Як рітейл застосовує технології машинного навчання для підвищення ефективності

Рішеннями SMART business користуються компанії-лідери в сфері рітейлу і виробництва в Україні. Які інструменти вони використовують і які статті витрат зменшили, запровадивши технології машинного навчання і прогнозування.

1.Нейромережа для мерчандайзингу

Товар добре продається, коли знаходиться на видному місці, в потрібній кількості і порядку, відповідає планограмі, займає потрібну частину полки, має гарне співвідношення ціни і промо. Зазвичай мерчендайзери їздять по торговим точкам і роблять фото, потім аудитор їх збирає і порівнює з планограмою. Іноді рітейлерам доводиться обробляти до 50 000 фото на добу. Це вимагає величезної кількості ресурсів.

В SMART business розробили рішення – SMART Shelf Recognition або відеоконтроль поличного простору, який дозволяє автоматизувати цей процес.

Він дозволяє в режимі реального часу бачити, як розташований товар в точках і отримувати інтерактивну аналітику. Рішення дуже гнучке і нейронна мережа може “довчитися” щоб задовольняти потреби конкретного бізнесу: таким чином можна досягти не менше 90% точності результату.

Рішення побудоване з використанням алгоритмів нейромереж, працює на базі платформи Azure Microsoft і використовує технології машинного навчання Microsoft. Візуальна аналітика будується на базі Power Bi і дозволяє розпізнавати товар на фото під кутом до 30 градусів.

Як працює модель. Необхідно розпізнати товар, порівняти з планограмою викладки і конкурентами, моніторити цінники і промо кампанії, позначивши SKU товару: мишкою обводиться конкретний товар на великій кількості фотографій – не менше 100-150. Після цього сама програма аналізує всі обводи і розуміє, що саме цей SKU знаходиться на фотографіях. Наступного разу вона вже може на нових фото знайти даний SKU.

2 етап – навчання нейронної мережі розпізнаванню. Створюється модель розпізнавання, потім SKU передаються в модель і відбувається навчання. В процесі навчання опрацьовується архітектура нейронної мережі і її параметри, щоб все це відповідало конкретному бізнес-кейсу. Вона навчається до того моменту, поки не досягає точності більше 90%. Модель завжди можна довчити, якщо потрібна велика точність або на ринок вийшов новий SKU.

Звіт буде виглядати відповідно до бажань замовника. Це інтерактивний, динамічний звіт, завдяки якому у компанії є можливість відстежити, з якої мережі є проблеми з викладенням, в якій конкретній точці, відстежити стан конкретного SKU, відзначити, у кого з мерчендайзерів спостерігаються проблеми з викладкою.

Ось як можуть виглядати звіти:

Є звіт “оцінка частки полки”, в тому числі і в порівнянні з конкурентами, звіт появи нового продукту в realtime-статистиці. Можливий контроль відповідності з планограмою, цінником, промо акцією.

Також є рейтинг точок продажів – сумарний звіт, в якому можна бачити результати точок в процентному відношенні і рейтинг команди мерчендайзерів, збудований відповідно до обраного замовником КРI.

2.Прогноз попиту

ERP-система може збирати транзакційні дані, які дозволяють працювати з формалізованою статистикою. Цінність Machine Learning і цієї послуги в тому, що вона працює практично з будь-якими даними незалежно від джерела.

Концепція, яку пропонує Microsoft, і яку підтримують в SMART business, складається з 5 напрямків:

П’ятим напрямком є ​​не тільки обробка даних, але і прийняття рішень. Моделювання в Machine Learning дає можливість побудувати дерево обробки інформації, яке можна інтегрувати з іншими даними, а потім розділяти. При цьому машина контролює якість даних, що видає, і кожен раз намагається його поліпшити.

Цінність моделювання в Machine Learning в тому, що можна самим підбирати математичну модель і алгоритм прорахунку з наданою розробником бібліотекою. У підсумку отримується відпрацьований веб-сервіс, який можно вивантажувати куди завгодно – його публікують, далі він іде або в Power BI, або в ERP-систему для подальшої обробки в залежності від заданого бізнес-процесу.

Підтримується два варіанти планування: зверху вниз і знизу вгору.

На фото – приклад: з даних попиту по датах система зробила прогноз на наступні два роки. Після того як дані потрапили в систему, модель дає можливість планування і прогнозування, практично на невизначений період, грунтуючись на даних як всередині ЕRP-системи, так і на зовнішніх даних.

Наприклад, продукт – морозиво. Він дуже “зав’язаний” на сезонності, на святах, на сезоні відпусток – це зовнішні дані. В результаті ми отримуємо графік історичного попиту і споживання.

При цьому програма робить певну дельту: цим даним можна вірити – вони точні на 90 і більше відсотків.

Наприклад, на попит в конкретному магазині впливає багато факторів, серед яких – насиченість конкурентами, розташування, погода, рівень зарплат, політичні чинники. Щоб зрозуміти, як впливають ці чинники, моделюються дані і аналізується результат.

Застосувавши математичні алгоритми, можна побачити, які чинники як вплинули на модель.

Цей процес проходить итеративно: тобто на кожному кроці подаються якісь фактори, моделюються, потім деякі прибираються, як перешкоди, додаються інші. Необхідно перевірити всі взаємозв’язки, щоб зробити прогноз найбільш точним.

Контроль точності та прогноз – це два останні етапи прогнозування попиту.

Найпростішим способом є порівняння прогнозованого і фактичного, але найчастіше використовуються більш складні метрики за запитом клієнта.

3.Побудова цифрового двійника і оптимізація ланцюжка поставок

«Цифровий двійник» є досить цікавим трендом, який вже змінює динаміку певних індустрій, рітейлу в тому числі. «Цифровий двійник» – це симуляція моделі фізичного об’єкта або процесу. Застосовуючи також методи оптимізації до симуляційної моделі можна нескінченно багато «перебирати» різні варіанти або сценарії і параметри ланцюжка поставок і оптимізувати їх по одному або декільком критеріям.

Симуляція і оптимізація є важливими техніками прогнозної аналітики, що дозволяє рекомендувати певний курс дій на основі розуміння невизначеностей в ланцюжку поставок. Проблематикою великої кількості оптимизационного ПО є відсутність аналізу інтерактивних сценаріїв і стрес-тест при невизначеності.

Симуляція дозволяє промоделювати поточну або майбутню систему, спостерігаючи за факторами, які впливають на поведінку процесу. Основна мета симуляцій – надати можливості для кінцевих користувачів протестувати сценарії без експериментів в реальному середовищі (що може бути дуже затратно і повільно)

Оптимізація, в свою чергу, спирається на математичні техніки моделювання реальних проблем, з огляду на певні обмеження і критерії, пропонує варіанти дій для наближення до певної мети.

Часто обмеженням поточних «що-якщо» підходів є: а) обмеження уявлення часового контінуму ланцюжка поставок (ЦП), тобто можливості представити роботу в перебігу як бажаною тривалості, а не тільки між двома зліпками (поточний і оптимальний), б) можливості оцінити динаміку поточного стану ЦП з точки зору балансів між пріоритетами і обмеженнями поточної ЦП.

Чим може допомогти цифровий двійник ланцюжку поставок:

• Швидко побудувати і візуалізувати можливі сценарії ЦП
• Перевірити можливі зміни в ланцюжку щодо варіабельності різних факторів в реальному середовищі

За допомогою імітаційного моделювання, необмежених обчислювальних потужностей Azure команда SMART business створила простий симулятор, який при простій зміні ввідних параметрів, перераховує складові плану продажів. Можливості імітаційного моделювання дозволяють визначити найбільш близькі до оптимальних розподілу всередині ЦП.

Таким чином у компанії виходить моделювати ситуацію “що якщо”. При цьому це не впливає ні на які операційні дії.

Планування поставок запчастин з урахуванням зносу обладнання

Зазвичай компанії приблизно знають, що і коли вийде з ладу, орієнтуючись на планові показники, але часто щось йде не так. Щоб врахувати несподівані фактори і передбачити непередбачені ремонти, в компанії розробили модель в інтеграції з технологією Internet of Things. З одного боку в якості джерел використовували ЕRP-систему, яка дає дані завантаження виробничих потужностей і ресурсів, а з іншого боку – прогнозну модель. Наприклад, якщо обладнання стоїть на вулиці, то потрібно врахувати кількість сонячних днів. Далі додають статистичні дані по ремонтам.

Підсумкові результати говорять про “живучість” обладнання. Можна побачити цифру, яка говорить про час найближчого ремонту за умови, що на цьому обладнанні буде працювати певна бригада, виготовляючи певну номенклатуру. Модель відповідає на питання “якби”: наприклад, на ньому працювала інша бригада і часу до ремонту було б ще менше. Швидше за все, на результат впливає кваліфікація співробітників, яка працює з цим обладнанням.

4.Омніканальна взаємодія або

як продавець може використовувати предиктивний маркетинг

Предиктивний маркетинг потрібен для того, щоб зробити клієнту найкращу пропозицію. Для цього використовується аналіз, сегментація клієнтської бази і видається сценарій, де клієнту не потрібно спілкуватися з живими людьми.

SMART business дуже активно працює на українському ринку, доставляючи повідомлення компаній в ті канали комунікації з клієнтами, які добре працюють в Україні.

Один із прикладів використання – чат-бот в Viber і Telegram. Розробник створив чат-бота, який дає клієнтові можливість отримати консультацію віртуального сомельє. Клієнт приходить в магазин, асортимент якого складається з більш ніж 100 етикеток вина. Він не хоче здатися недосвідченим, тому не звертається до реального сомельє, але при цьому хоче витратити суму не більше запланованого бюджету. Тоді він питає пораду з вибору вина у бота. Бот звертається до CRM-системи, дивиться на такі параметри, як Customer Lifetime Value, середній чек клієнта, і може за цими параметрами підібрати заготовлену рекомендацію. Ця рекомендація як веб-сервіс може перебувати в Azure.

У Telegram клієнт може отримати цілих три рекомендації. Можна будувати і більш складні сценарії: коли клієнт говорить “так, мені цікаво”, можна відразу ж запропонувати йому знижку, бонус. Якщо йому нецікаво, ми, знизимо цінову категорію і запропонуємо три інших вина з більш низької цінової категорії. Це може працювати навіть на базі SMS. Красивим завершенням такого сценарію буде повідомлення: “Ось промокод на цей товар, він діє 30 хвилин, чекаємо вас на касі!”

Чат-бот може робити нестандартну рекомендацію на основі такого фактора, як вираз обличчя – може вислати йому пропозицію і додати бонус за реакцію клієнта.

У статті розглянуті лише кілька прикладів використання рішень для ефективного управління бізнесом з арсеналу SMART business, якими фахівці компанії поділилися на Dynamics Day ’18: Як приручити майбутнє.

Читайте також –

Amazon нам тільки сниться. Чому в Україні немає інноваційних магазинів