Год назад мы разработали автоматизированную систему прогнозирования спроса на товары. Рассказываем, как с помощью искусственного интеллекта нам удаётся снижать списания.
Ещё в 2019 году в службе управления запасами компании появилась команда из аналитиков и инженеров больших данных, которая начала заниматься проектом по прогнозированию спроса с помощью искусственного интеллекта (Machine learning forecast). Идея заключается в том, что алгоритм должен учитывать для магазинов всех форматов сотни признаков. Это атрибуты товаров, специфика торговых точек, особенности и пересечения промо-акций, ценовые, товарные характеристики, запасы, спрос в зависимости от сезона, праздников и даже от того, сколько магазинов конкурентов находится рядом. Команда собрала модель больших данных из разных информационных систем компании и внешних источников. Это данные геолокации, погодные условия и так далее.
Как это работает? На основании прошлых периодов формируется «комплекс моделей», который сам определяет значимость каждого фактора для конкретного товара в отдельном магазине. Итоговая «модель» применяется для прогнозирования будущих периодов с максимальной детализацией, она самообучаема, гибка для настройки и учёта новых факторов. Модель постоянно адаптируется и развивается с учётом различных тенденций спроса.
Многие компании пытаются решить подобные задачи, но нам не известны случаи, когда хороший результат был на всём ассортименте товаров и для всех типов продаж – как акционных, так и регулярных. Пожалуй, именно в этом уникальность и ценность продукта для компании. В решении таких задач важна глубокая бизнес-экспертиза, которая стала основной для автоматизации.
Мы решили тестировать проект по прогнозированию продаж в десяти гипермаркетах Поволжья. Они были выбраны неслучайно: это наиболее стабильные по товарообороту магазины.
Раньше прогноз спроса рассчитывался в SAP, руководитель секции каждого магазина оформлял заказ вручную с использованием рекомендации системы.Мы начали использовать инструменты облачной платформы Microsoft Azure, в частности Azure DataBricks, что ускорило разработку и поддержку процедур обработки данных.
Длительность расчёта прогноза для товаров магазинов сети удалось сократить на 30%. Решение на основе искусственного интеллекта даёт в среднем до 40% прироста точности прогноза в сравнении с алгоритмом SAP.
Развёртывание продуктивного решения началось в ноябре 2020 года с трёх наименее рискованных по списаниям товарных групп: яйцо, колбасные изделия и майонез. В феврале 2021 года мы начали использовать прогноз для молочных продуктов и рыбных деликатесов. Параллельно этот опыт мы внедряли не только в магазинах на Волге, но и в других регионах. В июле проект был развёрнут во всех гипермаркетах «Ленты».
Кроме технических работ по созданию и обучению моделей прогнозирования, нам требовалось встроить информационную систему во внутренние процессы компании. За 7 месяцев пройдено 10 этапов тиражирования, перестроено 24 процесса и 13 коммуникационных потоков.
В результате по сравнению с 2020 годом мы снизили списания продукции категорий гастронома на 4 % на начальном этапе и обеспечили рост показателей доступности акционных товаров до 5%
Автоматический заказ на базе умного прогноза высвободил сотрудников магазинов и снизил зависимость результатов от компетенций в точках продаж. Мы ожидаем дальнейший рост бизнес-эффекта по мере развития этих новых технологий. Об этом можно судить по регионам, которые первыми перешли на новый бизнес-процесс с использованием ИИ-прогноза.
В конце 2021 года мы применили алгоритмы машинного обучения для централизации закупок овощей и фруктов и других продуктов с малым сроком хранения для магазинов «Мини Лента».
В целом интересно, но формулировка по типу "мы лучшие", потому что "нам не известны случаи", что кто-то смог добиться такого же результата - я бы сказал, забавная что ли)))
Лет 15 назад подобное делал в Топ-Книге. Группа признаков с весами и допущениями. Тут важно грамотно описать товар. Работало без нейронок/ML.
Ну это задача, это 1/3 от нужного.
Тут еще вопрос в 5%. Это кажется очень мало. Да и еще расходы на разработку, внедрение и тп. Полагаю эффективность всей идеи достаточно низка. А лично я в ленту не хожу, тк там цены сильно выше той де пятерочки или метро, а качество такое же.
Я б добавил, на какой % выросла выручка, т.к. снизить списание можно и до 100% не закупая товар вообще
Гастроном в товарообороте крупных сетей - около 1/3 от всего оборота. Поэтому 5% - это существенный показатель. Плюс мы сэкономили время работников магазинов.
Опа-опа, а задачу своевременной смены ценников не решили до сих пор! ))
Перестал ходить в Ленты лично, задолбало проверять каждую позицию в ценнике и на стойку информации за возмещением ходить )
Причем ситуация такова, что ценник показывает цену А по кате, Б без карты, а на кассе пробивают В и В в итоге дороже, чем А и Б )))
Писал отзывы, звонил на горячую линию (как просили в ответе на отзыв) - толку никакого. И такая ситуация не в одной конкретной Ленте - так что это целенаправленная политика наебалова.
Для этого, лет как 10+-, есть электронные ценники... правда не в рф