Как ритейл применяет технологии машинного обучения для повышения эффективности

Решениями SMART business пользуются лидирующие компании в сфере ритейла и производства в Украине. Какие инструменты они используют и какие статьи расходов уменьшили, внедрив технологии машинного обучения и прогнозирования.

Читайте українською

1.Нейросеть для мерчандайзинга

Товар хорошо продается, когда находится на видном месте, в нужном количестве и порядке, соответствует планограмме, занимает нужную часть полки, соответствует своей цене и промо. Обычно мерчендайзеры ездят по торговым точкам и делают фото, потом некий аудитор их собирает и сравнивает с планограммой. Иногда ритейлерам приходится обрабатывать до 50 000 фото в сутки. Это требует огромного количества ресурсов.

В SMART business разработали решение – SMART Shelf Recognition или видеоконтроль полочного пространства, который позволяет автоматизировать процесс.

Оно позволяет в режиме реального времени видеть, как расположен товар в точках и получать интерактивную аналитику. Решение очень гибкое и нейронная сеть может “дообучиться” чтобы удовлетворять потребности конкретного бизнеса: таким образом можно достичь не менее 90% точности результата.

Решение построено с использованием алгоритмов нейросетей, работает на базе платформы Azure Microsoft и использует технологии машинного обучения Microsoft. Визуальная аналитика строится на базе Power Bi и позволяет распознавать товар на фото под углом до 30 градусов.

Как работает модель. Необходимо распознать товар, сравнить с планограммой выкладки и конкурентами, видеть ценники и промо кампании, обозначив SKU товара: мышкой обводится конкретный товар на большом количестве фотографий — не менее 100-150. После этого сама программа анализирует все обводы и понимает, что именно этот SKU находится на фотографиях. В следующий раз она уж может на новых фото найти данный SKU.

2 этап — обучение нейронной сети распознаванию. Создается модель распознавания, затем SKU передаются в модель и происходит обучение. В процессе обучения прорабатывается архитектура нейронной сети и ее параметры, чтобы все это отвечало конкретному бизнес-кейсу. Она обучается до того момента, пока не добивается точности более 90%. Модель всегда можно дообучить, если требуется большая точность или на рынок вышел новый SKU.

Отчет будет выглядеть в соответствии с желаниями заказчика. Это интерактивный, динамический отчет, благодаря которому у компании есть возможность отследить, по какой сети есть проблемы с выкладкой, в какой конкретной точке, отследить положение конкретного SKU, отметить, у кого из мерчендайзеров наблюдаются проблемы с выкладкой.

Вот как могут выглядеть отчеты:

Есть отчет “оценка доли полки”, в том числе и по сравнению с конкурентами, отчет появление нового продукта в realtime-статистике. Возможен контроль соответствия с планограммой, ценником, промо акцией.

Также есть рейтинг точек продаж — суммарный отчет, в котором можно видеть результаты точек в процентном отношении и рейтинг команды мерчендайзеров, выстроенный согласно выбранному заказчиком КРI.

2.Прогноз спроса

ERP-система может собирать транзакционные данные, которые позволяют работать с формализованной статистикой. Ценность Machine Learning и этой услуги в том, что она работает практически с любыми данными независимо от источника.

Концепция, которую предлагает Microsoft, и которую мы поддерживаем, состоит из 5 направлений:

Пятым направлением является не только обработка данных, но и принятие решений. Моделирование в Machine Learning дает возможность построить дерево обработки информации, которую можно интегрировать с другими данными, а затем разделять. При этом машина контролирует качество выдаваемых сведений, и каждый раз пытается его улучшить.

Ценность моделирования в Machine Learning в том, что можно самим подбирать математическую модель и алгоритм просчета из предоставленной разработчиком библиотеки. В итоге мы получаем отработанный веб-сервис, который можем выгружать куда угодно — мы его публикуем, дальше он идет либо в Power BI, либо в ERP-систему для последующей обработки в зависимости от заданного бизнес-процесса.

Поддерживается два варианта планирования: сверху вниз и снизу вверх.

На фото — пример: из данных спроса по датам система сделала прогноз на следующие два года. После того как данные попали в систему, модель дает возможность планирования и прогнозирования, практически на неопределенный период, основываясь на данных как внутри ЕRP-системы, так и на внешних данных.

Например, продукт — мороженое. Он очень “завязан” на сезонности, на праздниках, на сезоне отпусков — это внешние данные. В результате мы получаем график исторического спроса и потребления.

При этом программа делает определенную дельту — она подсвечена фиолетовым. Этим данным можно верить — они точны на 90 и более процентов.

Например, на спрос в конкретном магазине влияет много факторов, среди которых — насыщенность конкурентами, расположение, погода, уровень зарплат, политические факторы. Чтобы понять, как влияют эти факторы, моделируются данные и анализируется результат.

Применив математические алгоритмы, можно увидеть, какие факторы и как повлияли на модель.

Этот процесс проходит итеративно: то есть на каждом шаге подаются какие-то факторы, моделируются, затем некоторые убираются, как помехи, добавляются другие. Необходимо проверить все взаимосвязи, чтобы сделать прогноз наиболее точным.

Контроль точности и прогноз — это два последних этапа прогнозирования спроса.

Самым простым способом является сравнение прогнозируемого и фактического, но чаще всего используются более сложные метрики по запросу клиента.

3.Построение цифрового двойника и оптимизация цепочки поставок

«Цифровой двойник» является достаточно интересным трендом, который уже изменяет динамику определенных индустрий, ритейла в том числе. «Цифровой двойник» — это симуляционная модель физического объекта или процесса. Применяя также методы оптимизации к симуляционной модели можно бесконечно много «перебирать» различные варианты или сценарии и параметры цепочки поставок и оптимизировать их по одному или нескольким критериям.

­­­­Симуляция и оптимизация являются важными техниками прогнозной и предписательной аналитики, позволяющей рекомендовать определенный курс действий на основе понимания неопределенностей в цепочке поставок. Проблематикой большого количества оптимизационного ПО является отсутствие анализа интерактивных сценариев и стресс-тест при неопределенностях.

Симуляция позволяет промоделировать текущую или будущую систему, наблюдая за факторами, которые влияют на поведение процесса. Основная цель симуляций – предоставить возможности для конечных пользователей протестировать сценарии без экспериментов в реальной среде (что может быть очень затратно и медленно)

Оптимизация, в свою очередь, опирается на математические техники моделирования реальных проблем, учитывая определенные ограничения и критерии, предлагает варианты действий для приближения к определенным целям.

Часто ограничением текущих «что-если» подходов являются: а) ограничения представления временного континуума цепочки поставок (ЦП), т.е. возможности представить работу  в течении сколь угодной продолжительности, а не только между двумя слепками (текущий и оптимальный), б) возможности оценить динамику текущего состояния ЦП с точки зрения балансов между приоритетами и ограничениями текущей ЦП.

Чем может помочь цифровой двойник цепочке поставок:

• Быстро построить и визуализировать возможные сценарии ЦП
• Проверить возможные изменения в цепочке относительно вариабельности различных факторов в реальной среде

При помощи имитационного моделирования, неограниченных вычислительных мощностей Azure команда SMART business создала простой симулятор, который при простом изменении вводных параметров, пересчитывает составляющие плана продаж. Возможности имитационного моделирования позволяют определить наиболее близкие к оптимальным распределения внутри ЦП.

Таким образом у компании получается моделировать ситуацию “что если”. При этом это не влияет ни на какие операционные действия.

 Планирование поставок запчастей с учетом износа оборудования

Обычно компании примерно знают, что и когда выйдет из строя, ориентируясь на плановые показатели, но часто что-то идет не так. Чтобы учесть неожиданные факторы и предугадать непредвиденные ремонты, в компании разработали модель в интеграции с технологией Internet of Things. С одной стороны в качестве источников использовали ЕRP-систему, которая дает данные загрузки производственных мощностей и ресурсов, а с другой стороны — прогнозную модель. Например, если оборудование стоит на улице, то нужно учесть количество солнечных дней. Дальше добавляют статистические данные по ремонтам.

Итоговые результаты говорят о “живучести” оборудования. Можно увидеть цифру, которая говорит о времени ближайшего ремонта при условии, что на этом оборудовании будет работать определенная бригада, изготавливая определенную номенклатуру. Модель отвечает на вопрос “если бы”: например, на нем работала другая бригада и время до ремонта было бы еще меньше. Скорее всего, на результат влияет квалификация сотрудников, которая работает с этим оборудованием.

4.Омниканальное взаимодействие или

как продавец может использовать предиктивный маркетинг

Предиктивный маркетинг нужен для того, чтобы сделать клиенту самое лучшее предложение. Для этого используется анализ, сегментация клиентской базы и выдается сценарий, где клиенту не нужно общаться с живыми людьми.

SMART business очень активно работает на украинском рынке, доставляя сообщения компаний в те каналы коммуникации с клиентами, которые хорошо работают в Украине.

Один из примеров использования — чат-бот в Viber и Telegram. Разработчик создал чат-бота, который дает клиенту возможность получить консультацию виртуального сомелье. Клиент приходит в магазин, ассортимент которого состоит из более чем 100 этикеток вина. Он не хочет показаться неопытным, поэтому не обращается в реальному сомелье, но при этом хочет потратить сумму не больше запланированного бюджета. Тогда он спрашивает совет по выбору вину у бота. Бот обращается к CRM-системе, смотрит на такие параметры, как Customer Lifetime Value, средний чек клиента, и может по этим параметрам подобрать заготовленную рекомендацию. Эта рекомендация как веб-сервис может находиться в Azure.

В Telegram клиент может получить целых три рекомендации. Можно строить и более сложные сценарии: когда клиент говорит “да, мне интересно”, можно сразу же предложить ему скидку, бонус. Если ему неинтересно, мы, понизим ценовую категорию и предложим три других вина из более низкой ценовой категории. Это может работать даже на базе SMS. Красивым окончанием такого сценария будет сообщение: “Вот промокод на этот товар, он действует 30 минут, ждем вас на кассе!”

Чат-бот может делать нестандартную рекомендацию на основе такого фактора, как выражение лица, выслать ему предложение и добавить бонус за реакцию клиента

В статье рассмотрены лишь несколько примеров использования решений для эффективного управления бизнесом из арсенала SMART business, которыми специалисты компании поделились на Dynamics Day ’18: Как приручить будущее.

Читайте также —

Amazon нам тільки сниться. Чому в Україні немає інноваційних магазинів