Ця публікація є результатом спільної гостьової співпраці Супратіма Банерджі з More Retail Limited і Shivaprasad KT і Гаурава Х. Канкаріа з Ganit Inc.
More Retail Ltd. (MRL) є одним із чотирьох провідних роздрібних продавців продуктів харчування в Індії з доходом у кілька мільярдів доларів. Вона має мережу магазинів із 22 гіпермаркетів і 624 супермаркетів по всій Індії, що підтримується ланцюгом постачання з 13 розподільних центрів, 7 центрів збору фруктів і овочів і 6 центрів обробки скоб.
З такою великою мережею для MRL дуже важливо постачати продукцію потрібної якості за правильною економічною вартістю, одночасно задовольняючи попит клієнтів і зводячи до мінімуму операційні витрати. MRL співпрацювала з Ganit як своїм аналітичним партнером зі штучного інтелекту, щоб прогнозувати попит з більшою точністю та створити автоматизовану систему замовлення, щоб подолати вузькі місця та недоліки ручного оцінювання менеджерами магазинів. MRL використаний Прогноз Amazon збільшити точність прогнозування з 24% до 76%, що призведе до скорочення відходів до 30% у категорії свіжих продуктів, покращення показників запасів з 80% до 90% і збільшення валового прибутку на 25%.
Нам вдалося досягти цих бізнес-результатів і створити автоматизовану систему замовлення завдяки двом основним причинам:
- Здатність експериментувати – Forecast надає гнучку модульну платформу, за допомогою якої ми провели понад 200 експериментів з використанням різних регресорів і типів моделей, які включали як традиційні, так і моделі ML. Команда дотримувалася підходу Кайдзен, навчаючись на раніше невдалих моделях і розгортаючи моделі лише тоді, коли вони були успішними. Експерименти тривали збоку, поки були розгорнуті моделі-переможці.
- Управління змінами – Ми попросили власників категорій, які звикли розміщувати замовлення на основі ділового судження, довіряти системі замовлення на основі ML. Системний план впровадження забезпечував збереження результатів інструменту, а інструмент працював у чіткому порядку, щоб заповнений і поточний запаси були ідентифіковані та зареєстровані вчасно.
Складність прогнозування категорії свіжої продукції
Прогнозувати попит на категорію свіжих продуктів складно, оскільки свіжі продукти мають короткий термін зберігання. Завдяки надмірному прогнозуванню магазини зрештою продають несвіжі чи перезрілі продукти або викидають більшу частину свого запасу (що називається усадка). У разі заниження прогнозу продуктів може бути не в наявності, що вплине на досвід клієнтів. Клієнти можуть залишити свій кошик, якщо вони не можуть знайти ключові позиції у своєму списку покупок, тому що вони не хочуть чекати в чергах на касі лише для кількох продуктів. Щоб додати цю складність, MRL має багато SKU у своїх понад 600 супермаркетах, що призводить до більш ніж 6,000 комбінацій магазинів і SKU.
До кінця 2019 року MRL використовувала традиційні статистичні методи для створення моделей прогнозування для кожної комбінації магазину та артикула, що дозволило отримати точність до 40%. Прогнози підтримувалися за допомогою кількох окремих моделей, що робило обчислювальну та операційну роботу дорогою.
Прогнозування попиту для розміщення замовлення
На початку 2020 року MRL і Ganit почали працювати разом, щоб ще більше підвищити точність прогнозування свіжої категорії, відомої як фрукти та овочі (F&V), і зменшити усадку.
Ганіт порадив MRL розділити проблему на дві частини:
- Прогнозуйте попит на кожну комбінацію магазину та SKU
- Розрахувати кількість замовлення (відступи)
У наступних розділах ми детальніше розглянемо кожен аспект.
Прогноз попиту
У цьому розділі ми обговорюємо етапи прогнозування попиту на кожну комбінацію магазину та SKU.
Зрозумійте чинники попиту
Команда Ganit розпочала свій шлях із розуміння факторів, які спричинили попит у магазинах. Це включало численні візити до магазину, обговорення з менеджерами категорій і робочі зустрічі з генеральним директором супермаркету в поєднанні з власним досвідом Ganit у прогнозуванні кількох інших аспектів, таких як сезонність, відсутність запасів, соціально-економічні та макроекономічні фактори .
Після відвідин магазинів було сформульовано приблизно 80 гіпотез щодо багатьох факторів, щоб вивчити їхній вплив на попит на F&V. Команда провела комплексне тестування гіпотез, використовуючи такі методи, як кореляція, двофакторний та однофакторний аналіз, а також тести статистичної значущості (t-критерій Стьюдента, Z-тест), щоб встановити зв’язок між попитом і відповідними факторами, такими як дати фестивалю, погода, акції та багато іншого. .
Сегментація даних
Команда наголошувала на розробці детальної моделі, яка могла б точно спрогнозувати комбінацію магазину та SKU на кожен день. Поєднання внеску в продажі та простоти прогнозування було створено як структуру ABC-XYZ, де ABC вказує на внесок у продажі (A — найвищий), а XYZ — на легкість прогнозування (Z — найменший). Для побудови моделі в першу чергу фокус зосереджувався на комбінаціях магазин-артикул, які мали великий внесок у продажі та були найважчими для прогнозування. Це було зроблено для того, щоб підвищення точності прогнозування мало максимальний вплив на бізнес.
Обробка даних
Дані транзакцій MRL були структуровані як звичайні дані торгових точок із такими полями, як номер мобільного телефону, номер рахунку, код товару, код магазину, дата, кількість рахунку, реалізована вартість і значення знижки. Для побудови моделі команда використовувала дані щоденних транзакцій за останні 2 роки. Аналіз історичних даних допоміг визначити дві проблеми:
- Наявність численних відсутніх значень
- Деякі дні мали надзвичайно високі або низькі продажі на рівні рахунків, що вказувало на наявність викидів у даних
Обробка відсутнього значення
Глибоке вивчення відсутніх значень виявило такі причини, як відсутність запасів у магазині (немає поставок або не в сезон) і магазини закриті через заплановані свята або зовнішні обмеження (наприклад, регіональне чи національне закриття або будівельні роботи). Відсутні значення було замінено на 0, а відповідні регресори або позначки були додані до моделі, щоб модель могла навчатися на цьому для будь-яких подібних майбутніх подій.
Виключне лікування
Команда обробляла викиди на найдетальнішому рівні рахунків, що гарантувало врахування таких факторів, як ліквідація, масова закупівля (B2B) і погана якість. Наприклад, обробка на рівні рахунків може включати спостереження за KPI для кожної комбінації магазин-SKU на рівні дня, як показано на наступному графіку.
Потім ми можемо позначати дати, коли аномально високі обсяги продаються як викиди, і глибше заглибитися в ці виявлені викиди. Подальший аналіз показує, що ці викиди є заздалегідь запланованими інституційними закупівлями.
Потім ці викиди на рівні рахунків обмежуються максимальною кількістю продажів на цю дату. Наступні графіки показують різницю в попиті на рівні рахунків.
Процес прогнозування
Команда протестувала кілька методів прогнозування, як-от моделі часових рядів, моделі на основі регресії та моделі глибокого навчання, перш ніж вибрати прогноз. Основною причиною вибору прогнозу була різниця в продуктивності під час порівняння точності прогнозу в сегменті XY з сегментом Z, який було найважче передбачити. Хоча більшість звичайних методів забезпечували вищу точність у сегменті XY, лише алгоритми ML у Forecast забезпечували точність на 10% у порівнянні з іншими моделями. Це сталося насамперед завдяки здатності Forecast вивчати інші шаблони SKU (XY) і застосовувати ці знання до дуже мінливих елементів у сегменті Z. Через AutoML алгоритм Forecast DeepAR+ став переможцем і обраний як модель прогнозу.
Ітерація для подальшого підвищення точності прогнозування
Після того, як команда визначила алгоритм Deep AR+ як переможець, вони провели кілька експериментів із додатковими функціями для подальшого підвищення точності. Щоб зрозуміти найкращу комбінацію для підвищення точності прогнозу. Комбінація цільових часових рядів, оброблених викидами, разом із метаданими товарів магазину та регресорами дала найвищу точність. Це було зменшено до початкового набору з 6,230 комбінацій магазин-SKU, щоб отримати остаточний прогноз.
Розрахунок кількості замовлення
Після того як команда розробила модель прогнозування, безпосереднім наступним кроком було її використання для визначення кількості запасів для закупівлі та розміщення замовлень. На формування замовлень впливає прогнозований попит, наявний запас та інші відповідні фактори в магазині.
Наступна формула послужила основою для проектування конструкції замовлення.
Команда також розглянула інші параметри коригування відступів для автоматичної системи замовлення, такі як мінімальна кількість замовлення, коефіцієнт одиниці обслуговування, мінімальний запас на кінець, мінімальний запас на дисплеї (на основі планограми) і коригування рівня заповнення, таким чином подолаючи розрив між машиною та людиною інтелект.
Збалансуйте недопрогнозовані та завищені сценарії
Щоб оптимізувати вихідну вартість скорочення з вартістю вичерпання запасів і втрачених продажів, команда використала функцію квантилів у Forecast, щоб перенести відповідь прогнозу з моделі.
У дизайні моделі було згенеровано три прогнози на квантилях p40, p50 і p60, де p50 є базовим квантилем. Вибір квантилів був запрограмований таким чином, щоб базуватися на дефіциті та розтраті в магазинах у недавньому минулому. Наприклад, вищі квантилі вибиралися автоматично, якщо певна комбінація магазин-SKU стикалася з безперервним вичерпанням протягом останніх 3 днів, і нижчі квантилі автоматично вибиралися, якщо магазин-SKU спостерігали високі втрати. Кількість зростаючих і зменшуваних квантилів ґрунтувалася на величині дефіциту або скорочення в магазині.
Автоматизоване розміщення замовлення через Oracle ERP
MRL розгорнув Forecast і системи замовлення відступів у виробництві, інтегрувавши їх із системою ERP Oracle, яку MRL використовує для розміщення замовлень. Наступна схема ілюструє остаточну архітектуру.
Щоб розгорнути систему замовлення у виробництві, усі дані MRL було перенесено в AWS. Команда створила ETL-завдання для переміщення живих столів Амазонська червона зміна (сховище даних для роботи з бізнес-аналітикою), тож Amazon Redshift став єдиним джерелом вхідних даних для майбутньої обробки всіх даних.
Вся архітектура даних була розділена на дві частини:
- Механізм прогнозування:
- Використані історичні дані попиту (затримка попиту на 1 день), наявні в Amazon Redshift
- Інші вхідні дані регресора, як-от час останнього рахунку, ціна та фестивалі, зберігалися в Amazon Redshift
- An Обчислювальна хмара Amazon Elastic Екземпляр (Amazon EC2) було налаштовано з налаштованими сценаріями Python для суперечок щодо транзакцій, регресорів та інших метаданих
- Після сварки даних дані було переміщено до an Служба простого зберігання Amazon (Amazon S3) сегмент для створення прогнозів (прогнози T+2 для всіх комбінацій магазину та SKU)
- Остаточний результат прогнозу зберігався в окремій папці у відрі S3
- Механізм порядку (відступу):
- Усі дані, необхідні для перетворення прогнозів у замовлення (такі як запаси в наявності, кількість отриманих для зберігання, останні 2 дні замовлень, розміщених для отримання, коефіцієнт одиниці обслуговування та мінімальний початковий і кінцевий запас на основі планограми) зберігалися та підтримувалися в Amazon Redshift
- Обсяг замовлення було розраховано за допомогою сценаріїв Python, запущених на примірниках EC2
- Потім замовлення переміщувалися до ERP-системи Oracle, яка розміщувала замовлення постачальникам
Всю систему замовлення було розділено на кілька ключових сегментів. Команда налаштувала сповіщення електронною поштою планувальника Apache Airflow для кожного процесу, щоб сповістити відповідних зацікавлених сторін про успішне завершення або невдачу, щоб вони могли негайно вжити заходів. Замовлення, розміщені через систему ERP, потім переміщувалися в таблиці Amazon Redshift для розрахунку замовлень на наступні дні. Легкість інтеграції між системами AWS і ERP призвела до повної наскрізної автоматизованої системи замовлення без втручання людини.
Висновок
Підхід на основі ML розкрив справжню силу даних для MRL. За допомогою Forecast ми створили дві національні моделі для різних форматів магазинів, на відміну від понад 1,000 традиційних моделей, якими ми користувалися.
Прогноз також навчається за часовими рядами. Алгоритми ML у Forecast забезпечують перехресне навчання між комбінаціями магазину та SKU, що допомагає підвищити точність прогнозу.
Крім того, Forecast дозволяє додавати пов’язані часові ряди та метадані товарів, наприклад клієнтів, які надсилають сигнали попиту на основі суміші товарів у своєму кошику. Прогноз враховує всю вхідну інформацію про попит і приходить до єдиної моделі. На відміну від звичайних моделей, де додавання змінних призводить до переобладнання, прогноз збагачує модель, надаючи точні прогнози на основі бізнес-контексту. MRL отримав можливість класифікувати продукти на основі таких факторів, як термін зберігання, рекламні акції, ціна, тип магазинів, заможний кластер, конкурентоспроможний магазин і кількість магазинів. Ми рекомендуємо вам спробувати Amazon Forecast, щоб покращити роботу свого ланцюжка поставок. Ви можете дізнатися більше про Amazon Forecast тут. Щоб дізнатися більше про Ganit і наші рішення, зверніться за адресою info@ganitinc.com щоб дізнатися більше.
Зміст і думки в цій публікації належать стороннім авторам, і AWS не несе відповідальності за зміст або точність цього повідомлення.
Про авторів
Супратім Банерджі є Головний директор з трансформації at Більше роздрібної торгівлі Обмежений. Він є досвідченим професіоналом із підтвердженою історією роботи в галузях венчурного капіталу та прямих інвестицій. Він був консультантом KPMG і працював з такими організаціями, як AT Kearney та India Equity Partners. Він має ступінь магістра ділового адміністрування в галузі фінансів Індійської школи бізнесу в Хайдарабаді.
Шивапрасад КТ є Співзасновник та генеральний директор at Ganit Inc. Він має понад 17 років досвіду в досягненні найкращих і кінцевих результатів за допомогою науки про дані в США, Австралії, Азії та Індії. Він консультував головних директорів у таких компаніях, як Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo та Citibank. Він має ступінь MBA від SP Jain, Мумбаї, і ступінь бакалавра інженерії від NITK Surathkal.
Гаурав Х Канкарія є Старший науковий співробітник at Ganit Inc. Він має понад 6 років досвіду в розробці та впровадженні рішень, які допомагають організаціям роздрібної торгівлі, CPG і BFSI приймати рішення на основі даних. Він має ступінь бакалавра в Університеті VIT, Веллоре.
