في المقالات السابقة ، حاولت أن أتحدث عن أساسيات التسعير وبناء شجرة قرارات العملاء لتجارة التجزئة الكلاسيكية. في هذه المقالة ، سوف أخبرك عن حالة غير قياسية للغاية وأحاول إقناعك بأن استخدام التعلم الآلي ليس بالأمر الصعب كما يبدو. هذه المقالة أقل تقنية ، ومن المرجح أن تظهر أنه يمكنك البدء بشكل صغير وهذا سيؤدي بالفعل إلى تحقيق فوائد ملموسة لرجال الأعمال.
المشكلة الأولية
هناك سلسلة من المتاجر في قارتنا تقوم بتغيير مجموعة متنوعة مرة واحدة في الأسبوع ، على سبيل المثال ، تبيع أولاً overlocks ثم ملابس رياضية للرجال. يتم إرسال جميع البضائع غير المباعة إلى المستودعات وعاد بعد ستة أشهر إلى المتاجر مرة أخرى. في الوقت نفسه ، يحتوي المتجر على حوالي 6 فئات مختلفة من البضائع. أي مجموعة متنوعة من المتاجر لكل أسبوع على النحو التالي:
طلبت الشبكة نظام تخطيط النطاق مع شرط أساسي لدعم القرار التحليلي لمديري الفئات. بعد التحدث مع رجال الأعمال ، اقترحنا حلين محتملين سريعين للغاية يمكن أن يحققا نتائج أثناء نشر نظام التخطيط:
- مبيعات البضائع التي لا تباع خلال المبيعات الرئيسية
- تحسين دقة التنبؤ بالطلب في المتاجر
النقطة الأولى من العميل لم تكن راضية - تفخر الشركة بعدم ترتيب المبيعات والحفاظ على مستوى ثابت من الهامش. في الوقت نفسه ، يتم إنفاق مبالغ ضخمة على الخدمات اللوجستية وتخزين البضائع. ونتيجة لذلك ، تقرر تحسين دقة التنبؤ بالطلب من أجل توزيع أكثر دقة للمستودعات والمستودعات.
العملية الحالية
نظرًا لطبيعة العمل ، لا يتم بيع كل منتج على حدة لفترة طويلة ومن الصعب الحصول على تاريخ كافٍ للتحليل الكلاسيكي. عملية التنبؤ الحالية بسيطة للغاية وهي منظمة على النحو التالي - قبل بضعة أسابيع من بدء المبيعات الرئيسية في جزء صغير من مبيعات اختبار المتاجر. استنادًا إلى نتائج مبيعات الاختبار ، يتم اتخاذ قرار بإدخال البضائع إلى الشبكة بالكامل ، ويُفترض أن كل متجر سيبيع في المتوسط بقدر بيعه في متاجر الاختبار.
بعد الهبوط للعميل ، قمنا بتحليل البيانات الحالية ، وأدركنا ما كان يحدث ، وقدمنا حلاً بسيطًا للغاية لتحسين دقة التوقعات.
تحليل البيانات
من البيانات التي زودنا بها:
- سجل المعاملات لمدة 1 سنة و 2 أشهر
- التسلسل الهرمي المنتج للتخطيط. لسوء الحظ ، كانت تفتقر إلى ميزات البضاعة تمامًا تقريبًا ، ولكن أكثر من ذلك في وقت لاحق
- معلومات حول النطاق والأسعار لأسابيع محددة
- معلومات حول المدن التي توجد بها المتاجر
لم نتمكن من تفريغ معلومات حول الأرصدة في وقت قصير ، وهو أمر بالغ الأهمية في هذا النوع من التحليل (إذا لم تقم بتخزين هذه المعلومات ، ابدأ) ، لذلك ، في المستقبل ، استخدمنا الافتراض بأن البضائع على الرفوف وليس هناك نقص في البضائع.
على الفور قمنا بفصل 2 أشهر في عينة اختبار لإظهار النتائج. بعد ذلك ، قمنا بدمج جميع البيانات المتاحة في عرض واحد كبير ، وقم بمسحها للعائدات والمبيعات الغريبة (على سبيل المثال ، المبلغ في الشيك هو 0.51 لكل قطعة من البضائع). استغرق الأمر عدة أيام. بعد إعداد علبة العرض ، نظرنا في بيع السلع [الوحدات] على أعلى مستوى ورأينا الصورة التالية:
كيف يمكن أن تساعدنا هذه الصورة؟ .. ولكن بما يلي:
- من الواضح أن هناك موسمية - المبيعات في نهاية العام أعلى مما كانت عليه في المنتصف
- هناك موسمية خلال الشهر - في منتصف الشهر ، المبيعات أعلى مما كانت عليه في البداية وفي النهاية
- هناك موسمية خلال الأسبوع - إنها ليست مثيرة للاهتمام للغاية ، لأن نتيجة لذلك ، تم إجراء التوقعات قبل أسابيع
وأكدت العناصر المذكورة الأعمال. لكن هذه أيضًا ميزات رائعة من أجل تحسين التوقعات! قبل إضافتها إلى نموذج التنبؤ ، دعونا نفكر في ميزات المبيعات الأخرى التي يجب مراعاتها ... تتبادر إلى الأذهان الأفكار "الواضحة":
- تختلف المبيعات في المتوسط بين مجموعات المنتجات المختلفة
- تختلف المبيعات بين المتاجر المختلفة
- (على غرار الفقرة السابقة) تختلف المبيعات بين المدن المختلفة
- (فكرة أقل وضوحًا) نظرًا لخصائص العمل ، تكون العلاقة التالية مرئية: إذا كان المستقبل والتشكيل السابق متشابهان ، فإن مبيعات التشكيلة الجديدة ستكون أقل.
في هذا قررنا التوقف وبناء نموذج.
كجزء من بناء النموذج ، تمت ترجمة جميع الميزات الموجودة إلى "ميزات" للنموذج. فيما يلي قائمة الميزات المستخدمة كنتيجة:
- التوقعات الحالية أي متوسط مبيعات متاجر الاختبار في [وحدات] موزعة على جميع المتاجر
- رقم الشهر ورقم الأسبوع في الشهر
- تم تشفير جميع المتغيرات الفئوية (المدينة ، المتجر ، فئات المنتجات) باستخدام الاحتمالية السلسة (تقنية مفيدة - من لم يستخدمها بعد ، استخدمها)
- التأخر المحسوب 4 متوسط مبيعات فئات المنتجات. أي إذا كانت الشركة تخطط لبيع قميصًا أزرق ، فسيتم حساب معدل تأخير متوسط مبيعات فئة القميص
لقد تبين أن ABT كانت بسيطة ، فكل معلمة كانت مفهومة للعمل ولم تتسبب في سوء فهم أو رفض. ثم كان من الضروري أن نفهم كيف سنقارن بين جودة التوقعات.
اختيار متري
قام العميل بقياس دقة التنبؤ الحالية باستخدام مقياس MAPE . المقياس شائع وبسيط ، ولكن له بعض العيوب عندما يتعلق الأمر بتوقع الطلب. الحقيقة هي أنه عند استخدام MAPE ، يكون لأخطاء نوع التنبؤ تأثير كبير على المؤشر النهائي:
خطأ تنبؤي نسبته 900٪ - يبدو كبيرًا ، لكن دعونا نلقي نظرة على مبيعات منتج آخر:
الخطأ المتوقع النسبي هو 33 ٪ ، وهو أقل بكثير من 900 ٪ ، ولكن الانحراف المطلق لانحراف 100 [وحدة] هو أكثر أهمية بكثير لرجال الأعمال من انحراف 18 [وحدة]. لأخذ هذه الميزات في الاعتبار ، يمكنك الخروج بتدابيرك المثيرة للاهتمام ، أو يمكنك استخدام مقياس شائع آخر في التنبؤ بالطلب - WAPE . يعطي هذا التدبير وزناً أكبر للبضائع ذات المبيعات الأعلى ، وهو أمر عظيم بالنسبة للمهمة.
أخبرنا الشركة عن الطرق المختلفة لقياس أخطاء التنبؤات ، واتفق العميل عن طيب خاطر على أن استخدام WAPE في هذه المهمة هو أكثر منطقية. بعد ذلك ، أطلقنا Random Forest تقريبًا دون ضبط المعلمات التشعبية وحصلنا على النتائج التالية.
النتائج
بعد التنبؤ بفترة الاختبار ، قمنا بمقارنة القيم المتوقعة بالقيم الفعلية ، وكذلك بتوقعات الشركة. نتيجة لذلك ، انخفض MAPE بأكثر من 15٪ ، بينما انخفض WAPE بأكثر من 10٪ . بعد حساب تأثير التوقع المحسّن على مؤشرات الأعمال ، تم الحصول على تخفيض في التكاليف بمقدار كبير إلى حد ما بملايين الدولارات.
قضيت أسبوع واحد في كل العمل!
خطوات إضافية
كمكافأة للعميل ، أجرينا تجربة DQ صغيرة. بالنسبة لمجموعة منتجات واحدة ، من أسماء المنتجات ، قمنا بتحليل الخصائص (اللون ، ونوع المنتج ، والتكوين ، وما إلى ذلك) وقمنا بإضافتها إلى التنبؤ. كانت النتيجة ملهمة - في هذه الفئة ، تحسنت كل من تدابير الخطأ أكثر من 8 ٪ إضافية.
ونتيجة لذلك ، تم إعطاء العميل وصفًا لكل ميزة ، ومعلمات النموذج ، ومعلمات التجميع الخاصة بواجهة العرض ABT ووصف خطوات أخرى لتحسين التنبؤ (استخدم البيانات التاريخية لأكثر من عام ؛ استخدم الأرصدة ؛ استخدم خصائص البضاعة ، إلخ).
الخاتمة
لمدة أسبوع واحد من التعاون مع العميل ، كان من الممكن زيادة دقة التنبؤ بشكل ملحوظ ، مع عدم تغيير عملية الأعمال بشكل عملي.
من المؤكد أن الكثير من الناس يعتقدون الآن أن هذه الحالة بسيطة للغاية ولا يمكنهم الخروج بهذا النهج في الشركة. تُظهر التجربة أنه توجد دائمًا أماكن تستخدم فيها الافتراضات الأساسية وآراء الخبراء فقط. من هذه الأماكن ، يمكنك البدء في استخدام التعلم الآلي. للقيام بذلك ، تحتاج إلى إعداد البيانات ودراستها بعناية والتحدث مع الشركة ومحاولة تطبيق الطرز الشائعة التي لا تتطلب ضبطًا طويلًا. والتكديس ، تضمين الميزات ، النماذج المعقدة - كل هذا في وقت لاحق. آمل أن أكون قد أقنعتك أنه ليس بالأمر الصعب الذي قد يبدو ، ما عليك سوى التفكير قليلاً وعدم الخوف من البدء.
لا تخف من التعلم الآلي ، ابحث عن الأماكن التي يمكن استخدامها في العمليات ، ولا تخف من البحث في بياناتك والسماح للاستشاريين بالوصول إليها والحصول على نتائج رائعة.
ملحوظة: نحن نقوم بتوظيف طلاب طلاب Padawan الشباب للتدريب الداخلي للبيع بالتجزئة تحت إشراف جدي. للبدء ، والحس السليم ومعرفة SQL تكفي ، سنقوم بتعليم الباقي. يمكنك أن تتطور إلى خبير أعمال أو مستشار تقني ، أيهما أكثر إثارة للاهتمام. إذا كان هناك اهتمام أو توصيات - الكتابة بشكل شخصي