Ta objava je gostujoče skupno sodelovanje Supratima Banerjeeja iz More Retail Limited ter Shivaprasada KT in Gaurava H Kankarie iz Ganit Inc.
More Retail Ltd. (MRL) je eden izmed štirih največjih trgovcev z živili v Indiji s prihodki v višini več milijard dolarjev. Ima trgovinsko mrežo 22 hipermarketov in 624 supermarketov po vsej Indiji, ki jih podpira dobavna veriga 13 distribucijskih centrov, 7 centrov za zbiranje sadja in zelenjave ter 6 centrov za predelavo sponk.
Pri tako velikem omrežju je ključnega pomena za MRL, da zagotavlja pravo kakovost izdelka po pravi ekonomski vrednosti, hkrati pa izpolnjuje povpraševanje strank in ohranja operativne stroške na minimumu. MRL je sodeloval z Ganitom kot svojim analitičnim partnerjem AI, da bi z večjo natančnostjo napovedal povpraševanje in zgradil avtomatiziran sistem naročanja, da bi premagal ozka grla in pomanjkljivosti ročne presoje upraviteljev trgovin. Uporabljena MRL Amazonska napoved povečati svojo natančnost napovedovanja s 24 % na 76 %, kar vodi do zmanjšanja izgube do 30 % v kategoriji svežih proizvodov, izboljšanja stopnje zalog z 80 % na 90 % in povečanja bruto dobička za 25 %.
Pri doseganju teh poslovnih rezultatov in izgradnji avtomatiziranega sistema naročanja smo bili uspešni zaradi dveh osnovnih razlogov:
- Sposobnost eksperimentiranja – Forecast zagotavlja prilagodljivo in modularno platformo, prek katere smo izvedli več kot 200 poskusov z uporabo različnih regresorjev in tipov modelov, ki so vključevali tradicionalne modele in modele ML. Ekipa je sledila pristopu Kaizen, se učila iz predhodno neuspešnih modelov in uvedla modele šele, ko so bili uspešni. Eksperimentiranje se je nadaljevalo ob strani, medtem ko so bili uvedeni zmagovalni modeli.
- Upravljanje sprememb – Lastnike kategorij, ki so bili navajeni naročati po poslovni presoji, smo prosili, naj zaupajo sistemu naročanja, ki temelji na ML. Sistemski načrt prevzema je zagotovil, da so bili rezultati orodja shranjeni, orodje pa je delovalo z disciplinirano kadenco, tako da sta bili napolnjena in trenutna zaloga identificirani in evidentirani pravočasno.
Zapletenost pri napovedovanju kategorije svežih proizvodov
Napovedovanje povpraševanja po kategoriji svežih proizvodov je zahtevno, ker imajo sveži izdelki kratek rok trajanja. S pretiranim napovedovanjem trgovine na koncu prodajo zastarele ali prezrele izdelke ali zavržejo večino svojega inventarja (imenovano kot krčenje). Če je napoved premajhna, izdelkov morda ni na zalogi, kar vpliva na uporabniško izkušnjo. Stranke lahko zapustijo svoj voziček, če na nakupovalnem seznamu ne najdejo ključnih artiklov, ker ne želijo čakati v vrstah na blagajni le za peščico izdelkov. Za dodatek k tej zapletenosti ima MRL veliko SKU-jev v svojih več kot 600 supermarketih, kar vodi do več kot 6,000 kombinacij trgovine-SKU.
Do konca leta 2019 je MRL uporabljal tradicionalne statistične metode za ustvarjanje modelov napovedi za vsako kombinacijo trgovina-SKU, kar je povzročilo natančnost do 40 %. Napovedi so bile vzdrževane z več posameznimi modeli, zaradi česar je bilo računsko in operativno drago.
Napovedovanje povpraševanja za umestitev naročila
V začetku leta 2020 sta MRL in Ganit začela sodelovati, da bi dodatno izboljšala natančnost za napovedovanje sveže kategorije, znane kot sadje in zelenjava (F&V), in zmanjšala krčenje.
Ganit je MRL svetoval, naj problem razdeli na dva dela:
- Napoved povpraševanja za vsako kombinacijo trgovina-SKU
- Izračunajte količino naročila (alineje)
V naslednjih razdelkih bomo podrobneje obravnavali vsak vidik.
Napovedano povpraševanje
V tem razdelku razpravljamo o korakih napovedovanja povpraševanja za vsako kombinacijo trgovina-SKU.
Razumeti dejavnike povpraševanja
Ganitova ekipa je svojo pot začela tako, da je najprej razumela dejavnike, ki so spodbudili povpraševanje v trgovinah. To je vključevalo večkratne obiske trgovine na kraju samem, razprave z vodji kategorij in kadenčne sestanke z izvršnim direktorjem supermarketa, skupaj z Ganitovim lastnim strokovnim znanjem o napovedovanju več drugih vidikov, kot so sezonskost, pomanjkanje zalog, socialno-ekonomski in makroekonomski dejavniki .
Po obiskih trgovin je bilo oblikovanih približno 80 hipotez o več dejavnikih, da bi preučili njihov vpliv na povpraševanje po sadju in zelenjavi. Skupina je izvedla obsežno testiranje hipotez z uporabo tehnik, kot so korelacija, bivariatna in univariatna analiza ter testi statistične pomembnosti (Studentov t-test, Z testi), da bi ugotovili razmerje med povpraševanjem in ustreznimi dejavniki, kot so datumi festivalov, vreme, promocije in številni drugi .
Segmentacija podatkov
Ekipa je poudarila razvoj zrnatega modela, ki bi lahko natančno napovedal kombinacijo trgovine in SKU za vsak dan. Kombinacija prispevka k prodaji in enostavnosti napovedovanja je bila zgrajena kot ogrodje ABC-XYZ, pri čemer ABC označuje prispevek k prodaji (A je najvišji), XYZ pa označuje enostavnost napovedovanja (Z je najnižji). Pri izdelavi modela je bil prvi poudarek na kombinacijah trgovina-SKU, ki so imele velik prispevek k prodaji in jih je bilo najtežje predvideti. To je bilo storjeno, da bi zagotovili, da ima izboljšanje natančnosti napovedovanja največji poslovni učinek.
Obdelava podatkov
Podatki o transakcijah MRL so bili strukturirani kot običajni podatki o prodajnem mestu s polji, kot so mobilna številka, številka računa, koda artikla, koda trgovine, datum, količina računa, realizirana vrednost in vrednost popusta. Ekipa je za izdelavo modela uporabila dnevne podatke o transakcijah v zadnjih 2 letih. Analiza zgodovinskih podatkov je pomagala prepoznati dva izziva:
- Prisotnost številnih manjkajočih vrednosti
- Nekateri dnevi so imeli izjemno visoko ali nizko prodajo na računih, kar je nakazovalo prisotnost odstopanj v podatkih
Obravnava manjkajoče vrednosti
Poglobljen potop v manjkajoče vrednosti je odkril razloge, kot je pomanjkanje zalog v trgovini (ni zalog ali ni v sezoni) in trgovine, ki so zaprte zaradi načrtovanih praznikov ali zunanjih omejitev (kot je regionalna ali nacionalna zaustavitev ali gradbena dela). Manjkajoče vrednosti so bile nadomeščene z 0, modelu pa so bili dodani ustrezni regresorji ali zastavice, tako da se je model lahko iz tega učil za vse takšne prihodnje dogodke.
Izjemno zdravljenje
Ekipa je odstopanja obravnavala na najbolj natančni ravni računa, kar je zagotovilo, da so bili upoštevani dejavniki, kot so likvidacija, množični nakup (B2B) in slaba kakovost. Obravnava na ravni računa lahko na primer vključuje opazovanje KPI-ja za vsako kombinacijo trgovina-SKU na dnevni ravni, kot je prikazano v naslednjem grafu.
Nato lahko označimo datume, na katere se nenormalno visoke količine prodajo kot izstopajoče vrednosti, in se poglobimo v te ugotovljene izstopajoče vrednosti. Nadaljnja analiza kaže, da so ti odstopanji vnaprej načrtovani institucionalni nakupi.
Ti odstopanji na ravni računa so nato omejeni z največjo prodajno količino za ta datum. Naslednji grafi prikazujejo razliko v povpraševanju na ravni računa.
Postopek napovedovanja
Ekipa je preizkusila več tehnik napovedovanja, kot so modeli časovnih vrst, regresijski modeli in modeli globokega učenja, preden je izbrala Napoved. Glavni razlog za izbiro napovedi je bila razlika v uspešnosti pri primerjavi natančnosti napovedi v segmentu XY s segmentom Z, ki ga je bilo najtežje napovedati. Čeprav je večina običajnih tehnik zagotovila večjo natančnost v segmentu XY, so samo algoritmi ML v Forecastu zagotovili 10-odstotno inkrementalno natančnost v primerjavi z drugimi modeli. To je bilo predvsem posledica zmožnosti Forecast-a, da se nauči drugih vzorcev SKU (XY) in ta znanja uporabi pri zelo nestanovitnih elementih v vedru Z. S pomočjo AutoML je bil algoritem Forecast DeepAR+ zmagovalec in izbran kot model napovedi.
Ponavljanje za nadaljnje izboljšanje natančnosti napovedovanja
Potem ko je ekipa prepoznala Deep AR+ kot zmagovalni algoritem, je izvedla več poskusov z dodatnimi funkcijami za nadaljnje izboljšanje natančnosti. Izvedli so več iteracij na manjšem vzorčnem naboru z različnimi kombinacijami, kot so podatki o čistih ciljnih časovnih vrstah (z in brez obravnave izstopajočih vrednosti), regresorji, kot so festivali ali zaprtja trgovin, in metapodatki trgovinskih elementov (hierarhija trgovinskih elementov), da bi razumeli najboljšo kombinacijo za izboljšanje natančnosti napovedi. Kombinacija ciljnih časovnih vrst, obravnavanih z odstopanji, skupaj z metapodatki o elementih v trgovini in regresorji je zagotovila največjo natančnost. To je bilo pomanjšano nazaj na prvotni nabor 6,230 kombinacij trgovina-SKU, da bi dobili končno napoved.
Izračun količine naročila
Potem ko je skupina razvila napovedni model, je bil takojšnji naslednji korak ta uporaba za odločitev, koliko zalog kupiti in oddati naročila. Na ustvarjanje naročil vplivajo napovedano povpraševanje, trenutna zaloga in drugi pomembni dejavniki v trgovini.
Naslednja formula je služila kot osnova za oblikovanje konstrukta reda.
Skupina je upoštevala tudi druge parametre prilagajanja zamikov za sistem samodejnega naročanja, kot so najmanjša količina naročila, faktor storitvene enote, najmanjša končna zaloga, minimalna zaloga za prikaz (na podlagi planograma) in prilagoditev stopnje polnjenja, s čimer je premostila vrzel med strojem in človekom. inteligenca.
Uravnotežite scenarije s prenizkimi in previsokimi napovedmi
Da bi optimizirali izhodne stroške krčenja s stroški zalog in izgubljene prodaje, je ekipa uporabila funkcijo kvantilov v Forecastu, da premakne odziv napovedi iz modela.
Pri zasnovi modela so bile ustvarjene tri napovedi pri kvantilih p40, p50 in p60, pri čemer je bil p50 osnovni kvantil. Izbor kvantilov je bil programiran tako, da temelji na zalogah in porabi v trgovinah v bližnji preteklosti. Na primer, višji kvantili so bili samodejno izbrani, če je bila določena kombinacija trgovina-SKU v zadnjih 3 dneh soočena z nenehnimi zalogami, nižji kvantili pa so bili samodejno izbrani, če je bila trgovina-SKU priča veliki porabi. Kvantum naraščajočih in padajočih kvantilov je temeljil na obsegu zaloge ali krčenju v trgovini.
Avtomatizirano oddajanje naročil prek Oracle ERP
MRL je v proizvodnjo uvedel Forecast in sisteme za naročanje z zamiki, tako da jih je integriral z Oraclovim sistemom ERP, ki ga MRL uporablja za oddajo naročil. Naslednji diagram ponazarja končno arhitekturo.
Za uvedbo sistema naročanja v proizvodnjo so bili vsi podatki o MRL preseljeni v AWS. Ekipa je vzpostavila delovna mesta ETL, kamor je lahko premaknila žive mize Amazon RedShift (podatkovno skladišče za delo s poslovno inteligenco), zato je Amazon Redshift postal edini vir vnosa za prihodnjo obdelavo vseh podatkov.
Celotno podatkovno arhitekturo smo razdelili na dva dela:
- Mehanizem napovedovanja:
- Uporabljeni pretekli podatki o povpraševanju (1-dnevni zamik povpraševanja), prisotni v Amazon Redshift
- Drugi regresorski vnosi, kot so čas zadnjega računa, cena in festivali, so bili ohranjeni v Amazon Redshift
- An Amazonski elastični računalniški oblak Primerek (Amazon EC2) je bil nastavljen s prilagojenimi skripti Python za prerekanje transakcij, regresorjev in drugih metapodatkov
- Po sporu glede podatkov so bili podatki premaknjeni v Preprosta storitev shranjevanja Amazon (Amazon S3) vedro za ustvarjanje napovedi (napovedi T+2 za vse kombinacije trgovina-SKU)
- Končni rezultat napovedi je bil shranjen v ločeni mapi v vedru S3
- Vrstni red (alineja) motor:
- Vsi podatki, ki so potrebni za pretvorbo napovedi v naročila (kot so zaloga pri roki, količina, prejeta v shranjevanje, zadnja 2 dneva naročil, oddanih za prejem, faktor storitvene enote in minimalna začetna in končna zaloga na podlagi planograma) so bili shranjeni in vzdrževani v Amazon Redshift
- Količina naročila je bila izračunana s skripti Python, ki se izvajajo na instancah EC2
- Naročila so bila nato premaknjena v Oraclov sistem ERP, ki je oddal naročilo prodajalcem
Celoten sistem naročanja je bil ločen na več ključnih segmentov. Ekipa je nastavila e-poštna obvestila razporejevalnika Apache Airflow za vsak proces, da obvesti zadevne zainteresirane strani po uspešnem zaključku ali neuspehu, tako da lahko takoj ukrepajo. Naročila, oddana prek sistema ERP, so bila nato premaknjena v tabele Amazon Redshift za izračun naročil za naslednje dni. Enostavna integracija med sistemi AWS in ERP je privedla do popolnega avtomatiziranega sistema naročanja od konca do konca brez človeškega posredovanja.
zaključek
Pristop, ki temelji na ML, je odklenil pravo moč podatkov za MRL. Z Forecastom smo ustvarili dva nacionalna modela za različne formate trgovin, v nasprotju z več kot 1,000 tradicionalnimi modeli, ki smo jih uporabljali.
Napoved se uči tudi v časovnih serijah. Algoritmi ML v Forecastu omogočajo navzkrižno učenje med kombinacijami trgovina-SKU, kar pomaga izboljšati natančnost napovedi.
Poleg tega vam Forecast omogoča dodajanje povezanih časovnih vrst in metapodatkov o artiklih, kot so stranke, ki pošiljajo signale povpraševanja na podlagi mešanice artiklov v njihovi košarici. Napoved upošteva vse dohodne informacije o povpraševanju in doseže en sam model. Za razliko od običajnih modelov, pri katerih dodajanje spremenljivk povzroči preobremenitev, Forecast obogati model in zagotavlja natančne napovedi na podlagi poslovnega konteksta. MRL je pridobil možnost kategoriziranja izdelkov na podlagi dejavnikov, kot so rok uporabnosti, promocije, cena, vrsta trgovin, premožen grozd, konkurenčna trgovina in pretočnost trgovin. Priporočamo, da preizkusite Amazon Forecast za izboljšanje delovanja vaše dobavne verige. Izvedete lahko več o Amazon Forecast tukaj. Če želite izvedeti več o Ganitu in naših rešitvah, se obrnite na info@ganitinc.com Če želite izvedeti več.
Vsebina in mnenja v tej objavi so mnenja neodvisnega avtorja in AWS ni odgovoren za vsebino ali točnost te objave.
O avtorjih
Supratim Banerjee ali je Glavni direktor za transformacijo at Več maloprodaje Omejeno. Je izkušen strokovnjak z dokazano zgodovino dela v panogah tveganega in zasebnega kapitala. Bil je svetovalec pri KPMG in je sodeloval z organizacijami, kot sta AT Kearney in India Equity Partners. Ima diplomo MBA, osredotočeno na finance, splošno na Indian School of Business v Hyderabadu.
Shivaprasad KT ali je Soustanovitelj in izvršni direktor at Ganit Inc. Ima 17+ let izkušenj z zagotavljanjem vrhunskega in končnega vpliva z uporabo podatkovne znanosti v ZDA, Avstraliji, Aziji in Indiji. Svetoval je CXO v podjetjih, kot so Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo in Citibank. Ima MBA na SP Jain v Mumbaju in diplomiral iz inženirstva na NITK Surathkal.
Gaurav H Kankaria ali je Starejši podatkovni znanstvenik at Ganit Inc. Ima več kot 6 let izkušenj z načrtovanjem in implementacijo rešitev za pomoč organizacijam v domenah maloprodaje, CPG in BFSI pri sprejemanju odločitev, ki temeljijo na podatkih. Diplomiral je na univerzi VIT v Velloru.
