Bài đăng này là sự hợp tác chung của khách mời bởi Supratim Banerjee của More Retail Limited và Shivaprasad KT và Gaurav H Kankaria của Ganit Inc.
More Retail Ltd. (MRL) là một trong bốn nhà bán lẻ hàng tạp hóa hàng đầu của Ấn Độ, với doanh thu lên tới vài tỷ đô la. Nó có mạng lưới cửa hàng gồm 22 đại siêu thị và 624 siêu thị trên khắp Ấn Độ, được hỗ trợ bởi chuỗi cung ứng gồm 13 trung tâm phân phối, 7 trung tâm thu mua rau quả và 6 trung tâm chế biến chủ lực.
Với một mạng lưới rộng lớn như vậy, điều quan trọng đối với MRL là phải cung cấp chất lượng sản phẩm phù hợp với giá trị kinh tế phù hợp, đồng thời đáp ứng nhu cầu của khách hàng và giữ chi phí hoạt động ở mức tối thiểu. MRL đã hợp tác với Ganit với tư cách là đối tác phân tích AI của mình để dự báo nhu cầu với độ chính xác cao hơn và xây dựng hệ thống đặt hàng tự động để khắc phục các nút thắt cổ chai và thiếu sót trong đánh giá thủ công của người quản lý cửa hàng. MRL được sử dụng Dự báo Amazon để tăng độ chính xác dự báo của họ từ 24% lên 76%, dẫn đến giảm lãng phí tới 30% trong danh mục sản phẩm tươi sống, cải thiện tỷ lệ trong kho từ 80% lên 90% và tăng lợi nhuận gộp lên 25%.
Chúng tôi đã thành công trong việc đạt được những kết quả kinh doanh này và xây dựng hệ thống đặt hàng tự động vì hai lý do chính:
- Khả năng thử nghiệm - Dự báo cung cấp một nền tảng mô-đun và linh hoạt, qua đó chúng tôi đã chạy hơn 200 thử nghiệm bằng cách sử dụng các bộ hồi quy và các loại mô hình khác nhau, bao gồm cả mô hình truyền thống và ML. Nhóm thực hiện theo cách tiếp cận Kaizen, học hỏi từ các mô hình không thành công trước đây và chỉ triển khai các mô hình khi chúng thành công. Thử nghiệm tiếp tục ở bên trong khi các mô hình chiến thắng được triển khai.
- Thay đổi cách quản lý - Chúng tôi đã yêu cầu các chủ sở hữu danh mục đã quen với việc đặt hàng bằng cách sử dụng phán đoán kinh doanh để tin tưởng vào hệ thống đặt hàng dựa trên ML. Một kế hoạch áp dụng có hệ thống đảm bảo rằng các kết quả của công cụ được lưu trữ và công cụ được vận hành với một nhịp có kỷ luật, do đó lượng hàng đã điền và hiện tại được xác định và ghi lại đúng thời hạn.
Sự phức tạp trong dự báo danh mục sản phẩm tươi sống
Dự báo nhu cầu đối với loại sản phẩm tươi sống là một thách thức vì các sản phẩm tươi sống có thời hạn sử dụng ngắn. Với việc dự báo quá mức, các cửa hàng sẽ kết thúc việc bán các sản phẩm cũ hoặc quá chín hoặc vứt bỏ phần lớn hàng tồn kho của họ (được gọi là co rút). Nếu dự báo thấp, sản phẩm có thể hết hàng, ảnh hưởng đến trải nghiệm của khách hàng. Khách hàng có thể từ bỏ giỏ hàng của mình nếu họ không thể tìm thấy các mặt hàng chính trong danh sách mua sắm của mình, bởi vì họ không muốn đợi trong hàng thanh toán chỉ cho một số ít sản phẩm. Để tăng thêm sự phức tạp này, MRL có nhiều SKU trên hơn 600 siêu thị của mình, dẫn đến hơn 6,000 tổ hợp cửa hàng-SKU.
Vào cuối năm 2019, MRL đã sử dụng các phương pháp thống kê truyền thống để tạo các mô hình dự báo cho từng tổ hợp cửa hàng-SKU, dẫn đến độ chính xác thấp tới 40%. Các dự báo được duy trì thông qua nhiều mô hình riêng lẻ, làm cho nó tốn kém về mặt tính toán và vận hành.
Dự báo nhu cầu để đặt hàng
Vào đầu năm 2020, MRL và Ganit bắt đầu làm việc cùng nhau để cải thiện hơn nữa độ chính xác cho việc dự báo danh mục tươi sống, được gọi là Trái cây và Rau quả (F&V), và giảm sự co ngót.
Ganit khuyên MRL nên chia vấn đề của họ thành hai phần:
- Dự báo nhu cầu cho từng tổ hợp cửa hàng-SKU
- Tính toán số lượng đặt hàng (thụt lề)
Chúng ta đi vào chi tiết hơn của từng khía cạnh trong các phần sau.
Dự báo nhu cầu
Trong phần này, chúng tôi thảo luận về các bước dự báo nhu cầu cho từng tổ hợp cửa hàng-SKU.
Hiểu các yếu tố thúc đẩy nhu cầu
Nhóm của Ganit bắt đầu hành trình của mình bằng cách tìm hiểu các yếu tố thúc đẩy nhu cầu trong các cửa hàng. Điều này bao gồm nhiều lần ghé thăm cửa hàng tại chỗ, thảo luận với người quản lý ngành hàng và các cuộc họp nhịp nhàng với Giám đốc điều hành của siêu thị cùng với chuyên môn dự báo nội bộ của Ganit về một số khía cạnh khác như tính thời vụ, hết hàng, kinh tế xã hội và các yếu tố kinh tế vĩ mô .
Sau khi ghé thăm cửa hàng, khoảng 80 giả thuyết về nhiều yếu tố đã được đưa ra để nghiên cứu tác động của chúng đối với nhu cầu F&V. Nhóm đã thực hiện kiểm tra giả thuyết toàn diện bằng cách sử dụng các kỹ thuật như phân tích tương quan, phân tích hai biến và đơn biến cũng như kiểm tra ý nghĩa thống kê (kiểm tra t-test của học sinh, kiểm tra Z) để thiết lập mối quan hệ giữa nhu cầu và các yếu tố liên quan như ngày lễ hội, thời tiết, khuyến mại, v.v. .
Phân đoạn dữ liệu
Nhóm nhấn mạnh việc phát triển một mô hình chi tiết có thể dự báo chính xác sự kết hợp giữa cửa hàng-SKU cho mỗi ngày. Sự kết hợp giữa đóng góp bán hàng và tính dễ dự đoán được xây dựng như một khuôn khổ ABC-XYZ, với ABC cho biết đóng góp bán hàng (A là cao nhất) và XYZ cho biết mức độ dễ dự đoán (Z là thấp nhất). Đối với việc xây dựng mô hình, dòng đầu tiên tập trung vào các kết hợp cửa hàng-SKU có đóng góp cao vào doanh số và khó dự đoán nhất. Điều này được thực hiện để đảm bảo rằng việc cải thiện độ chính xác của dự báo có tác động kinh doanh tối đa.
Xử lý dữ liệu
Dữ liệu giao dịch của MRL được cấu trúc giống như dữ liệu điểm bán hàng thông thường, với các trường như số điện thoại di động, số hóa đơn, mã hàng, mã cửa hàng, ngày tháng, số lượng hóa đơn, giá trị thực và giá trị chiết khấu. Nhóm đã sử dụng dữ liệu giao dịch hàng ngày trong 2 năm qua để xây dựng mô hình. Phân tích dữ liệu lịch sử đã giúp xác định hai thách thức:
- Sự hiện diện của nhiều giá trị bị thiếu
- Một số ngày có doanh số bán hàng cực kỳ cao hoặc thấp ở mức hóa đơn, điều này cho thấy sự hiện diện của các yếu tố ngoại lai trong dữ liệu
Thiếu giá trị điều trị
Đi sâu vào các giá trị còn thiếu đã xác định được các lý do như không có hàng trong cửa hàng (không có nguồn cung cấp hoặc không vào mùa) và các cửa hàng đóng cửa do kỳ nghỉ theo kế hoạch hoặc các ràng buộc bên ngoài (chẳng hạn như đóng cửa khu vực hoặc quốc gia hoặc công trình xây dựng). Các giá trị bị thiếu được thay thế bằng 0 và các dấu hồi quy hoặc cờ thích hợp đã được thêm vào mô hình để mô hình có thể học hỏi từ điều này cho bất kỳ sự kiện nào như vậy trong tương lai.
Điều trị ngoại lệ
Nhóm đã xử lý các yếu tố ngoại lệ ở mức hóa đơn chi tiết nhất, điều này đảm bảo rằng các yếu tố như thanh lý, mua số lượng lớn (B2B) và chất lượng kém đều được xem xét. Ví dụ: xử lý cấp hóa đơn có thể bao gồm việc quan sát KPI cho từng kết hợp SKU cửa hàng ở cấp độ ngày, như trong biểu đồ sau.
Sau đó, chúng tôi có thể gắn cờ những ngày có số lượng lớn bất thường được bán dưới dạng giá trị ngoại lai và tìm hiểu sâu hơn về những giá trị ngoại lệ đã được xác định. Phân tích sâu hơn cho thấy rằng những giá trị ngoại lai này là những giao dịch mua có kế hoạch trước của tổ chức.
Sau đó, các giá trị ngoại lệ cấp hóa đơn này được giới hạn với số lượng bán hàng tối đa cho ngày đó. Các biểu đồ sau đây cho thấy sự khác biệt trong nhu cầu cấp hóa đơn.
Quy trình dự báo
Nhóm đã thử nghiệm nhiều kỹ thuật dự báo như mô hình chuỗi thời gian, mô hình dựa trên hồi quy và mô hình học sâu trước khi chọn Dự báo. Lý do chính để chọn Dự báo là sự khác biệt về hiệu suất khi so sánh độ chính xác của dự báo trong nhóm XY với nhóm Z, đây là điều khó dự đoán nhất. Mặc dù hầu hết các kỹ thuật thông thường cung cấp độ chính xác cao hơn trong nhóm XY, chỉ các thuật toán ML trong Dự báo cung cấp độ chính xác gia tăng 10% so với các mô hình khác. Điều này chủ yếu là do khả năng của Forecast trong việc học các mẫu SKU (XY) khác và áp dụng những kiến thức đó cho các mặt hàng có tính biến động cao trong nhóm Z. Thông qua AutoML, thuật toán Forecast DeepAR + là người chiến thắng và được chọn làm mô hình dự báo.
Lặp lại để cải thiện hơn nữa độ chính xác của dự báo
Sau khi nhóm xác định Deep AR + là thuật toán chiến thắng, họ đã chạy một số thử nghiệm với các tính năng bổ sung để cải thiện hơn nữa độ chính xác. Họ đã thực hiện nhiều lần lặp lại trên một tập hợp mẫu nhỏ hơn với các kết hợp khác nhau như dữ liệu chuỗi thời gian mục tiêu thuần túy (có và không xử lý ngoại lệ), các trình hồi quy như lễ hội hoặc đóng cửa cửa hàng và siêu dữ liệu mặt hàng (phân cấp cửa hàng-mặt hàng) để hiểu cách kết hợp tốt nhất cho cải thiện độ chính xác của dự báo. Sự kết hợp của chuỗi thời gian mục tiêu được xử lý ngoại lệ cùng với siêu dữ liệu mặt hàng trong cửa hàng và trình hồi quy đã trả lại độ chính xác cao nhất. Điều này đã được thu nhỏ trở lại tập hợp ban đầu gồm 6,230 kết hợp cửa hàng-SKU để có được dự báo cuối cùng.
Tính toán số lượng đặt hàng
Sau khi nhóm phát triển mô hình dự báo, bước tiếp theo ngay lập tức là sử dụng mô hình này để quyết định lượng hàng tồn kho cần mua và đặt hàng. Việc tạo đơn hàng bị ảnh hưởng bởi nhu cầu dự báo, lượng hàng hiện có và các yếu tố khác có liên quan trong cửa hàng.
Công thức sau đây là cơ sở để thiết kế cấu trúc đơn hàng.
Nhóm cũng xem xét các thông số điều chỉnh thụt lề khác cho hệ thống đặt hàng tự động, chẳng hạn như số lượng đặt hàng tối thiểu, hệ số đơn vị dịch vụ, lượng hàng đóng tối thiểu, lượng hàng hiển thị tối thiểu (dựa trên hình chữ nhật) và điều chỉnh tỷ lệ lấp đầy, do đó thu hẹp khoảng cách giữa máy móc và con người Sự thông minh.
Cân bằng giữa các kịch bản dự báo dưới và dự báo quá mức
Để tối ưu hóa chi phí co ngót đầu ra với chi phí dự trữ hàng hóa và doanh thu bị mất, nhóm đã sử dụng tính năng lượng tử của Dự báo để di chuyển phản hồi dự báo khỏi mô hình.
Trong thiết kế mô hình, ba dự báo được tạo ở lượng tử p40, p50 và p60, với p50 là lượng tử cơ sở. Việc lựa chọn các lượng tử đã được lập trình để dựa trên lượng hàng dự trữ và sự lãng phí trong các cửa hàng trong quá khứ gần đây. Ví dụ: các lượng tử cao hơn được tự động chọn nếu một tổ hợp cửa hàng-SKU cụ thể gặp phải tình trạng hết hàng liên tục trong 3 ngày qua và các lượng tử thấp hơn được tự động chọn nếu SKU cửa hàng đã chứng kiến sự lãng phí cao. Lượng lượng tử tăng và giảm dựa trên mức độ tồn kho hoặc thu hẹp trong cửa hàng.
Sắp xếp đơn hàng tự động thông qua Oracle ERP
MRL đã triển khai Dự báo và hệ thống đặt hàng thụt lề trong sản xuất bằng cách tích hợp chúng với hệ thống ERP của Oracle, mà MRL sử dụng cho các vị trí đặt hàng. Sơ đồ sau đây minh họa kiến trúc cuối cùng.
Để triển khai hệ thống đặt hàng vào sản xuất, tất cả dữ liệu MRL đã được chuyển sang AWS. Nhóm thiết lập các công việc ETL để di chuyển các bảng trực tiếp đến Amazon RedShift (kho dữ liệu cho công việc kinh doanh thông minh), vì vậy Amazon Redshift đã trở thành nguồn đầu vào duy nhất cho tất cả các quá trình xử lý dữ liệu trong tương lai.
Toàn bộ kiến trúc dữ liệu được chia thành hai phần:
- Công cụ dự báo:
- Dữ liệu nhu cầu lịch sử đã sử dụng (độ trễ nhu cầu 1 ngày) có trong Amazon Redshift
- Các đầu vào hồi quy khác như thời gian thanh toán lần trước, giá cả và lễ hội được duy trì trong Amazon Redshift
- An Đám mây điện toán đàn hồi Amazon Phiên bản (Amazon EC2) được thiết lập với các tập lệnh Python tùy chỉnh để xử lý giao dịch, trình hồi quy và siêu dữ liệu khác
- Dữ liệu sau xung đột, dữ liệu đã được chuyển đến một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) để tạo dự báo (dự báo T + 2 cho tất cả các kết hợp cửa hàng-SKU)
- Kết quả dự báo cuối cùng được lưu trữ trong một thư mục riêng biệt trong nhóm S3
- Đặt hàng (thụt lề) công cụ:
- Tất cả dữ liệu cần thiết để chuyển đổi dự báo thành đơn đặt hàng (chẳng hạn như số lượng còn hàng trong kho, số lượng nhận được để lưu trữ, 2 ngày cuối cùng của đơn đặt hàng được đặt để nhận, hệ số đơn vị dịch vụ và số lượng hàng đóng mở tối thiểu dựa trên biểu đồ) được lưu trữ và duy trì trong Amazon Redshift
- Số lượng đặt hàng được tính toán thông qua các tập lệnh Python chạy trên các phiên bản EC2
- Các đơn đặt hàng sau đó được chuyển sang hệ thống ERP của Oracle, hệ thống này đã đặt hàng cho các nhà cung cấp
Toàn bộ hệ thống đặt hàng được tách thành nhiều phân đoạn chính. Nhóm thiết lập thông báo qua email về bộ lập lịch của Apache Airflow cho từng quy trình để thông báo cho các bên liên quan tương ứng khi hoàn thành thành công hoặc thất bại, để họ có thể thực hiện hành động ngay lập tức. Các đơn hàng được đặt qua hệ thống ERP sau đó được chuyển đến các bảng của Amazon Redshift để tính toán các đơn hàng của ngày tiếp theo. Việc tích hợp dễ dàng giữa hệ thống AWS và ERP đã dẫn đến một hệ thống đặt hàng tự động hoàn chỉnh từ đầu đến cuối mà không có sự can thiệp của con người.
Kết luận
Cách tiếp cận dựa trên ML đã mở ra sức mạnh thực sự của dữ liệu cho MRL. Với Dự báo, chúng tôi đã tạo ra hai mô hình quốc gia cho các định dạng cửa hàng khác nhau, trái ngược với hơn 1,000 mô hình truyền thống mà chúng tôi đang sử dụng.
Dự báo cũng học theo chuỗi thời gian. Các thuật toán ML trong Dự báo cho phép học tập chéo giữa các tổ hợp cửa hàng-SKU, giúp cải thiện độ chính xác của dự báo.
Ngoài ra, Dự báo cho phép bạn thêm chuỗi thời gian và siêu dữ liệu mặt hàng có liên quan, chẳng hạn như khách hàng gửi tín hiệu nhu cầu dựa trên sự kết hợp của các mặt hàng trong giỏ của họ. Dự báo xem xét tất cả thông tin nhu cầu đến và đến với một mô hình duy nhất. Không giống như các mô hình thông thường, trong đó việc bổ sung các biến dẫn đến trang bị quá mức, Dự báo làm phong phú mô hình, cung cấp dự báo chính xác dựa trên bối cảnh kinh doanh. MRL có được khả năng phân loại sản phẩm dựa trên các yếu tố như thời hạn sử dụng, chương trình khuyến mại, giá cả, loại cửa hàng, cụm giàu có, cửa hàng cạnh tranh và lưu lượng cửa hàng. Chúng tôi khuyên bạn nên dùng thử Amazon Forecast để cải thiện hoạt động chuỗi cung ứng của mình. Bạn có thể tìm hiểu thêm về Amazon Forecast tại đây. Để tìm hiểu thêm về Ganit và các giải pháp của chúng tôi, hãy liên hệ với info@ganitinc.com để tìm hiểu thêm.
Nội dung và ý kiến trong bài đăng này là của tác giả bên thứ ba và AWS không chịu trách nhiệm về nội dung hoặc tính chính xác của bài đăng này.
Về các tác giả
Supratim Banerjee là Giám đốc chuyển đổi at Bán lẻ nhiều hơn Limited. Ông là một chuyên gia giàu kinh nghiệm với lịch sử làm việc trong lĩnh vực đầu tư mạo hiểm và cổ phần tư nhân. Ông từng là cố vấn của KPMG và làm việc với các tổ chức như AT Kearney và India Equity Partners. Ông có bằng MBA chuyên về Tài chính, Đại cương tại Trường Kinh doanh Ấn Độ, Hyderabad.
Shivaprasad KT là Đồng sáng lập & Giám đốc điều hành at công ty ganit Anh ấy có hơn 17 năm kinh nghiệm trong việc cung cấp tác động hàng đầu và tổng kết bằng cách sử dụng khoa học dữ liệu ở Hoa Kỳ, Úc, Châu Á và Ấn Độ. Ông đã tư vấn cho các CXO tại các công ty như Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo và Citibank. Ông có bằng MBA tại SP Jain, Mumbai và bằng cử nhân Kỹ thuật của NITK Surathkal.
Gaurav H Kankaria là Nhà khoa học dữ liệu cao cấp at công ty ganit Ông có hơn 6 năm kinh nghiệm trong việc thiết kế và triển khai các giải pháp giúp các tổ chức trong lĩnh vực bán lẻ, CPG và BFSI đưa ra quyết định dựa trên dữ liệu. Ông có bằng cử nhân tại Đại học VIT, Vellore.
