Bu gönderi, More Retail Limited'den Supratim Banerjee ve Ganit Inc.'den Shivaprasad KT ve Gaurav H Kankaria'nın konuk ortak işbirliğidir.
More Retail Ltd. (MRL), birkaç milyar dolarlık cirosu ile Hindistan'ın en büyük dört market perakendecisinden biridir. Hindistan genelinde 22 hipermarket ve 624 süpermarketlerden oluşan bir mağaza ağına sahiptir ve 13 dağıtım merkezi, 7 meyve ve sebze toplama merkezi ve 6 zımba işleme merkezinden oluşan bir tedarik zinciri tarafından desteklenmektedir.
Bu kadar geniş bir ağ ile, MRL'nin müşteri talebini karşılarken ve operasyonel maliyetleri minimumda tutarken, doğru ürün kalitesini doğru ekonomik değerde sunması kritik öneme sahiptir. MRL, talebi daha doğru bir şekilde tahmin etmek ve mağaza yöneticilerinin manuel kararlarının darboğazlarını ve eksikliklerini aşmak için otomatik bir sipariş sistemi oluşturmak için yapay zeka analiz ortağı olarak Ganit ile işbirliği yaptı. MRL kullanılmış Amazon Tahmini tahmin doğruluğunu% 24'ten% 76'ya çıkarmak, taze ürün kategorisinde israfta% 30'a varan azalma, stok içi oranlarda% 80'den% 90'a yükselme ve brüt kârı% 25 artırma.
Bu iş sonuçlarına ulaşmada ve iki temel nedenden dolayı otomatik bir sipariş sistemi oluşturmada başarılı olduk:
- Deney yapma yeteneği - Tahmin, hem geleneksel hem de makine öğrenimi modellerini içeren farklı regresörleri ve model türlerini kullanarak 200'den fazla deney yürüttüğümüz esnek ve modüler bir platform sağlar. Ekip Kaizen yaklaşımı izledi, daha önce başarısız olan modellerden ders aldı ve modelleri yalnızca başarılı olduklarında devreye aldı. Kazanan modeller konuşlandırılırken yandan deneyler devam etti.
- Değişim yönetimi - İş muhakemesini kullanarak sipariş vermeye alışkın olan kategori sahiplerinden ML tabanlı sipariş sistemine güvenmelerini istedik. Sistemik bir benimseme planı, aracın sonuçlarının saklanmasını ve aracın disiplinli bir kadansla çalıştırılmasını sağladı, böylece dolu ve mevcut stok zamanında tespit edilip kayıt altına alındı.
Taze ürün kategorisini tahmin etmedeki karmaşıklık
Taze ürün kategorisi için talep tahmini zordur çünkü taze ürünler kısa bir raf ömrüne sahiptir. Aşırı tahminlerde, mağazalar eski veya aşırı olgunlaşmış ürünleri satar veya envanterlerinin çoğunu çöpe atar ( büzülme). Düşük tahmin edilirse ürünler stokta kalmayabilir ve bu da müşteri deneyimini etkiler. Müşteriler, alışveriş listelerinde önemli ürünleri bulamazlarsa sepetlerini terk edebilirler çünkü sadece bir avuç ürün için ödeme satırlarında beklemek istemezler. Bu karmaşıklığa ek olarak, MRL'nin 600'den fazla süpermarkette birçok SKU'su vardır ve bu da 6,000'den fazla mağaza-SKU kombinasyonuna yol açar.
2019'un sonunda MRL, her bir mağaza-SKU kombinasyonu için tahmin modelleri oluşturmak üzere geleneksel istatistiksel yöntemleri kullanıyordu ve bu da% 40 gibi düşük bir doğruluk oranıyla sonuçlandı. Tahminler, birden fazla bireysel model aracılığıyla sürdürüldü ve bu da onu hesaplama ve operasyonel açıdan pahalı hale getirdi.
Yerleştirme siparişi için talep tahmini
2020'nin başlarında, MRL ve Ganit, Meyveler ve Sebzeler (F&V) olarak bilinen taze kategori tahminlerinin doğruluğunu daha da iyileştirmek ve küçülmeyi azaltmak için birlikte çalışmaya başladı.
Ganit, MRL'ye problemlerini iki kısma ayırmasını tavsiye etti:
- Her mağaza-SKU kombinasyonu için talep tahmini
- Sipariş miktarını hesaplayın (girintiler)
İlerleyen bölümlerde her bir özelliğin daha fazla ayrıntıya gireceğiz.
Tahmini talep
Bu bölümde, her mağaza-SKU kombinasyonu için talebi tahmin etme adımlarını tartışıyoruz.
Talep etmenlerini anlayın
Ganit'in ekibi yolculuğuna önce mağazalarda talebi artıran faktörleri anlayarak başladı. Bu, birden fazla yerinde mağaza ziyaretini, kategori yöneticileriyle tartışmaları ve süpermarketin CEO'suyla kadans toplantılarını ve Ganit'in mevsimsellik, stok bitmesi, sosyo-ekonomik ve makro-ekonomik faktörler gibi diğer birçok yöndeki kendi şirket içi tahmin uzmanlığı ile birleşti .
Mağaza ziyaretlerinden sonra, F&V talebi üzerindeki etkilerini incelemek için birden fazla faktöre ilişkin yaklaşık 80 hipotez formüle edildi. Ekip; talep ile festival tarihleri, hava durumu, promosyonlar ve daha fazlası gibi ilgili faktörler arasındaki ilişkiyi kurmak için korelasyon, iki değişkenli ve tek değişkenli analiz ve istatistiksel anlamlılık testleri (Öğrenci t testi, Z testleri) gibi teknikleri kullanarak kapsamlı hipotez testleri gerçekleştirdi. .
Veri segmentasyonu
Ekip, her gün için bir mağaza-SKU kombinasyonunu doğru bir şekilde tahmin edebilen ayrıntılı bir model geliştirmeyi vurguladı. Satış katkısı ve tahmin kolaylığının bir kombinasyonu, bir ABC-XYZ çerçevesi olarak oluşturuldu; ABC satış katkısını (A en yüksek) ve XYZ, tahmin kolaylığını (Z en düşüktür) gösterir. Model oluşturma için ilk odak noktası, satışlara yüksek katkısı olan ve tahmin edilmesi en zor olan mağaza-SKU kombinasyonları üzerineydi. Bu, tahmin doğruluğunun iyileştirilmesinin maksimum iş etkisine sahip olmasını sağlamak için yapıldı.
Veri işleme
MRL'nin işlem verileri, cep telefonu numarası, fatura numarası, ürün kodu, mağaza kodu, tarih, fatura miktarı, gerçekleşen değer ve iskonto değeri gibi alanlarla geleneksel satış noktası verileri gibi yapılandırıldı. Ekip, model oluşturmak için son 2 yıl boyunca günlük işlem verilerini kullandı. Geçmiş verileri analiz etmek, iki zorluğun belirlenmesine yardımcı oldu:
- Çok sayıda eksik değerin varlığı
- Bazı günlerde fatura seviyelerinde çok yüksek veya düşük satışlar vardı, bu da verilerde aykırı değerlerin varlığını gösteriyor
Eksik değer muamelesi
Mağazada stok bulunmaması (arz olmaması veya sezonda olmaması) ve planlanan tatil veya harici kısıtlamalar (bölgesel veya ulusal kapanma veya inşaat işi gibi) nedeniyle mağazaların kapatılması gibi nedenleri belirleyen eksik değerlere derinlemesine bir bakış. Eksik değerler 0 ile değiştirildi ve modele uygun regresörler veya bayraklar eklendi, böylece model gelecekteki bu tür olaylar için bundan bir şeyler öğrenebilirdi.
Aykırı muamele
Ekip, aykırılıkları en ayrıntılı fatura düzeyinde ele aldı ve bu da tasfiye, toplu satın alma (B2B) ve kötü kalite gibi faktörlerin dikkate alınmasını sağladı. Örneğin, fatura düzeyinde işlem, aşağıdaki grafikte olduğu gibi bir gün düzeyinde her mağaza-SKU kombinasyonu için bir KPI gözlemlemeyi içerebilir.
Daha sonra anormal derecede yüksek miktarların aykırı değerler olarak satıldığı tarihleri işaretleyebilir ve belirlenen aykırı değerlere daha derin dalabiliriz. Daha ileri analizler, bu aykırı değerlerin önceden planlanmış kurumsal satın alımlar olduğunu göstermektedir.
Bu fatura düzeyinde aykırı değerler, daha sonra o tarih için maksimum satış miktarı ile sınırlanır. Aşağıdaki grafikler fatura düzeyinde talepteki farkı göstermektedir.
Tahmin süreci
Ekip, Tahmin'i seçmeden önce zaman serisi modelleri, regresyon tabanlı modeller ve derin öğrenme modelleri gibi birden çok tahmin tekniğini test etti. Tahmin'i seçmenin birincil nedeni, tahmin edilmesi en zor olan, XY bölmesindeki tahmin doğruluklarını Z kümesiyle karşılaştırırken performanstaki farktı. Çoğu geleneksel teknik, XY paketinde daha yüksek doğruluklar sağlasa da, yalnızca Tahmin'deki makine öğrenimi algoritmaları diğer modellere kıyasla% 10'luk bir artış doğruluğu sağladı. Bunun başlıca nedeni, Forecast'in diğer SKU'ları (XY) kalıplarını öğrenme ve bu öğrendiklerini Z paketindeki oldukça değişken öğelere uygulama becerisiydi. AutoML aracılığıyla Forecast DeepAR + algoritması kazanan oldu ve tahmin modeli olarak seçildi.
Tahmin doğruluğunu daha da iyileştirmek için yineleme
Ekip, Deep AR + 'ı kazanan algoritma olarak belirledikten sonra, doğruluğu daha da artırmak için ek özelliklerle birkaç deney yaptı. En iyi kombinasyonu anlamak için saf hedef zaman serisi verileri (aykırı değer işleme içeren ve içermeyen), festivaller veya mağaza kapanışları gibi gerileyiciler ve mağaza öğesi meta verileri (mağaza-öğe hiyerarşisi) gibi farklı kombinasyonlarla daha küçük bir örnek kümesinde birden çok yineleme gerçekleştirdiler. tahmin doğruluğunun iyileştirilmesi. Aykırı değerle işlenen hedef zaman serilerinin, mağaza öğesi meta verileri ve regresörlerin kombinasyonu en yüksek doğruluğu döndürdü. Bu, nihai tahmini elde etmek için orijinal 6,230 mağaza SKU kombinasyonu kümesine geri ölçeklendi.
Sipariş miktarı hesaplaması
Ekip tahmin modelini geliştirdikten sonra, bir sonraki adım bunu ne kadar envanter satın alacağına ve sipariş vereceğine karar vermek için kullanmaktı. Sipariş oluşturma, öngörülen talep, eldeki mevcut stok ve diğer ilgili mağaza içi faktörlerden etkilenir.
Aşağıdaki formül, sipariş yapısının tasarlanması için temel teşkil etti.
Ekip ayrıca, otomatik sipariş sistemi için minimum sipariş miktarı, hizmet birimi faktörü, minimum kapanış stoğu, minimum ekran stoğu (planograma göre) ve doldurma oranı ayarı gibi diğer girinti ayarlama parametrelerini de göz önünde bulundurarak makine ile insan arasındaki boşluğu doldurur. zeka.
Yetersiz tahmin ve aşırı tahmin senaryolarını dengeleyin
Ekip, stok tükenme ve kayıp satışların maliyetiyle birlikte küçülmenin çıktı maliyetini optimize etmek için tahmin yanıtını modelden taşımak için Tahmin'in nicelikler özelliğini kullandı.
Model tasarımında, p40 temel nicelik olmak üzere p50, p60 ve p50 kuantillerinde üç tahmin oluşturulmuştur. Kantillerin seçimi, yakın geçmişte mağazalardaki stoklara ve israfa göre programlanmıştı. Örneğin, belirli bir mağaza-SKU kombinasyonu son 3 günde sürekli stoklarla karşılaştıysa daha yüksek miktarlar otomatik olarak seçildi ve mağaza-SKU yüksek israfa tanık olduysa daha düşük miktarlar otomatik olarak seçildi. Artan ve azalan kuantillerin miktarı, mağaza içindeki stok tükenmesi veya küçülmenin büyüklüğüne dayanıyordu.
Oracle ERP aracılığıyla otomatik sipariş verme
MRL, MRL'nin sipariş yerleşimleri için kullandığı Oracle'ın ERP sistemi ile entegre ederek Tahmin ve girinti sıralama sistemlerini üretimde devreye aldı. Aşağıdaki şema nihai mimariyi göstermektedir.
Sipariş sistemini üretime dağıtmak için tüm MRL verileri AWS'ye taşındı. Ekip, canlı tabloları şuraya taşımak için ETL işleri kurdu Amazon Kırmızıya Kaydırma (iş zekası çalışması için veri ambarı), bu nedenle Amazon Redshift, gelecekteki tüm veri işlemleri için tek giriş kaynağı haline geldi.
Tüm veri mimarisi iki bölüme ayrıldı:
- Tahmin motoru:
- Amazon Redshift'te bulunan geçmiş talep verileri (1 günlük talep gecikmesi) kullanıldı
- Son fatura zamanı, fiyatı ve festivaller gibi diğer regresör girdileri Amazon Redshift'te tutuldu
- An Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2) bulut sunucusu, işlem, regresör ve diğer meta verileri karıştırmak için özelleştirilmiş Python komut dosyalarıyla kuruldu
- Veri tartışması sonrası, veriler bir Amazon Basit Depolama Hizmeti Tahmin oluşturmak için (Amazon S3) grubu (tüm mağaza SKU kombinasyonları için T + 2 tahminleri)
- Nihai tahmin çıktısı, bir S3 klasöründe ayrı bir klasörde saklandı
- Sıra (girinti) motoru:
- Tahminleri siparişe dönüştürmek için gereken tüm veriler (eldeki stok, miktar depolamak için alınan, son 2 gün içinde alınan sipariş, hizmet birimi faktörü ve planogram tabanlı minimum açılış ve kapanış stoğu gibi) Amazon Redshift'te depolandı ve saklandı
- Sipariş miktarı, EC2 bulut sunucularında çalıştırılan Python komut dosyaları aracılığıyla hesaplandı
- Siparişler daha sonra satıcılara sipariş veren Oracle'ın ERP sistemine taşındı
Tüm sipariş sistemi birden çok anahtar segmente ayrıldı. Ekip, Apache Airflow'un her işlem için zamanlayıcı e-posta bildirimlerini, başarılı tamamlanma veya başarısızlık durumunda ilgili paydaşları anında harekete geçebilmeleri için bilgilendirmek üzere ayarladı. ERP sistemi üzerinden verilen siparişler, sonraki günlerin siparişlerinin hesaplanması için Amazon Redshift tablolarına taşındı. AWS ve ERP sistemleri arasındaki entegrasyon kolaylığı, sıfır insan müdahalesiyle eksiksiz bir uçtan uca otomatik sipariş sistemi sağladı.
Sonuç
ML tabanlı bir yaklaşım, MRL için verilerin gerçek gücünü ortaya çıkardı. Forecast ile, kullandığımız 1,000'den fazla geleneksel modelin aksine, farklı mağaza formatları için iki ulusal model oluşturduk.
Tahmin ayrıca zaman serileri boyunca da öğrenir. Tahmin içindeki makine öğrenimi algoritmaları, mağaza-SKU kombinasyonları arasında çapraz öğrenmeyi etkinleştirerek tahmin doğruluğunu iyileştirmeye yardımcı olur.
Ek olarak, Tahmin, sepetlerindeki ürünlerin karışımına göre talep sinyalleri gönderen müşteriler gibi ilgili zaman serilerini ve kalem meta verilerini eklemenize olanak tanır. Tahmin, gelen tüm talep bilgilerini dikkate alır ve tek bir modele ulaşır. Değişkenlerin eklenmesinin aşırı uyuma yol açtığı geleneksel modellerin aksine, Forecast modeli zenginleştirir ve iş bağlamına dayalı doğru tahminler sağlar. MRL, ürünleri raf ömrü, promosyonlar, fiyat, mağaza türü, zengin küme, rekabetçi mağaza ve mağaza hacmi gibi faktörlere göre kategorize etme becerisi kazandı. Tedarik zinciri operasyonlarınızı iyileştirmek için Amazon Forecast'i denemenizi öneririz. Amazon Tahmini hakkında daha fazla bilgi edinebilirsiniz okuyun. Ganit ve çözümlerimiz hakkında daha fazla bilgi edinmek için şu adresten iletişime geçin: info@ganitinc.com daha fazla öğrenmek için.
Bu gönderideki içerik ve görüşler üçüncü taraf yazara aittir ve AWS bu gönderinin içeriğinden veya doğruluğundan sorumlu değildir.
Yazarlar Hakkında
Supratim Banerjee olduğunu Baş Dönüşüm Sorumlusu at Daha Perakende Sınırlı. Risk sermayesi ve özel sermaye sektörlerinde kanıtlanmış bir geçmişe sahip deneyimli bir profesyoneldir. KPMG'de danışmandı ve AT Kearney ve India Equity Partners gibi kuruluşlarla çalıştı. Hyderabad'daki Indian School of Business'tan Finans'a odaklanmış bir MBA derecesine sahiptir.
Şivaprasad KT olduğunu Kurucu Ortak ve CEO at Ganit A.Ş. ABD, Avustralya, Asya ve Hindistan'da veri bilimini kullanarak en üst ve en kârlı etki yaratma konusunda 17 yıldan fazla deneyime sahiptir. Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo ve Citibank gibi şirketlerde CXO'lara danışmanlık yapmıştır. SP Jain, Mumbai'den MBA ve NITK Surathkal'dan Mühendislik alanında lisans derecesine sahiptir.
Gaurav H Kankarya olduğunu Kıdemli Veri Bilimcisi at Ganit A.Ş. Perakende, CPG ve BFSI alanlarındaki kuruluşların veriye dayalı kararlar almasına yardımcı olmak için çözümler tasarlama ve uygulama konusunda 6 yıldan fazla deneyime sahiptir. Vellore VIT Üniversitesi'nden lisans derecesine sahiptir.
