Як AI допомагає в роботі сучасного бізнесу. Кейс впровадження SMART Demand Forecast в McDonalds Georgia

В ході RAU Webinar “Як розпочати AI трансформацію в ритейлі?”, проведеного Асоціацією ритейлерів України спільно з компанією SMART business, product Owner SMART Decision HUB Артем Степанов розповів про можливості штучного інтелекту в прогнозуванні продажів. А також про те, як у McDonalds Georgia розпочали AI трансформацію та які результати це принесло.

SMART business – провідний партнер Microsoft у розробці, впровадженні  та підтримці сучасних ERP-, CRM- та HRM-систем, хмарних сервісів та рішень на основі прогнозної аналітики та машинного навчання.

Що спонукає компанії до впровадження ШІ

Сучасний бізнес вимушений працювати в умовах постійних змін та викликів. В тому числі через появу технічних новацій, що швидко стають стандартом веденням певних операцій. Класичний приклад – компанія Tesla, яка перетворила штучний інтелект із цікавої забави в стратегічного партнера, що використовується в їх автопілотах. Це відкрило для компанії нові ринки і допомогло стати більш конкурентною на ринку.

В будь-якій компанії існує велика кількість процесів, що породжують інформацію, й ця інформація може бути використана для покращення роботи. Наразі електронні таблиці чи навіть власні програмні розробки вже не можуть забезпечити необхідну ступінь обробки таких даних і бізнес-цінність у порівнянні з технологіями ШІ. Це можуть бути нейромережі чи статистичні моделі машинного навчання, прогнозна аналітика тощо.

Застосування ШІ в бізнесі:

Також ШІ може використовуватися в рекомендаційних системах, маркетингу, для виявлення шахрайства побудови клієнтського сервісу через чат-боти тощо. Навіть в царині HR штучний інтелект може надати неабияку допомогу.

Як визначити готовність компанії до впровадження ШІ

Щоб зрозуміти, коли саме варто починати впровадження технологій ШІ в конкретній компанії, варто спочатку оцінити наявність стартових умов. Тобто чи пройдені всі необхідні еволюційні трансформації бізнесу перед тим як вийти на новий рівень.

Мапа оцінки зрілості бізнесу:

В ідеалі бізнес має пройти п’ять основних етапів трансформації, але для початку впровадження ШІ достатньо пройти шлях від мінімальної присутності в інтернеті та автоматизації до впровадження базових інформаційних систем, часткової автоматизації та початкового збору даних. І саме на третьому етапі – оптимізації бізнесу, коли вже автоматизовані ключові процеси та йде активне використання даних – можливо запровадження ШІ.

І тільки отримавши перші здобутки завдяки ШІ, компанія переходить на етап технологічної зрілості. Коли ШІ задіяний в більшості процесів, активно задіяні процеси прогнозування та аналітики. На останньому етапі компанія має вже власні розробки у сфері ШІ, за його допомогою аналізує та покращує бізнес-процеси, а також має єдину інтегровану платформу даних, що разом дозволяє досягти цифрового лідерства.

ШІ – новий вид енергії

Є хороше визначення ШІ як нової енергії – на кшталт появи свого часу енергії електричної. Але справжнім «золотом» є якість даних, якими оперує ШІ. Тому дані – як і золота руда – мають проходити шлях від видобування до отримання чистого від домішок результату. Аби мати адекватний результат аналізу і прийнятих на його основі рішень.

Очищати дані компанія може як власними силами команди аналітиків, так за допомогою рішень відповідних вендорів. Як показує досвід, найкращі результати дає комбінація цих двох методів. Сам процес підготовки даних може тривати від кількох тижнів до місяців. Тому спочатку варто побудувати єдину екосистему рішень, де всі дані регламентовано збираються. Нижче наведено приклад такої AI-екосистеми на базі рішень Microsoft.

Первинну інформацію можуть збирати різні модулі: ERP та CRM системи, HR департамент. Вони агрегують відповідну інформацію за чітко визначеними правилами. Далі вже можна використовувати нейромережі, або таке рішення як Copilot, що не дозволяє інформації виходити за межі вашого домену (корпоративного простору). Ця система дозволяє також аналізувати інформацію із усіх офісних продуктів Microsoft.

Якщо не вистачає результатів роботи нейромереж, можна підключити когнітивні рішення. Це може бути аналіз тональності тексту повідомлення (що важливо для PR-відділу), а також генерація чи розпізнавання тексту, пошуку зображень тощо. Якщо і цього замало – можна використати рішення на базі ШІ (SMART Demand Forecast, SMART Personal Engagement та інші) для створення індивідуального рішення по оптимізації маркетингових стратегій, аналізу цін, управління кадрами тощо.

Якісна робота з даними

Побудова екосистеми, де за рахунок якісної інтеграції всіх частин не потрібно буде пересилати велику кількість даних – це перший крок для отримання якісних даних. Також є так звані outlier, тобто дані які виділяються із загальної вибірки (аномальні дані).

Наприклад, це сплески чи падіння реалізації, які вирізняються на загальному фоні типових патернів продажів. Виникає питання: як правильно очистити статистику задля кращого прогнозування продажів чи поставок. Власне саму аномалію ШІ добре знаходить і треба його лише правильно навчити адаптуватися, щоб «згладжувати» такі аномальні результати. Функціонал рішення SMART Demand Forecast дозволяє очищати такі аномальні дані.

Наприклад, у кіоск з хот-догами завітала спортивна команда, що проїздила повз, і створила аномальний попит. Такі відхилення треба використовувати для навчання моделі ШІ аби покращити результати прогнозування. Оскільки умови ведення бізнесу постійно змінюються, виявлення, адаптацію та аналіз причин аномалій треба робити постійно. Тоді ШІ зможе забезпечувати стійкі та точні рішення, перетворюючи непередбачувані ситуації на можливості для бізнесу. 

Кейс McDonalds Georgia

Як власне працює прогнозування попиту, добре видно на прикладі грузинського підрозділу всесвітньої мережі ресторанів McDonalds, 23 ресторани якого щоденно обслуговують близько 35 000 відвідувачів. Для цього кейсу було імплементоване рішення SMART Demand Forecast.

Компанія McDonalds Georgia стикнулася з тим, що прогнозування робилося на рівні всієї мережі, без врахування особливостей попиту в кожній конкретній локації в різних точках країни. Невідповідності між прогнозами та фактичним попитом у певних ресторанах призводили до дефіциту наявних робочих рук та вимагав додаткового підвозу інгредієнтів, що знижувало ефективність роботи та збільшувало витрати.

На додачу інтервал прогнозування – раз у місяць – не враховував якісь сезонні чи інші коливання попиту, які відбувалися в межах певного місяця.

Зрозуміло, що будь яке прогнозування – це робота з великими масивами даних, в якій задіяно чимало аналітиків. А велика кількість спеціалістів підвищує вірогідність помилки, спричиненої людським фактором. В той же час для покращення результатів прогнозування для кожної точки потрібно було б знову розширювати команду аналітиків.

Тому компанія почала шукати технічне рішення цієї проблеми. Зокрема, серед ключових вимог були: прогнозування з агрегацією даних до рівня тижня, а також визначення необхідної кількості кожного товару для кожної роздрібної точки.

Також важливою була централізована обробка інформації, а не в окремих файлах кожного аналітика. Щоб його відсутність (наприклад, через хворобу) не позначалася на роботі інших. Окрім прогнозування як регулярних? так і промо продажів, система мала би надати можливість при потребі спрогнозувати попит не через тиждень, а наприклад, через день. Ключовою метрикою успішності проєкту було досягнення точності прогнозування від 70 до 80% з урахуванням основних вимог.

Ключові вимоги до вендора

Серед головних вимог до вендора замовник зазначив обов’язкове дотримання безпеки даних, а також наявність пілотного проєкту. Щоб бізнес міг зрозуміти: чи виконує система поставлені задачі та прийняти рішення про доцільність впровадження.

Ще один важливий нюанс – прозорість кожного етапу робіт, що дає можливість замовнику ознайомитися зі станом виконання завдань та зрозуміти що саме, наприклад, вплинуло на зміни показника якості тощо.

Три етапи проєкту

Впровадження системи прогнозування мало три основні фази: діагностика, моделювання та адаптація. На етапі діагностики було проаналізовано всі бізнес-процеси, та запропоновано рішення, яке би відповідало всім вимогам та водночас вимагало би найменшої кількості змін. Була узгоджена універсальна структура даних та подальші плани реалізації проєкту.

Етапи діагностики

Після того перейшли до агрегації даних та підготовки до запуску моделі. Спочатку, як зазначалося вище, виявили всі аномалії в продажах, потім врахували вплив всіх факторів (канібалізація попиту, його сезонність та інше). До речі, всі фактори та ступінь їх впливу були погоджені із замовником.

Потім внесли зміни до алгоритму стосовно пошуку аномалій, які дозволяють краще прогнозувати попит на нові товари, наприклад, акційні пропозиції. Власне процес моделювання почався з побудови базової моделі на основі базових факторів, що впливають на попит: день тижня, продажі за минулий місяць, ціни на товари тощо.

Потім почалася оптимізація моделі з видаленням зайвих та помилкових факторів аби уникнути зайвої кореляції, так званого overfitting або перенавчання. Коли статистична модель описує випадкову похибку або шум замість взаємозв’язку, що лежить в основі даних. В результаті вдалося досягти точності прогнозування на рівні 83,1% для кожного ресторану по кожному SKU в перспективі чотирьох тижнів. Відповідно на три місяці вперед точність прогнозу складала 79,1%.

Отримавши такі результати, було прийнято рішення по введенню системи в промислову експлуатацію. Більш детально ознайомитися з усіма тонкощами впровадження цього рішення можна ознайомитися на сайті SMART Decision HUB.