โพสต์นี้เป็นความร่วมมือของแขกรับเชิญโดย Supratim Banerjee จาก More Retail Limited และ Shivaprasad KT และ Gaurav H Kankaria จาก Ganit Inc.
More Retail Ltd. (MRL) เป็นหนึ่งในผู้ค้าปลีกสินค้าอุปโภคบริโภครายใหญ่สี่อันดับแรกของอินเดีย โดยมีรายได้หลายพันล้านดอลลาร์ มีเครือข่ายร้านค้าของไฮเปอร์มาร์เก็ต 22 แห่งและซูเปอร์มาร์เก็ต 624 แห่งทั่วอินเดีย โดยได้รับการสนับสนุนจากห่วงโซ่อุปทานของศูนย์กระจายสินค้า 13 แห่ง ศูนย์รวบรวมผักและผลไม้ 7 แห่ง และศูนย์แปรรูปวัตถุดิบหลัก 6 แห่ง
ด้วยเครือข่ายขนาดใหญ่เช่นนี้ จึงจำเป็นอย่างยิ่งที่ MRL จะต้องส่งมอบผลิตภัณฑ์ที่มีคุณภาพและมูลค่าทางเศรษฐกิจที่เหมาะสม ในขณะที่ตอบสนองความต้องการของลูกค้าและรักษาต้นทุนการดำเนินงานให้ต่ำที่สุด MRL ร่วมมือกับ Ganit ในฐานะพันธมิตรด้านการวิเคราะห์ AI เพื่อคาดการณ์ความต้องการด้วยความแม่นยำที่มากขึ้น และสร้างระบบการสั่งซื้ออัตโนมัติเพื่อเอาชนะปัญหาคอขวดและข้อบกพร่องจากการตัดสินใจด้วยตนเองของผู้จัดการร้าน MRL ที่ใช้ พยากรณ์อเมซอน เพื่อเพิ่มความแม่นยำในการคาดการณ์จาก 24% เป็น 76% นำไปสู่การลดการสูญเสียได้ถึง 30% ในหมวดผลิตภัณฑ์สด ปรับปรุงอัตราสินค้าในสต็อกจาก 80% เป็น 90% และเพิ่มกำไรขั้นต้น 25%
เราประสบความสำเร็จในการสร้างผลลัพธ์ทางธุรกิจเหล่านี้และสร้างระบบการสั่งซื้ออัตโนมัติด้วยเหตุผลหลักสองประการ:
- ความสามารถในการทดลอง – Forecast มอบแพลตฟอร์มที่ยืดหยุ่นและเป็นโมดูล ซึ่งเราทำการทดลองมากกว่า 200 ครั้งโดยใช้ตัวถอยกลับและประเภทของโมเดลที่แตกต่างกัน ซึ่งรวมถึงโมเดลแบบดั้งเดิมและ ML ทีมงานปฏิบัติตามแนวทาง Kaizen โดยเรียนรู้จากโมเดลที่ไม่ประสบความสำเร็จก่อนหน้านี้ และปรับใช้โมเดลเมื่อประสบความสำเร็จเท่านั้น การทดลองยังคงดำเนินต่อไปในขณะที่โมเดลที่ชนะถูกนำไปใช้งาน
- การบริหารการเปลี่ยนแปลง – เราขอให้เจ้าของหมวดหมู่ที่เคยสั่งซื้อโดยใช้วิจารณญาณทางธุรกิจให้เชื่อถือระบบการสั่งซื้อแบบ ML แผนการปรับใช้อย่างเป็นระบบทำให้มั่นใจได้ว่าผลลัพธ์ของเครื่องมือถูกจัดเก็บ และเครื่องมือถูกใช้งานอย่างมีระเบียบวินัย เพื่อให้ระบุและบันทึกในสต็อกที่เต็มและปัจจุบันได้ตรงเวลา
ความซับซ้อนในการพยากรณ์ประเภทผลิตผลสด
การคาดการณ์ความต้องการสำหรับประเภทผลิตผลสดเป็นสิ่งที่ท้าทาย เนื่องจากผลิตภัณฑ์สดมีอายุการเก็บรักษาสั้น ด้วยการคาดการณ์ที่มากเกินไป ร้านค้าลงเอยด้วยการขายผลิตภัณฑ์ที่เก่าหรือสุกเกินไป หรือทิ้งสินค้าคงคลังส่วนใหญ่ (เรียกว่า การหดตัว). หากคาดการณ์ไว้ต่ำเกินไป สินค้าอาจหมดสต็อก ซึ่งส่งผลต่อประสบการณ์ของลูกค้า ลูกค้าอาจละทิ้งรถเข็นของตนหากไม่พบรายการสำคัญในรายการช้อปปิ้ง เนื่องจากไม่ต้องการรอสินค้าเพียงไม่กี่ชิ้นในแถวชำระเงิน เพื่อเพิ่มความซับซ้อนนี้ MRL มี SKU มากมายในซูเปอร์มาร์เก็ตกว่า 600 แห่ง ซึ่งนำไปสู่การรวมร้านค้า-SKU มากกว่า 6,000 รายการ
ภายในสิ้นปี 2019 MRL ใช้วิธีการทางสถิติแบบดั้งเดิมเพื่อสร้างแบบจำลองการคาดการณ์สำหรับชุดค่าผสม SKU ของร้านค้าแต่ละแห่ง ซึ่งส่งผลให้มีความแม่นยำต่ำถึง 40% การคาดการณ์ได้รับการบำรุงรักษาผ่านโมเดลหลายตัว ทำให้การคำนวณและการดำเนินการมีราคาแพง
การคาดการณ์ความต้องการเพื่อวางคำสั่งซื้อ
ในช่วงต้นปี 2020 MRL และ Ganit ได้เริ่มทำงานร่วมกันเพื่อปรับปรุงความแม่นยำเพิ่มเติมสำหรับการคาดการณ์หมวดหมู่ของสดหรือที่เรียกว่า Fruits and Vegetables (F&V) และลดการหดตัว
Ganit แนะนำให้ MRL แบ่งปัญหาออกเป็นสองส่วน:
- คาดการณ์ความต้องการสำหรับชุดค่าผสม SKU ของร้านค้าแต่ละรายการ
- คำนวณปริมาณการสั่งซื้อ (เยื้อง)
เราจะลงรายละเอียดเพิ่มเติมในแต่ละด้านในหัวข้อต่อไปนี้
พยากรณ์ความต้องการ
ในส่วนนี้ เราจะหารือเกี่ยวกับขั้นตอนการคาดการณ์ความต้องการสำหรับชุดค่าผสม SKU ของร้านค้าแต่ละรายการ
ทำความเข้าใจกับแรงผลักดันของอุปสงค์
ทีมของ Ganit เริ่มต้นเส้นทางด้วยการทำความเข้าใจปัจจัยที่กระตุ้นความต้องการภายในร้านค้าก่อน ซึ่งรวมถึงการเยี่ยมชมร้านค้าในสถานที่หลายครั้ง การหารือกับผู้จัดการหมวดหมู่ และการประชุมจังหวะกับ CEO ของซูเปอร์มาร์เก็ต ควบคู่ไปกับความเชี่ยวชาญในการคาดการณ์ของ Ganit เองในด้านอื่นๆ เช่น ฤดูกาล สินค้าหมด เศรษฐกิจสังคม และปัจจัยเศรษฐกิจมหภาค .
หลังจากการเยี่ยมชมร้านค้า ได้มีการกำหนดสมมติฐานประมาณ 80 ข้อเกี่ยวกับปัจจัยต่างๆ เพื่อศึกษาผลกระทบต่ออุปสงค์ F&V ทีมงานทำการทดสอบสมมติฐานอย่างครอบคลุมโดยใช้เทคนิคต่างๆ เช่น ความสัมพันธ์ การวิเคราะห์สองตัวแปรและการวิเคราะห์ตัวแปรเดียว และการทดสอบนัยสำคัญทางสถิติ (การทดสอบ t-test ของนักเรียน การทดสอบ Z) เพื่อสร้างความสัมพันธ์ระหว่างความต้องการและปัจจัยที่เกี่ยวข้อง เช่น วันที่เทศกาล สภาพอากาศ การส่งเสริมการขาย และอื่นๆ อีกมากมาย .
การแบ่งส่วนข้อมูล
ทีมงานเน้นการพัฒนาโมเดลแบบละเอียดที่สามารถคาดการณ์ชุดค่าผสม SKU ของร้านค้าในแต่ละวันได้อย่างแม่นยำ การรวมกันของยอดขายและความง่ายในการคาดการณ์ถูกสร้างขึ้นเป็นเฟรมเวิร์ก ABC-XYZ โดย ABC บ่งชี้ถึงยอดขาย (A คือสูงสุด) และ XYZ บ่งบอกถึงความง่ายในการคาดการณ์ (Z คือต่ำสุด) สำหรับการสร้างโมเดล บรรทัดแรกเน้นที่ชุดค่าผสม SKU ของร้านค้าซึ่งมีส่วนสนับสนุนยอดขายสูงและคาดเดาได้ยากที่สุด สิ่งนี้ทำเพื่อให้แน่ใจว่าการปรับปรุงความแม่นยำในการคาดการณ์มีผลกระทบทางธุรกิจสูงสุด
การรักษาข้อมูล
ข้อมูลธุรกรรมของ MRL มีโครงสร้างเหมือนกับข้อมูล ณ จุดขายทั่วไป โดยมีฟิลด์ต่างๆ เช่น หมายเลขโทรศัพท์มือถือ หมายเลขบิล รหัสสินค้า รหัสร้านค้า วันที่ ปริมาณบิล มูลค่าที่รับรู้ และมูลค่าส่วนลด ทีมใช้ข้อมูลการทำธุรกรรมรายวันในช่วง 2 ปีที่ผ่านมาสำหรับการสร้างแบบจำลอง การวิเคราะห์ข้อมูลในอดีตช่วยระบุความท้าทายสองประการ:
- การมีอยู่ของค่าที่ขาดหายไปจำนวนมาก
- บางวันมียอดขายสูงหรือต่ำมากที่ระดับการเรียกเก็บเงิน ซึ่งบ่งชี้ว่าข้อมูลมีค่าผิดปกติ
ค่ารักษาหาย
การเจาะลึกลงไปในค่าที่ขาดหายไปจะระบุสาเหตุต่างๆ เช่น ไม่มีสินค้าคงคลังในร้าน (ไม่มีสินค้าหรือไม่มีตามฤดูกาล) และร้านค้าถูกปิดเนื่องจากวันหยุดตามแผนหรือข้อจำกัดภายนอก (เช่น การปิดตัวในระดับภูมิภาคหรือระดับประเทศ หรืองานก่อสร้าง) ค่าที่ขาดหายไปถูกแทนที่ด้วย 0 และเพิ่ม regressor หรือแฟล็กที่เหมาะสมให้กับโมเดล เพื่อให้โมเดลสามารถเรียนรู้จากสิ่งนี้สำหรับเหตุการณ์ใดๆ ในอนาคต
การรักษาภายนอก
ทีมงานจัดการกับค่าผิดปกติในระดับการเรียกเก็บเงินที่ละเอียดที่สุด ซึ่งทำให้มั่นใจได้ว่าปัจจัยต่างๆ เช่น การชำระบัญชี การซื้อจำนวนมาก (B2B) และคุณภาพที่ไม่ดีได้รับการพิจารณา ตัวอย่างเช่น การจัดการระดับการเรียกเก็บเงินอาจรวมถึงการสังเกต KPI สำหรับชุดค่าผสม SKU ของร้านค้าแต่ละรายการในระดับวัน ดังในกราฟต่อไปนี้
จากนั้นเราสามารถระบุวันที่ที่มีการขายในปริมาณที่สูงผิดปกติเป็นค่าผิดปกติ และเจาะลึกลงไปในค่าผิดปกติที่ระบุเหล่านั้น การวิเคราะห์เพิ่มเติมแสดงให้เห็นว่าค่าผิดปกติเหล่านี้เป็นการซื้อสถาบันที่วางแผนไว้ล่วงหน้า
ค่าผิดปกติระดับการเรียกเก็บเงินเหล่านี้จะถูกจำกัดด้วยปริมาณการขายสูงสุดสำหรับวันนั้นๆ กราฟต่อไปนี้แสดงความแตกต่างของความต้องการในระดับการเรียกเก็บเงิน
ขั้นตอนการพยากรณ์
ทีมงานได้ทดสอบเทคนิคการพยากรณ์หลายอย่าง เช่น โมเดลอนุกรมเวลา โมเดลตามการถดถอย และโมเดลการเรียนรู้เชิงลึก ก่อนที่จะเลือกการพยากรณ์ เหตุผลหลักในการเลือกการคาดการณ์คือความแตกต่างของประสิทธิภาพเมื่อเปรียบเทียบความแม่นยำของการคาดการณ์ในบัคเก็ต XY กับบัคเก็ต Z ซึ่งเป็นสิ่งที่คาดเดาได้ยากที่สุด แม้ว่าเทคนิคทั่วไปส่วนใหญ่จะให้ความแม่นยำสูงกว่าในบัคเก็ต XY แต่มีเพียงอัลกอริทึม ML ใน Forecast เท่านั้นที่ให้ความแม่นยำเพิ่มขึ้น 10% เมื่อเทียบกับรุ่นอื่นๆ สาเหตุหลักมาจากความสามารถของ Forecast ในการเรียนรู้รูปแบบ SKU (XY) อื่นๆ และนำการเรียนรู้เหล่านั้นไปใช้กับรายการที่มีความผันผวนสูงในบัคเก็ต Z ด้วย AutoML อัลกอริทึม Forecast DeepAR+ เป็นผู้ชนะและได้รับเลือกให้เป็นโมเดลการคาดการณ์
ทำซ้ำเพื่อปรับปรุงความแม่นยำในการพยากรณ์
หลังจากที่ทีมระบุว่า Deep AR+ เป็นอัลกอริทึมที่ชนะ พวกเขาทำการทดลองหลายครั้งพร้อมคุณสมบัติเพิ่มเติมเพื่อปรับปรุงความแม่นยำให้ดียิ่งขึ้น พวกเขาดำเนินการวนซ้ำหลายครั้งในชุดตัวอย่างขนาดเล็กที่มีชุดค่าผสมที่แตกต่างกัน เช่น ข้อมูลอนุกรมเวลาเป้าหมายล้วน (มีและไม่มีการจัดการค่าผิดปกติ) ตัวย้อนกลับ เช่น เทศกาลหรือการปิดร้าน และข้อมูลเมตาของรายการร้านค้า (ลำดับชั้นของรายการร้านค้า) เพื่อทำความเข้าใจชุดค่าผสมที่ดีที่สุดสำหรับ ปรับปรุงความแม่นยำในการพยากรณ์ การรวมกันของอนุกรมเวลาเป้าหมายที่ประมวลผลนอกเหนือไปพร้อมกับข้อมูลเมตาของรายการร้านค้าและตัวย้อนกลับทำให้ได้ค่าความแม่นยำสูงสุด สิ่งนี้ถูกลดขนาดกลับไปเป็นชุดค่าผสม 6,230 ร้านค้า-SKU ดั้งเดิมเพื่อรับการคาดการณ์ขั้นสุดท้าย
การคำนวณปริมาณการสั่งซื้อ
หลังจากที่ทีมพัฒนาแบบจำลองการคาดการณ์แล้ว ขั้นตอนต่อไปทันทีคือการใช้สิ่งนี้เพื่อตัดสินใจว่าจะซื้อและสั่งซื้อสินค้าคงคลังจำนวนเท่าใด การสร้างคำสั่งซื้อได้รับอิทธิพลจากความต้องการที่คาดการณ์ไว้ สต็อกที่มีอยู่ในปัจจุบัน และปัจจัยในร้านอื่นๆ ที่เกี่ยวข้อง
สูตรต่อไปนี้ใช้เป็นพื้นฐานในการออกแบบโครงสร้างใบสั่ง
ทีมงานยังพิจารณาพารามิเตอร์การปรับเยื้องอื่นๆ สำหรับระบบการสั่งซื้ออัตโนมัติ เช่น ปริมาณการสั่งซื้อขั้นต่ำ ปัจจัยหน่วยบริการ สต็อกปิดขั้นต่ำ สต็อกขั้นต่ำที่แสดง (อิงตามแผนผัง) และการปรับอัตราการส่ง ซึ่งจะช่วยเชื่อมช่องว่างระหว่างเครื่องจักรและมนุษย์ ปัญญา.
สร้างสมดุลให้กับสถานการณ์ที่คาดการณ์ไว้ล่วงหน้าและเกินคาดการณ์
เพื่อเพิ่มประสิทธิภาพต้นทุนผลผลิตของการหดตัวด้วยต้นทุนของสินค้าหมดสต็อกและยอดขายที่หายไป ทีมงานใช้คุณลักษณะเชิงปริมาณของการคาดการณ์เพื่อย้ายการตอบสนองตามการคาดการณ์จากแบบจำลอง
ในการออกแบบแบบจำลอง การคาดการณ์สามรายการถูกสร้างขึ้นที่ p40, p50 และ p60 ควอไทล์ โดยที่ p50 เป็นควอไทล์พื้นฐาน การเลือกควอนไทล์ได้รับการตั้งโปรแกรมให้อิงจากสินค้าหมดสต็อกและการสูญเสียในร้านค้าในช่วงที่ผ่านมา ตัวอย่างเช่น ปริมาณที่สูงกว่าจะถูกเลือกโดยอัตโนมัติหากชุดค่าผสมของร้านค้า-SKU หนึ่งๆ เผชิญกับสินค้าหมดอย่างต่อเนื่องในช่วง 3 วันที่ผ่านมา และปริมาณที่ต่ำกว่าจะถูกเลือกโดยอัตโนมัติหาก SKU ของร้านค้าพบว่ามีการสูญเสียสูง ควอนตัมของการเพิ่มและลดปริมาณนั้นขึ้นอยู่กับขนาดของสินค้าหมดหรือการหดตัวภายในร้าน
การวางคำสั่งซื้ออัตโนมัติผ่าน Oracle ERP
MRL นำระบบ Forecast และ Indent Order ไปใช้ในการผลิตโดยผสานรวมกับระบบ ERP ของ Oracle ซึ่ง MRL ใช้สำหรับการวางคำสั่งซื้อ แผนภาพต่อไปนี้แสดงสถาปัตยกรรมขั้นสุดท้าย
ในการปรับใช้ระบบการสั่งซื้อในการผลิต ข้อมูล MRL ทั้งหมดจะถูกย้ายไปยัง AWS ทีมงานตั้งค่างาน ETL เพื่อย้ายตารางที่ใช้งานจริงไป อเมซอน Redshift (คลังข้อมูลสำหรับงานข่าวกรองธุรกิจ) ดังนั้น Amazon Redshift จึงกลายเป็นแหล่งข้อมูลเดียวสำหรับการประมวลผลข้อมูลทั้งหมดในอนาคต
สถาปัตยกรรมข้อมูลทั้งหมดแบ่งออกเป็นสองส่วน:
- เครื่องมือพยากรณ์:
- ใช้ข้อมูลความต้องการในอดีต (เวลาหน่วง 1 วัน) ที่มีอยู่ใน Amazon Redshift
- ข้อมูลย้อนกลับอื่นๆ เช่น เวลาเรียกเก็บเงิน ราคา และเทศกาลล่าสุดได้รับการบำรุงรักษาใน Amazon Redshift
- An อเมซอน อีลาสติก คอมพิวท์ คลาวด์ อินสแตนซ์ (Amazon EC2) ได้รับการตั้งค่าด้วยสคริปต์ Python ที่กำหนดเองเพื่อโต้แย้งธุรกรรม ตัวย้อนกลับ และข้อมูลเมตาอื่นๆ
- หลังทะเลาะกัน ข้อมูลถูกย้ายไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่ฝากข้อมูล (Amazon S3) เพื่อสร้างการคาดการณ์ (การคาดการณ์ T+2 สำหรับชุดค่าผสม SKU ของร้านค้าทั้งหมด)
- ผลลัพธ์การคาดการณ์ขั้นสุดท้ายถูกจัดเก็บไว้ในโฟลเดอร์แยกต่างหากในบัคเก็ต S3
- สั่งซื้อ (เยื้อง) เครื่องยนต์:
- ข้อมูลทั้งหมดที่จำเป็นในการแปลงการคาดการณ์เป็นคำสั่งซื้อ (เช่น สินค้าคงคลังในมือ ปริมาณที่ได้รับไปยังร้านค้า 2 วันล่าสุดของคำสั่งซื้อที่ดำเนินการเพื่อรับ ปัจจัยหน่วยบริการ และสต็อกขั้นต่ำที่เปิดและปิดตามแผนผัง) ได้รับการจัดเก็บและบำรุงรักษาใน Amazon Redshift
- ปริมาณการสั่งซื้อคำนวณผ่านสคริปต์ Python ที่รันบนอินสแตนซ์ EC2
- จากนั้นคำสั่งซื้อจะถูกย้ายไปยังระบบ ERP ของ Oracle ซึ่งส่งคำสั่งซื้อไปยังผู้ขาย
ระบบการสั่งซื้อทั้งหมดถูกแยกออกเป็นส่วนหลักหลายส่วน ทีมงานได้ตั้งค่าการแจ้งเตือนทางอีเมลของตัวกำหนดตารางเวลาของ Apache Airflow สำหรับแต่ละกระบวนการเพื่อแจ้งผู้มีส่วนได้ส่วนเสียที่เกี่ยวข้องเมื่อเสร็จสิ้นหรือล้มเหลว เพื่อให้พวกเขาสามารถดำเนินการได้ทันที คำสั่งซื้อผ่านระบบ ERP จะถูกย้ายไปยังตาราง Amazon Redshift เพื่อคำนวณคำสั่งซื้อของวันถัดไป ความง่ายดายในการผสานรวมระหว่างระบบ AWS และ ERP นำไปสู่ระบบการสั่งซื้ออัตโนมัติแบบ end-to-end ที่สมบูรณ์โดยปราศจากการแทรกแซงของมนุษย์
สรุป
วิธีการที่ใช้ ML ช่วยปลดล็อกพลังที่แท้จริงของข้อมูลสำหรับ MRL ด้วย Forecast เราสร้างแบบจำลองระดับชาติสองแบบสำหรับรูปแบบร้านค้าที่แตกต่างกัน ซึ่งตรงข้ามกับแบบจำลองแบบดั้งเดิมกว่า 1,000 แบบที่เราเคยใช้
การพยากรณ์ยังเรียนรู้ข้ามอนุกรมเวลา อัลกอริทึม ML ภายใน Forecast เปิดใช้งานการเรียนรู้ข้ามระหว่างชุดค่าผสม SKU ของร้านค้า ซึ่งช่วยปรับปรุงความแม่นยำในการคาดการณ์
นอกจากนี้ การคาดการณ์ยังช่วยให้คุณเพิ่มอนุกรมเวลาที่เกี่ยวข้องและข้อมูลเมตาของสินค้า เช่น ลูกค้าที่ส่งสัญญาณความต้องการตามการผสมผสานของสินค้าในตะกร้าสินค้า การคาดการณ์จะพิจารณาข้อมูลความต้องการที่เข้ามาทั้งหมดและมาถึงโมเดลเดียว ซึ่งแตกต่างจากโมเดลทั่วไปตรงที่การเพิ่มตัวแปรนำไปสู่การโอเวอร์ฟิต การพยากรณ์ทำให้โมเดลสมบูรณ์ยิ่งขึ้น โดยให้การคาดการณ์ที่แม่นยำตามบริบททางธุรกิจ MRL ได้รับความสามารถในการจัดหมวดหมู่ผลิตภัณฑ์ตามปัจจัยต่างๆ เช่น อายุการเก็บรักษา การส่งเสริมการขาย ราคา ประเภทของร้านค้า คลัสเตอร์ที่มั่งคั่ง ร้านค้าที่มีการแข่งขัน และปริมาณการผลิตของร้านค้า เราขอแนะนำให้คุณลองใช้ Amazon Forecast เพื่อปรับปรุงการดำเนินงานของห่วงโซ่อุปทานของคุณ คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับ Amazon Forecast โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม. หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Ganit และโซลูชันของเรา โปรดติดต่อที่ info@ganitinc.com เพื่อเรียนรู้เพิ่มเติม
เนื้อหาและความคิดเห็นในโพสต์นี้เป็นของผู้เขียนบุคคลที่สาม และ AWS ไม่รับผิดชอบต่อเนื้อหาหรือความถูกต้องของโพสต์นี้
เกี่ยวกับผู้เขียน
สุประติม บรรเนอร์จี คือ หัวหน้าเจ้าหน้าที่การเปลี่ยนแปลง at ขายปลีกมากขึ้น ถูก จำกัด เขาเป็นมืออาชีพที่มีประสบการณ์พร้อมประวัติการทำงานในอุตสาหกรรมเงินร่วมลงทุนและหุ้นเอกชน เขาเป็นที่ปรึกษาของ KPMG และทำงานร่วมกับองค์กรต่างๆ เช่น AT Kearney และ India Equity Partners เขาสำเร็จการศึกษา MBA ที่เน้นเรื่องการเงิน, ทั่วไปจาก Indian School of Business, Hyderabad
ศิวะประศาสน์ KT คือ ผู้ร่วมก่อตั้งและซีอีโอ at Ganit อิงค์ เขามีประสบการณ์มากกว่า 17 ปีในการส่งมอบผลกระทบทั้งในระดับบนและล่างโดยใช้วิทยาการข้อมูลในสหรัฐอเมริกา ออสเตรเลีย เอเชีย และอินเดีย เขาได้ให้คำแนะนำแก่ CXO ในบริษัทต่างๆ เช่น Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo และ Citibank เขาสำเร็จการศึกษา MBA จาก SP Jain มุมไบ และปริญญาตรีสาขาวิศวกรรมศาสตร์จาก NITK Surathkal
เการาฟ เอช กันกาเรีย คือ นักวิทยาศาสตร์ข้อมูลอาวุโส at Ganit อิงค์ เขามีประสบการณ์มากกว่า 6 ปีในการออกแบบและนำโซลูชันไปใช้เพื่อช่วยให้องค์กรในโดเมนค้าปลีก, CPG และ BFSI ทำการตัดสินใจโดยใช้ข้อมูลเป็นหลัก เขาสำเร็จการศึกษาระดับปริญญาตรีจาก VIT University, Vellore