Три области с высокой отдачей и легкие победы в машинном обучении для продовольственных ритейлеров
Технологии машинного обучения (ML), которые существуют уже несколько десятилетий, доказали, что открывают новые возможности для всех типов бизнеса, от интернет-гигантов и производства до банковского дела и сельского хозяйства. Продуктовая розничная торговля не является исключением: лидеры отрасли получают повышение операционной эффективности и снижение затрат благодаря интеллектуальной автоматизации. Однако не всем это удается. Согласно недавнему исследовательскому отчету MIT Sloan, проведенному совместно с BCG, семь из 10 опрошенных компаний сообщают о минимальном влиянии машинного обучения или об его отсутствии, а 40% организаций, делающих значительные инвестиции в машинное обучение, не сообщают о прибылях от машинного обучения для бизнеса. Чаще всего цифровая трансформация рассматривается ритейлерами как полномасштабный (и затратный) инфраструктурный проект, а не как средство достижения сиюминутных и долгосрочных бизнес-целей. В текущей статье мы выделим три области с высокой отдачей и простые преимущества внедрения машинного обучения, которые позволяют ритейлерам получать измеримый эффект и окупать свои инвестиции.
Прогнозирование свежих продуктов
В жесткой конкурентной борьбе за лояльность клиентов продуктовые ритейлеры делают ставку на свежие продукты. Свежие продукты стимулируют продажи, размер корзины и посещаемость магазина. Качественные свежие продукты могут быть даже равны цене как важнейшему критерию выбора продуктового магазина. При этом ритейлеры хотят убедиться, что свежие продукты всегда есть в наличии.
Тем не менее, свежие продукты являются скоропортящимися, а срок годности от 1 до 7 дней требует ежедневного прогнозирования и ежедневного пополнения запасов, что является сложной задачей для отдела планирования каждого ритейлера. И результаты часто далеки от удовлетворительных: ошибки в прогнозировании спроса ежегодно обходятся ритейлерам в миллиарды долларов, при этом 70% выбрасываемых продуктов составляют свежие продукты. Как оказалось, в то время как популярные системы прогнозирования хорошо работают для основных продуктов питания, большинство из них просто не подходят для свежих продуктов.
Эта плохо оптимизированная область прогнозирования спроса дает ритейлерам прекрасную возможность получать ощутимые результаты с каждым внесенным улучшением. Технологии машинного обучения и, в частности, байесовские методы машинного обучения могут дать ритейлерам новый взгляд на решение этой проблемы. Вместо точечных оценок байесовские методы машинного обучения используют интервальные оценки, которые позволяют вычислять сетки квантилей и аппроксимировать распределения вероятностей для различных уровней будущего спроса. Поскольку свежие и сверхсвежие продукты каждый день теряют свою рыночную стоимость, интервальные оценки могут помочь принять оптимальное решение о распределении запасов.
Такой подход требует меньшего количества данных — месяцы, а не годы — и позволяет получить прибыль в течение первого месяца после запуска проекта. Ключом к такому быстрому результату является устойчивость байесовских методов к переоснащению и высокой текучести, характерной для свежих продуктов. Розничные продавцы могут отслеживать результаты внедрения решений для прогнозирования свежих продуктов, используя бизнес-показатели, такие как количество списаний и отсутствие на складе.
Согласно опыту DSLab по внедрению прогнозирования свежих продуктов на основе машинного обучения, розничные продавцы могут добиться сокращения списаний на 10%, в то время как отсутствие на складе, как правило, сокращается на 5%. Например, служба доставки еды «Самокат», имеющая более 120 складов в Москве и Санкт-Петербурге, добилась снижения списаний на 14% и дефицита на 7,5%.
Чтобы узнать больше о прогнозировании свежих продуктов, прочитайте статью Прогнозирование спроса: вызов свежего и ультрасвежего ассортимента.
Прогнозирование страховых запасов
Страховые запасы важны для процесса планирования: они используются для расчета точек повторного заказа, сглаживания неожиданных колебаний спроса и снижения риска дефицита. Последнее часто оказывает огромное давление на менеджеров по запасам, особенно когда приближаются праздники или рекламные акции. Страх остаться с пустой полкой и потерять лояльность клиентов побуждает к заказу «немного лишних» запасов понятный мотив. На пике «небольшое дополнение» может достигать 20% от прогнозируемого спроса.
Внедрение прогнозирования страховых запасов на основе машинного обучения может устранить эмоциональный фактор управления запасами, снизить уровень ручной тонкой настройки и оптимизировать уровни страховых запасов с учетом сезонности, предстоящих праздников и рекламных акций. Оптимизированные резервные запасы, включенные в системы прогнозирования, помогут лучше прогнозировать спрос и сбалансировать политику управления запасами.
В зависимости от действующей политики потенциальное снижение страховых запасов может достигать 20% в течение 2–3 месяцев для быстроходных товаров и в течение одного года для медленноходных.
Интеллектуальное ценообразование
Еще один пробел, который может принести ритейлерам легкую победу, — разумное ценообразование. В настоящее время продуктовые розничные продавцы используют несколько хорошо зарекомендовавших себя методов ценообразования: управление ценообразованием на основе правил, выравнивание рынка на основе конкуренции или управление ценообразованием на основе алгоритмов. Однако программное обеспечение для оптимизации цен, как правило, дорогое и не учитывает такие влияющие параметры, как перекрестные эффекты товаров или стимулирование сбыта; в то время как алгоритмическое ценообразование обычно основано на простых инструментах машинного обучения, которые предлагают моделирование без производных без градиентной оптимизации. Сосредоточенные на максимизации немедленных доходов и маржи, эти методы не гарантируют долгосрочного воздействия на бизнес розничных продавцов.
Неудивительно, что руководители предприятий розничной торговли называют интеллектуальное ценообразование среди мероприятий по автоматизации ИИ, которыми их компании планируют заняться к 2021 году. Благодаря доступности электронной маркировки интеллектуальное ценообразование уже распространяется от интернет-магазинов до обычных продуктовых магазинов. Среди потенциальных преимуществ — устранение затрат, связанных с печатью и пересмотром ценников, мгновенное изменение цен на тысячи товаров в сотнях магазинов, динамические цены, оптимизированные как для внутренних, так и для внешних параметров, таких как время суток или погода. Кроме того, процесс переоценки на основе ML можно полностью автоматизировать и интегрировать в рутину планирования: от оптимизации ценников до автоматического размещения заказа в системе пополнения ритейлера. Но самое главное, разумное ценообразование в долгосрочной перспективе увеличивает посещаемость магазина, а также максимизирует непосредственные доходы.
Потенциальный бизнес-эффект включает увеличение маржи на 10–15% в течение 3–6 месяцев после запуска проекта.
Заключительные мысли
Машинное обучение таит в себе широкий потенциал применения для продовольственных ритейлеров: от прогнозирования спроса и планирования запасов до оптимизации ценообразования и управления стимулированием продаж. При правильном применении он может помочь ритейлерам достичь новых высот операционной эффективности, укрепить лояльность клиентов и получить конкурентное преимущество перед конкурентами в отрасли. Для этого ритейлерам необходимо использовать практический подход и проводить трансформацию машинного обучения не как еще один инфраструктурный проект с туманными перспективами, а как средство для достижения немедленных и долгосрочных бизнес-целей с измеримыми результатами и определенными критериями успеха.
Статья изначально была опубликована по адресу https://dslab.ai/three-high-impact-areas-in-ml-for-grocery-retailers.
