte din inventarul lor (denumit contractare). Dacă nu este prevăzut, produsele pot fi epuizate, ceea ce afectează experiența clienților. Clienții își pot abandona coșul de cumpărături dacă nu găsesc articole cheie în lista lor de cumpărături, deoarece nu doresc să aștepte în liniile de plată doar o mână de produse. Pentru a adăuga această complexitate, MRL are multe SKU-uri în peste 600 de supermarketuri, ducând la mai mult de 6,000 de combinații magazin-SKU.
Până la sfârșitul anului 2019, MRL folosea metode statistice tradiționale pentru a crea modele de prognoză pentru fiecare combinație magazin-SKU, ceea ce a dus la o precizie de până la 40%. Prognozele au fost menținute prin intermediul mai multor modele individuale, făcându-le costisitoare din punct de vedere operațional și operațional.
Prognoza cererii pentru plasarea comenzii
La începutul anului 2020, MRL și Ganit au început să lucreze împreună pentru a îmbunătăți în continuare precizia pentru prognozarea categoriei proaspete, cunoscută sub numele de Fructe și legume (F&V), și pentru a reduce contracția.
Ganit a sfătuit LMR să-și împartă problema în două părți:
- Cerere estimată pentru fiecare combinație magazin-SKU
- Calculați cantitatea comenzii (liniuțe)
Intrăm mai detaliat în fiecare aspect în secțiunile următoare.
Cererea prognozată
În această secțiune, discutăm pașii de prognozare a cererii pentru fiecare combinație magazin-SKU.
Înțelegeți factorii de cerere
Echipa lui Ganit și-a început călătoria înțelegând mai întâi factorii care au determinat cererea în magazine. Aceasta a inclus multiple vizite la magazin la fața locului, discuții cu managerii de categorii și întâlniri de cadență cu CEO-ul supermarketului, împreună cu propria expertiză internă Ganit în materie de prognoză cu privire la mai multe alte aspecte, cum ar fi sezonalitatea, stocul, factorii socio-economici și macroeconomici .
După vizitele la magazin, au fost formulate aproximativ 80 de ipoteze asupra mai multor factori pentru a studia impactul acestora asupra cererii de F&V. Echipa a efectuat testarea cuprinzătoare a ipotezelor folosind tehnici precum corelația, analiza bivariată și univariată și testele de semnificație statistică (testul t Student, testele Z) pentru a stabili relația dintre cerere și factori relevanți, cum ar fi datele festivalului, vremea, promoțiile și multe altele. .
Segmentarea datelor
Echipa a subliniat dezvoltarea unui model granular care ar putea prognoza cu precizie o combinație magazin-SKU pentru fiecare zi. O combinație între contribuția la vânzări și ușurința de predicție a fost construită ca un cadru ABC-XYZ, ABC indicând contribuția la vânzări (A fiind cea mai mare) și XYZ indicând ușurința de predicție (Z fiind cea mai mică). Pentru construcția de modele, prima linie de concentrare a fost pe combinațiile magazin-SKU care au avut o contribuție ridicată la vânzări și au fost cele mai dificil de prezis. Acest lucru a fost făcut pentru a se asigura că îmbunătățirea preciziei de prognozare are un impact maxim asupra afacerii.
Tratarea datelor
Datele privind tranzacțiile MRL au fost structurate ca date convenționale la punctul de vânzare, cu câmpuri precum numărul de telefon mobil, numărul facturii, codul articolului, codul magazinului, data, cantitatea facturii, valoarea realizată și valoarea reducerii. Echipa a folosit zilnic date tranzacționale în ultimii 2 ani pentru construirea de modele. Analiza datelor istorice a ajutat identitatea la două provocări:
- Prezența a numeroase valori lipsă
- Unele zile au avut vânzări extrem de mari sau scăzute la nivelurile facturilor, ceea ce a indicat prezența valorilor aberante în date
Tratamentul valorii lipsește
O scufundare profundă în valorile lipsă a identificat motive precum lipsa stocului disponibil în magazin (fără aprovizionare sau nu în sezon) și închiderea magazinelor din cauza constrângerilor planificate de vacanță sau externe (cum ar fi închiderea regională sau națională sau lucrările de construcție). Valorile lipsă au fost înlocuite cu 0 și s-au adăugat regresori sau steaguri corespunzătoare la model, astfel încât modelul să poată învăța din acest lucru pentru orice astfel de evenimente viitoare.
Tratament anormal
Echipa a tratat valorile aberante la cel mai granular nivel de factură, ceea ce a asigurat că au fost luați în considerare factori precum lichidarea, cumpărarea în bloc (B2B) și calitatea proastă. De exemplu, tratamentul la nivel de factură poate include observarea unui KPI pentru fiecare combinație magazin-SKU la nivel de zi, ca în graficul următor.
Putem apoi să semnalăm datele la care cantități anormal de mari sunt vândute ca valori aberante și să ne adâncim în acele valori aberante identificate. O analiză suplimentară arată că aceste valori aberante sunt achiziții instituționale pre-planificate.
Aceste valori aberante la nivel de factură sunt apoi limitate cu cantitatea maximă de vânzări pentru acea dată. Următoarele grafice arată diferența dintre cererea la nivel de factură.
Procesul de prognozare
Echipa a testat mai multe tehnici de prognoză, cum ar fi modele de serii temporale, modele bazate pe regresie și modele de învățare profundă, înainte de a alege Prognoză. Motivul principal pentru alegerea prognozei a fost diferența de performanță atunci când se compară preciziunile prognozate în cupa XY cu cupa Z, care a fost cel mai dificil de prezis. Deși majoritatea tehnicilor convenționale au furnizat precizii mai mari în cupa XY, doar algoritmii ML din Forecast au oferit o precizie incrementală de 10% comparativ cu alte modele. Acest lucru s-a datorat în primul rând capacității Forecast de a învăța alte modele SKU (XY) și de a aplica aceste învățături unor articole extrem de volatile din cupa Z. Prin AutoML, algoritmul Forecast DeepAR + a fost câștigătorul și ales ca model de prognoză.
Iterează pentru a îmbunătăți în continuare precizia de prognozare
După ce echipa a identificat Deep AR + ca algoritm câștigător, au realizat mai multe experimente cu caracteristici suplimentare pentru a îmbunătăți în continuare precizia. Au efectuat mai multe iterații pe un set de eșantioane mai mici, cu diferite combinații, cum ar fi date de serii temporale țintă pure (cu și fără tratament anormal), regresori precum festivaluri sau închideri de magazine și metadate de articole de magazin (ierarhie de articole de magazin) pentru a înțelege cea mai bună combinație pentru îmbunătățirea preciziei prognozate. Combinația dintre seriile de timp țintă tratate anterior, împreună cu metadatele articolelor din magazin și regresorii au redat cea mai mare precizie. Acest lucru a fost redus la setul original de 6,230 combinații magazin-SKU pentru a obține prognoza finală.
Calculul cantității comenzii
După ce echipa a dezvoltat modelul de prognoză, următorul pas imediat a fost să îl folosiți pentru a decide cât de mult inventar să cumpărați și să plasați comenzi. Generarea comenzilor este influențată de cererea prognozată, de stocul actual disponibil și de alți factori relevanți din magazin.
Următoarea formulă a servit ca bază pentru proiectarea constructului comenzii.
Echipa a luat în considerare și alți parametri de reglare a liniei pentru sistemul automat de comandă, cum ar fi cantitatea minimă a comenzii, factorul unității de service, stocul minim de închidere, stocul minim afișat (pe baza planogramei) și ajustarea ratei de umplere, reducând astfel decalajul dintre mașină și om inteligență.
Echilibrează scenariile sub-prognozate și supra-prognozate
Pentru a optimiza costul de ieșire al contracției cu costul stocurilor și al vânzărilor pierdute, echipa a folosit caracteristica cuantilelor din Prognoză pentru a muta răspunsul prognozat din model.
În proiectarea modelului, au fost generate trei prognoze la ponderile p40, p50 și p60, p50 fiind cuantila de bază. Selecția cuantilelor a fost programată să se bazeze pe stocuri și pierderi în magazine în trecutul recent. De exemplu, cuantilele mai mari au fost alese automat dacă o anumită combinație magazin-SKU s-a confruntat cu stocuri continue în ultimele 3 zile, iar cuantilele mai mici au fost alese automat dacă SKU-ul magazinului a fost martorul unei pierderi ridicate. Cuantumul cuantilelor crescătoare și descrescătoare s-a bazat pe magnitudinea stocului sau a contracției din magazin.
Plasarea automată a comenzilor prin Oracle ERP
MRL a implementat Forecast și sistemele de comandă a liniei în producție, integrându-le cu sistemul ERP Oracle, pe care MRL îl folosește pentru plasarea comenzilor. Următoarea diagramă ilustrează arhitectura finală.
Pentru a implementa sistemul de comandă în producție, toate datele MRL au fost migrate în AWS. Echipa a creat locuri de muncă ETL pentru a muta mesele live Amazon RedShift (depozit de date pentru munca de business intelligence), astfel încât Amazon Redshift a devenit singura sursă de intrare pentru viitoarea prelucrare a datelor.
Întreaga arhitectură a datelor a fost împărțită în două părți:
- Motor de prognoză:
- Datele istorice ale cererii utilizate (întârzierea cererii de 1 zi) prezente în Amazon Redshift
- Alte intrări de regresor, cum ar fi ultima factură, preț și festivaluri, au fost menținute în Amazon Redshift
- An Cloud Elastic de calcul Amazon Instanța (Amazon EC2) a fost configurată cu scripturi Python personalizate pentru a contracara tranzacția, regresorii și alte metadate
- Lupta post-date, datele au fost mutate într-un Serviciul Amazon de stocare simplă (Amazon S3) bucket pentru a genera prognoze (previziuni T + 2 pentru toate combinațiile magazin-SKU)
- Rezultatul final de prognoză a fost stocat într-un folder separat într-o bucket S3
- Motor de comandă (liniuță):
- Toate datele necesare pentru a converti previziunile în comenzi (cum ar fi stocul disponibil, primit pentru stocarea cantității, ultimele 2 zile de comenzi plasate pentru a primi, factorul unității de service și stocul minim de deschidere și închidere bazat pe planogramă) au fost stocate și menținute în Amazon Redshift
- Cantitatea comenzii a fost calculată prin scripturi Python rulate pe instanțe EC2
- Comenzile au fost apoi mutate în sistemul ERP Oracle, care a plasat o comandă către furnizori
Întregul sistem de comandă a fost decuplat în mai multe segmente cheie. Echipa a configurat notificările prin e-mail ale programatorului Apache Airflow pentru fiecare proces, pentru a notifica părțile interesate respective după finalizarea sau eșecul cu succes, astfel încât acestea să poată lua măsuri imediate. Comenzile plasate prin sistemul ERP au fost apoi mutate în tabelele Amazon Redshift pentru calcularea comenzilor din următoarele zile. Ușurința de integrare între sistemele AWS și ERP a dus la un sistem complet complet de comandă automatizată, fără intervenție umană.
Concluzie
O abordare bazată pe ML a deblocat adevărata putere a datelor pentru LMR. Cu Forecast, am creat două modele naționale pentru diferite formate de magazin, spre deosebire de peste 1,000 de modele tradiționale pe care le foloseam.
Prognozele învață, de asemenea, în mai multe serii cronologice. Algoritmii ML din Forecast permit învățarea încrucișată între combinațiile magazin-SKU, ceea ce ajută la îmbunătățirea preciziei prognozei.
În plus, Forecast vă permite să adăugați metadate de serii temporale și articole, cum ar fi clienții care trimit semnale de cerere pe baza mixului de articole din coș. Forecast ia în considerare toate informațiile privind cererea primită și ajunge la un singur model. Spre deosebire de modelele convenționale, în care adăugarea de variabile duce la supraadaptare, Forecast îmbogățește modelul, oferind prognoze precise pe baza contextului de afaceri. LMR a câștigat capacitatea de a clasifica produsele pe baza unor factori precum termenul de valabilitate, promoțiile, prețul, tipul de magazine, clusterul bogat, magazinul competitiv și randamentul magazinelor. Vă recomandăm să încercați Amazon Forecast pentru a vă îmbunătăți operațiunile în lanțul de aprovizionare. Puteți afla mai multe despre Amazon Forecast aici. Pentru a afla mai multe despre Ganit și soluțiile noastre, contactați info@ganitinc.com pentru a afla mai multe.
Conținutul și opiniile din această postare sunt cele ale autorului terț, iar AWS nu este responsabilă pentru conținutul sau acuratețea acestei postări.
Despre Autori
Supratim Banerjee este Director de transformare at Mai mult cu amănuntul Limitat. Este un profesionist cu experiență, cu o istorie demonstrată a activității în industria capitalului de risc și a capitalului privat. A fost consultant la KPMG și a lucrat cu organizații precum AT Kearney și India Equity Partners. Deține un MBA axat pe Finanțe, General de la Indian School of Business, Hyderabad.
Shivaprasad KT este Co-fondator și CEO at Ganit Inc. Are o experiență de peste 17 ani în furnizarea de impact de top și de jos folosind știința datelor în SUA, Australia, Asia și India. El a consiliat CXO-uri la companii precum Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo și Citibank. Deține un MBA de la SP Jain, Mumbai și o diplomă de licență în inginerie de la NITK Surathkal.
Gaurav H Kankaria este Senior Data Scientist at Ganit Inc. El are peste 6 ani de experiență în proiectarea și implementarea soluțiilor pentru a ajuta organizațiile din domeniile retail, CPG și BFSI să ia decizii bazate pe date. Deține o diplomă de licență la Universitatea VIT, Vellore.
