«Как ИИ меняет правила игры».

«Почему будущее за искусственным интеллектом?»

«Раскройте всю мощь ИИ».

Мы все видели заголовки в новостях, на конференциях и практически от всех поставщиков в сфере высоких технологий, когда-либо . Но при всей шумихе вокруг искусственного интеллекта и машинного обучения может быть трудно обосновать дискуссию на практике.

Какие конкретные бизнес-задачи помогает решать ИИ? Где ИИ используется для достижения измеримых результатов? Не только в теории, но и на практике. Другими словами… как искусственный интеллект может выйти из лаборатории на рынок?

Оптимизация цепочки поставок - новый императив

Розничная торговля - это отрасль, в которой машинное обучение успешно применяется для решения отдельных бизнес-задач. От традиционных многоканальных розничных продавцов до новых цифровых брендов - отрасль претерпевает масштабные преобразования. Розничные торговцы ускоряют вложения в инновационные технологии, которые могут стимулировать продажи, сохранять маржу, повышать эффективность или предоставлять конкурентные преимущества.

В корпоративной розничной торговле машинное обучение традиционно применялось в таких областях, как поиск, чат, реклама, ценообразование, персонализация и рекомендации по продуктам во «интерфейсных» (или ориентированных на клиента) системах. В последнее время розничные торговцы применяют машинное обучение для улучшения процесса принятия решений перед покупателем, по всей цепочке поставок - в серверных системах и среди критически важных бизнес-функций, таких как прогнозирование спроса, планирование и распределение, управление запасами, маршрутизация заказов, доставка. оценка даты, обнаружение мошенничества и возврат.

Почему оптимизация цепочки поставок внезапно становится все более приоритетной для ритейлеров?

Понятно, что ожидания покупателей никогда не были выше. Бесплатная доставка в тот же день быстро становится «необходимостью», а не «желанием иметь». Клиенты ожидают, что легко найдут нужный им продукт, когда они захотят, где бы они ни находились. Они практически не терпят товаров, которых нет в наличии, длительных сроков доставки или неудовлетворительного взаимодействия с пользователем.

По мере того как розничные торговцы стремятся идти в ногу с растущими потребностями клиентов, цепочка поставок становится все более сложной и критически важной. Сейчас это ключевой компонент корпоративной стратегии, и руководители розничной торговли рассматривают цепочку поставок через призму создания ценности, а не минимизации затрат.

За последнее десятилетие ритейлеры инвестировали в создание «омниканальности», давая покупателям возможность находить и покупать товары на любом канале - в Интернете, на мобильных устройствах, в магазинах, на торговых площадках, в социальных сетях - и с одинаковым опытом работы с брендом. Но хотя клиентский опыт кажется «бесшовным», устаревшие системы цепочки поставок, обеспечивающие такой опыт, остаются разрозненными и нестабильными. Трансформация всей сети, необходимая для создания настоящего омниканального опыта, накладывает существенную нагрузку на весь жизненный цикл заказа - от прогнозирования спроса и принятия решений о покупке до ассортимента, распределения и доступности запасов, до ожидаемых сроков доставки и логистики последней мили.

Ключевым компонентом омниканальной стратегии для розничных продавцов с обычным присутствием является выполнение на уровне магазина. Согласно отчету 500 лучших интернет-ритейлеров за 2019 год, 51,8% розничных сетей из топ-500 теперь предлагают самовывоз в магазине, что увеличивает посещаемость магазина и увеличивает средний размер корзины. Использование магазинов в качестве центров выполнения сокращает время доставки за счет близости магазина к покупателям, расширяет ассортимент в Интернете за счет инвентаризации магазина и предлагает удобство и гибкость для покупателей, которые хотят покупать товары в Интернете и забирать их в магазине.

Успешная модель выполнения заказов на основе магазинов требует стратегических инвестиций в людей, процессы и технологии, чтобы воплотить в жизнь настоящую децентрализованную многоузловую распределительную сеть. Для большинства розничных продавцов это означает переход от традиционной модели «ступица и спица» к использованию сотен или тысяч взаимосвязанных мини-FC и микро-DC, из которых можно получать заказанные товары. Хотя расширенная сеть создает новые возможности для развития клиентского опыта и получения доходов, она также значительно усложняет цепочку поставок.

Примеры использования машинного обучения - инвентаризация, выполнение и уценка

Эта комбинация рыночных факторов - инвестиции в многоканальные возможности, развивающиеся сети сбыта и созревание моделей выполнения заказов на базе магазинов - сгенерировала огромные объемы данных по всей цепочке поставок, создав благодатную почву для машинного обучения. В то же время доступность облачных вычислений и параллельной обработки позволила оптимизировать и выполнять усвоенные решения в веб-масштабе и скорости.

Мне посчастливилось участвовать в самых разных дискуссиях об искусственном интеллекте, некоторые из которых витают в облаках, а некоторые уходят корнями в реальность. Ниже приведены три примера, в которых я вижу, как машинное обучение используется для принятия более эффективных решений в коммерческой цепочке поставок.

Пример 1: доступность инвентаря

Хотя преобразование магазинов в центры выполнения является важной частью стратегии омниканальности, фактическая реализация показывает, насколько магазины работают по-разному, чем центры выполнения.

  • Операции: Центры распределения представляют собой строго контролируемую организованную среду, работающую с высокой точностью инвентаризации и предсказуемыми, повторяемыми процессами. И наоборот, магазины по своей природе являются изменчивой средой, на которую влияют продажи в реальном времени, человеческий фактор, сжатие, различия в работе магазинов и множество других внешних факторов.
  • Инвентарь. Предложение инвентаря магазина интернет-покупателям может «спасти продажу» и вызвать дополнительный спрос. Однако из-за систематической неточности инвентаря в магазине очень сложно определить, какие именно единицы доступны для обещания - по позициям, местоположению и каналам закупок в любой момент времени.
  • Возможность поиска: способность продавца фактически найти товар в магазине зависит от множества факторов - от таких атрибутов товара, как размер, цвет , стиль, поставщик или цена, к эксплуатационным факторам, таким как портфель заказов в магазине и исторический коэффициент комплектования, для сигналов спроса, таких как модели трафика и уровень сквозных продаж товаров. «Возможность поиска» предметов также динамически меняется в зависимости от времени суток, дня недели, календаря рекламных акций и сезона.

Эти фундаментальные различия означают, что розничным продавцам приходится идти на компромисс при выборе способа размещения запасов в магазине в Интернете:

Выставляйте как можно больше товаров в магазинах, чтобы максимизировать спрос и увеличить ассортимент ... но рискуете отказаться от товаров, которых нет в наличии после того, как они были обещаны покупателю?

Или покажите только то, что с высокой вероятностью будет доступно в магазинах ... но потенциально упустите спрос и помешает успеху омниканальной программы, в которую вы вложили много времени и ресурсов?

Взяв страницу из современной теории портфелей (часто используемой хедж-фондами для определения оптимального сочетания инвестиций), розничные продавцы могут использовать машинное обучение для определения оптимального сочетания доступных запасов, чтобы сбалансировать риск (отменяет) и вознаграждение ( требование). Это эффективный рубеж управления запасами и ключевой источник конкурентного преимущества для розничных торговцев, которые все понимают правильно.

Подводя итог, можно сказать, что такая вариативность в сети магазинов и неопределенность результатов в сочетании с огромными объемами данных - идеальный вариант использования ИИ. Используя исторические данные и данные в реальном времени, розничные продавцы могут использовать алгоритмы машинного обучения, чтобы:

  • Найдите закономерности и определите, какие исходные данные коррелируют с уровнем выполнения заказов в магазине.
  • Оцените вероятность того, что товар будет востребован и будет успешно выбран в заданном месте в определенный момент времени.
  • Спрогнозируйте оптимальные уровни запасов, которые будут доступны для покупки по каналам, а затем предоставить эти рекомендации различным операционным системам, таким как управление заказами или планирование ресурсов предприятия.

Пример 2 : разделенное сокращение поставок

Итак, наш розничный торговец, уравновешивающий границы и разбирающийся в искусственном интеллекте, определил, где разместить товарные запасы и что сделать доступными для покупок в Интернете. Теперь - откуда розничный торговец получает заказы из обширной децентрализованной сети выполнения заказов?

Фулфилмент - значимый источник затрат в розничной цепочке поставок. Когда заказ размещается на веб-сайте или в мобильном приложении, необходимо принять решение относительно того, какой «узел» (т. Е. Местоположение - например, магазин, центр выполнения, центр распределения), чтобы его выполнить и как. В идеале розничный торговец хочет получать товары в заказе из одного узла, поскольку разделение заказа и получение товаров из нескольких мест увеличивает затраты на доставку и упаковку.

Но как мы узнаем, может ли одно место успешно собрать, упаковать и отправить все товары в заказе за время, необходимое для выполнения обещанного покупателем срока? И, если предположить, что есть несколько узлов, которые могут удовлетворить поставленную цель, какое из них является наиболее выгодным для источника?

Именно здесь на помощь приходят расчет затрат в веб-масштабе и машинное обучение. Сегодня, чтобы принять решение о назначении узла, большинство розничных продавцов полагаются на простую эвристику, встроенную в логику системы управления заказами. Для принятия решения используются последовательные правила, при этом каждое правило сужает варианты в формате «сначала - затем» (т. Е. Сначала минимизируйте количество отправлений, а затем отправляйте ближе всего к покупателю).

Ограничение этого подхода состоит в том, что отфильтрованные узлы нельзя рассматривать с учетом будущих конкурирующих факторов. Например, правило, требующее доставки из магазина, ближайшего к покупателю, может в конечном итоге оказаться в магазине с низкой скоростью доставки и, следовательно, более высокими затратами на рабочую силу. Или правило, требующее отгрузки в одной упаковке, может быть получено из магазина, который может выбрать все товары в заказе, но для этого должен использовать запасы с полной ценой. Вместо этого может быть более рентабельным разделить заказ между двумя магазинами, которые могут использовать устаревшие или уцененные запасы.

Алгоритм лучше приспособлен для:

  • Оптимизируйте для нескольких целей одновременно
  • Рассчитайте общую ориентировочную стоимость обслуживания с любого заданного узла.
  • Рассмотрим все возможные перестановки, с помощью которых можно выполнить заказ.
  • Применяйте ограничения, такие как дата доставки или вместимость магазина.

Машинное обучение может предсказать склонность местоположения к разделению заказа, частичную скорость выполнения по местоположению и стоимость доставки по перевозчикам, тарифам, габаритному весу и времени доставки - и все это до размещения заказа.

Интеллектуальная маршрутизация заказов на основе данных позволяет снизить частоту заказов и общие затраты на доставку, не отказываясь от возможности оптимизации для других целей, таких как скорость доставки клиентов или эффективность труда.

Пример 3 : оптимизация Markdown

Согласно данным Deloitte’s Global Powers of Retailing 2019, совокупная маржа чистой прибыли розничной торговли составляет 2,3%. В сочетании с растущей конкуренцией со стороны цифровых брендов, предлагающих расширенный ассортимент и конкурентоспособные цены, розничные торговцы ощущают давление со стороны акционеров, стремящихся максимизировать прибыль, при этом продолжая инвестировать в электронную коммерцию и возможности омниканальности. Руководители предприятий розничной торговли находятся под постоянным давлением, требующим снижения себестоимости и эксплуатационных расходов, при этом доставляя товары быстрее и дешевле.

Предотвращение ненужных уценок, а также продажа через устаревшие запасы, чтобы освободить место для новых товаров по полной цене, имеют первостепенное значение для сохранения маржи. Затраты на хранение высоки, особенно для магазинов быстрой моды и розничных торговцев сезонными товарами, а запасы должны либо резко меняться, либо резко снижаться - или даже ликвидироваться.

В идеальном сценарии розничные торговцы будут идеально согласовывать предложение со спросом и покупать нужные продукты в нужных количествах, по каналам, и никогда не перераспределять или перераспределять запасы. Но в реальной жизни это все еще больше искусство, чем наука, и, несмотря на все усилия, существуют пробелы, которые приводят к отсутствию запасов и потере спроса или глубокому дисконтированию из-за стоимости удерживаемого капитала.

Оптимизация уценки - это один из способов уменьшить боль от чрезмерных покупок. На величину и частоту уценки влияет множество факторов - от предсезонного планирования до пополнения в сезон. Но когда стратегия уценки не совсем идеальна, направление заказов в нужное место в нужное время является ключом к предотвращению дополнительной эрозии прибыли. При прочих равных, почему бы не выполнить онлайн-заказ, используя товары, уже имеющие уценку или ожидаемые со скидкой, а не товары по полной цене (или предполагаемые к продаже по полной цене) в магазине?

Чтобы сохранить маржу за счет обхода уценок или использования устаревших запасов, требуется как можно более точное представление о спросе как на товары в магазине, так и на товары в Интернете. Помимо прогнозирования спроса по каналам розничной торговли, розничные торговцы также должны иметь возможность прогнозировать ожидаемую выручку от последней единицы, проданной в данном месте, и принимать во внимание будущую отпускную цену во время ожидаемого дефицита в магазине.

Прогнозирование спроса, как известно, сложно, но улучшения в алгоритмах с открытым исходным кодом и огромные объемы исторических данных временных рядов позволяют делать более качественные и быстрые прогнозы. В прошлом основной проблемой при создании прогнозов такого типа был сбор правильных данных, преобразование их в правильный формат и их своевременная и экономичная обработка. Сегодня существует множество инструментов и технологий для облегчения приема, разработки, проверки, маркировки, настройки и обработки данных - от озер данных и операций ETL до автоматизированных сервисов, которые позволяют специалистам по обработке данных создавать, обучать и развертывать модели за считанные минуты.

Включение в алгоритм чистых обучающих данных - это первый шаг. Исходя из этого, модель может оценить будущий спрос и потенциальную маржу товара в данном месте, сопоставить его с другими возможными местоположениями в сети и выбрать местоположение с наименьшими альтернативными издержками. Применение ИИ для оптимизации уценки может обеспечить существенное улучшение маржи в то время, когда розничным торговцам необходимо максимизировать прибыль с каждого доллара.

Изменить или потерпеть неудачу

В розничной торговле мы можем увидеть, как искусственный интеллект может перейти от теоретического к практическому, что приводит к ощутимому влиянию на бизнес - увеличению продаж, сохранению прибыльности, повышению эффективности и предоставлению конкурентных преимуществ. Машинное обучение способствует более эффективному принятию решений по всей непрерывной цепочке поставок и имеет взаимную выгоду как в улучшении финансовых результатов для бизнеса, так и в улучшении качества обслуживания клиентов.

На сегодняшнем постоянно развивающемся, сильно подрывном рынке розничные торговцы должны быть готовы внедрять инновации и поддерживать передовые технологии, такие как искусственный интеллект. Чтобы получить как признание, так и признание, ИИ необходимо применять в реальной жизни к реальным проблемам, которые приносят реальные результаты. Но в конечном итоге бизнесом занимаются люди, которым приходится принимать важные решения в условиях нестабильности, двусмысленности и неопределенности. Как сказал Арт Пек, бывший генеральный директор Gap Inc. на прошлогодней отраслевой конференции Shoptalk, ритейлерам предстоит сделать выбор: Измениться или потерпеть неудачу. Использование ИИ для создания более умных, управляемых данными решения - это не просто хороший бизнес - это первостепенное значение для выживания.