मशीन लर्निंग का उपयोग करना मुश्किल नहीं है। एक हफ्ते तक इसके लिए पर्याप्त ...

पिछले लेखों में, मैंने मूल्य निर्धारण की मूल बातें और क्लासिक रिटेल के लिए ग्राहक निर्णय पेड़ बनाने के बारे में बात करने की कोशिश की। इस लेख में मैं आपको एक बहुत ही गैर-मानक मामले के बारे में बताऊंगा और आपको यह समझाने की कोशिश करूँगा कि मशीन लर्निंग का उपयोग करना उतना मुश्किल नहीं है जितना लगता है। लेख कम तकनीकी है और यह दिखाने की अधिक संभावना है कि आप छोटे से शुरू कर सकते हैं और यह पहले से ही व्यापार को मूर्त लाभ पहुंचाएगा।

प्रारंभिक समस्या

हमारे महाद्वीप पर दुकानों की एक श्रृंखला है जो सप्ताह में एक बार अपनी वर्गीकरण को बदलती है, उदाहरण के लिए, पहले ओवरलॉक और फिर पुरुषों के खेलों को बेचता है। सभी अनसोल्ड माल गोदामों में भेजे जाते हैं और छह महीने बाद फिर से दुकानों में लौट आते हैं। इसी समय, स्टोर में लगभग 6 अलग-अलग श्रेणी के सामान हैं। यानी प्रत्येक सप्ताह के लिए दुकानों का वर्गीकरण निम्नानुसार है:

नेटवर्क ने श्रेणी प्रबंधकों के लिए विश्लेषणात्मक निर्णय समर्थन के लिए एक शर्त के साथ एक श्रेणी नियोजन प्रणाली का अनुरोध किया। व्यवसाय के साथ बात करने के बाद, हमने दो बहुत ही संभावित संभावित समाधानों का प्रस्ताव किया जो परिणाम ला सकते हैं जबकि नियोजन प्रणाली को तैनात किया जा रहा है:

• मुख्य बिक्री के दौरान नहीं बिकने वाले सामानों की बिक्री
• दुकानों में मांग की भविष्यवाणी की सटीकता में सुधार

ग्राहक का पहला बिंदु संतुष्ट नहीं था - कंपनी बिक्री की व्यवस्था नहीं करने और मार्जिन के निरंतर स्तर को बनाए रखने पर गर्व करती है। साथ ही, माल के रसद और भंडारण पर भारी मात्रा में पैसा खर्च किया जाता है। परिणामस्वरूप, दुकानों और गोदामों के अधिक सटीक वितरण के लिए पूर्वानुमान की मांग की सटीकता में सुधार करने का निर्णय लिया गया।

वर्तमान प्रक्रिया

व्यवसाय की प्रकृति के कारण, प्रत्येक व्यक्तिगत उत्पाद लंबे समय तक नहीं बेचा जाता है और शास्त्रीय विश्लेषण के लिए पर्याप्त इतिहास प्राप्त करना समस्याग्रस्त है। वर्तमान पूर्वानुमान प्रक्रिया बहुत सरल है और निम्नानुसार संरचित है - स्टोर की बिक्री के एक छोटे हिस्से में मुख्य बिक्री की शुरुआत से कुछ सप्ताह पहले बिक्री शुरू होती है। परीक्षण की बिक्री के परिणामों के आधार पर, पूरे नेटवर्क में सामानों को पेश करने का निर्णय लिया जाता है और यह माना जाता है कि प्रत्येक दुकान औसत रूप से उतनी ही बिकेगी, जितनी कि परीक्षण दुकानों पर बेची गई थी।

ग्राहक के लिए लैंडिंग, हमने वर्तमान डेटा का विश्लेषण किया, महसूस किया कि क्या हो रहा था, और पूर्वानुमान की सटीकता में सुधार के लिए एक बहुत ही सरल समाधान का प्रस्ताव दिया।

डेटा का विश्लेषण

हमारे द्वारा प्रदान किए गए डेटा से:

• 1 साल और 2 महीने के लिए लेनदेन का इतिहास
• योजना के लिए उत्पाद पदानुक्रम। दुर्भाग्य से, इसमें लगभग पूरी तरह से माल की विशेषताओं का अभाव था, लेकिन बाद में उस पर अधिक
• विशिष्ट सप्ताह के लिए सीमा और कीमतों के बारे में जानकारी
• उन शहरों के बारे में जानकारी जहां दुकानें स्थित हैं

हम थोड़े समय में शेष राशि के बारे में जानकारी को अनलोड करने में सक्षम नहीं थे, जो इस तरह के विश्लेषण में महत्वपूर्ण है (यदि आप इस जानकारी को संग्रहीत नहीं करते हैं, शुरू करें), इसलिए, भविष्य में हमने यह धारणा का इस्तेमाल किया कि सामान समतल पर हैं और माल की कोई कमी नहीं है।

परिणामों को प्रदर्शित करने के लिए तुरंत हमने एक परीक्षण नमूने में 2 महीने को अलग कर दिया। फिर हमने सभी उपलब्ध डेटा को एक बड़े शोकेस में जोड़ा, उन्हें रिटर्न और अजीब बिक्री के लिए मंजूरी दे दी (उदाहरण के लिए, चेक में राशि 0.51 प्रति माल है)। इसमें कई दिन लगे। प्रदर्शन के मामले को तैयार करने के बाद, हमने उच्चतम स्तर पर माल [इकाइयों] की बिक्री को देखा और निम्नलिखित चित्र देखा:

यह तस्वीर कैसे हमारी मदद कर सकती है? .. लेकिन किसके साथ:

• जाहिर है, मौसमी है - वर्ष के अंत में बिक्री मध्य की तुलना में अधिक है
• महीने के भीतर मौसमी है - महीने के मध्य में, बिक्री शुरुआत और अंत में अधिक होती है
• सप्ताह के भीतर मौसमी है - यह इतना दिलचस्प नहीं है, क्योंकि नतीजतन, पूर्वानुमान हफ्तों से बना था

वर्णित वस्तुओं ने व्यापार की पुष्टि की। लेकिन पूर्वानुमान को बेहतर बनाने के लिए ये भी बहुत अच्छे फीचर हैं! पूर्वानुमान मॉडल में उन्हें जोड़ने से पहले, आइए विचार करें कि बिक्री की अन्य विशेषताओं को ध्यान में रखा जाना चाहिए ... "स्पष्ट" विचार मेरे लिए आते हैं:

• विभिन्न उत्पाद समूहों के बीच बिक्री औसतन भिन्न होती है
• विभिन्न दुकानों के बीच बिक्री भिन्न होती है
• (पिछले पैराग्राफ के समान) विभिन्न शहरों के बीच बिक्री भिन्न होती है
• (कम स्पष्ट विचार) व्यवसाय की बारीकियों के कारण, निम्न संबंध दिखाई देता है: यदि भविष्य और पिछले वर्गीकरण समान हैं, तो नई वर्गीकरण की बिक्री कम होगी।

इस पर हमने एक मॉडल को बंद करने और बनाने का फैसला किया।

बिल्डिंग एबीटी ( विश्लेषणात्मक आधार तालिका )

मॉडल के निर्माण के हिस्से के रूप में, सभी सुविधाओं को मॉडल के "सुविधाओं" में अनुवाद किया गया था। परिणामस्वरूप सुविधाओं की सूची इस प्रकार है:

• वर्तमान पूर्वानुमान यानी [स्टोर्स] में टेस्ट स्टोर्स की औसत बिक्री सभी स्टोर्स को वितरित की गई
• महीने की संख्या और महीने में सप्ताह की संख्या
• सभी श्रेणीबद्ध चर (शहर, दुकान, उत्पाद श्रेणियां) को सुचारू रूप से उपयोग करके एन्कोड किया गया था (उपयोगी तकनीक - जो भी इसका अभी तक उपयोग नहीं करता है, उसका उपयोग करें)
• परिकलित लैग 4 उत्पाद श्रेणियों की औसत बिक्री। यानी यदि कंपनी नीली टी-शर्ट बेचने की योजना बनाती है, तो टी-शर्ट श्रेणी की औसत बिक्री की गणना की गई थी

एबीटी सरल निकला, प्रत्येक पैरामीटर व्यापार के लिए समझ में आता था और गलतफहमी या अस्वीकृति का कारण नहीं था। तब यह समझना आवश्यक था कि हम पूर्वानुमान की गुणवत्ता की तुलना कैसे करेंगे।

मैट्रिक चयन

ग्राहक ने एमएपीई मीट्रिक का उपयोग करके वर्तमान पूर्वानुमान सटीकता को मापा। मीट्रिक लोकप्रिय और सरल है, लेकिन पूर्वानुमान मांग की बात आने पर इसके कुछ नुकसान हैं। तथ्य यह है कि एमएपीई का उपयोग करते समय, पूर्वानुमान प्रकार की त्रुटियों का अंतिम संकेतक पर सबसे अधिक प्रभाव पड़ता है:

900% की एक सापेक्ष पूर्वानुमान त्रुटि - यह बड़ा लगता है, लेकिन चलो किसी अन्य उत्पाद की बिक्री को देखें:

सापेक्ष पूर्वानुमान त्रुटि 33% है, जो कि 900% से बहुत कम है, लेकिन 100 [इकाइयों] के विचलन का पूर्ण विचलन 18 [इकाइयों] के विचलन की तुलना में व्यवसाय के लिए बहुत अधिक महत्वपूर्ण है। इन विशेषताओं को ध्यान में रखने के लिए, आप अपने स्वयं के दिलचस्प उपायों के साथ आ सकते हैं, या आप पूर्वानुमान की मांग में एक और लोकप्रिय उपाय का उपयोग कर सकते हैं - WAPE । यह उपाय उच्च बिक्री वाले सामानों को अधिक वजन देता है, जो कार्य के लिए बहुत अच्छा है।

हमने पूर्वानुमान त्रुटियों को मापने के लिए विभिन्न तरीकों के बारे में कंपनी को बताया, और ग्राहक स्वेच्छा से इस बात पर सहमत हुए कि इस कार्य में WAPE का उपयोग करना अधिक उचित है। उसके बाद, हमने हाइपर मापदंडों को ट्यून किए बिना लगभग रैंडम फ़ॉरेस्ट लॉन्च किया और निम्नलिखित परिणाम प्राप्त किए।

परिणाम

परीक्षण अवधि के पूर्वानुमान के बाद, हमने वास्तविक लोगों के साथ-साथ कंपनी के पूर्वानुमान के साथ अनुमानित मूल्यों की तुलना की। नतीजतन, एमएपीई में 15% से अधिक की कमी आई, WAPE में 10% से अधिक की कमी आई । व्यापार संकेतकों पर बेहतर पूर्वानुमान के प्रभाव की गणना करने के बाद, लाखों डॉलर की बड़ी राशि के बजाय लागत में कमी प्राप्त की गई थी।
1 सप्ताह सभी काम पर खर्च किया गया था!

आगे के कदम

ग्राहक के लिए एक बोनस के रूप में, हमने एक छोटा DQ प्रयोग किया। एक उत्पाद समूह के लिए, उत्पाद नामों से, हमने विशेषताओं (रंग, उत्पाद का प्रकार, संरचना, आदि) को पार्स किया और उन्हें पूर्वानुमान में जोड़ा। परिणाम प्रेरणादायक था - इस श्रेणी में, दोनों त्रुटि उपायों में 8% से अधिक सुधार हुआ।

परिणामस्वरूप, ग्राहक को प्रत्येक विशेषता, मॉडल मापदंडों, एबीएसटी-शोकेस के विधानसभा मापदंडों का विवरण दिया गया और पूर्वानुमान में सुधार के लिए और कदमों का वर्णन किया गया (एक वर्ष से अधिक के लिए ऐतिहासिक डेटा का उपयोग करें; शेष राशि का उपयोग करें; माल की विशेषताओं का उपयोग करें, आदि)।

निष्कर्ष

ग्राहक के साथ सहयोग के एक सप्ताह के लिए, पूर्वानुमान की सटीकता को महत्वपूर्ण रूप से बढ़ाना संभव था, जबकि व्यावहारिक रूप से व्यवसाय की प्रक्रिया में बदलाव नहीं हुआ।
निश्चित रूप से अब बहुत से लोग सोचते हैं कि यह मामला बहुत सरल है और वे कंपनी में इस दृष्टिकोण से नहीं हट सकते। अनुभव बताता है कि लगभग हमेशा ऐसे स्थान होते हैं जहां केवल मूल धारणाएं और विशेषज्ञ राय का उपयोग किया जाता है। इन जगहों से आप मशीन लर्निंग का उपयोग शुरू कर सकते हैं। ऐसा करने के लिए, आपको डेटा को सावधानीपूर्वक तैयार करने और अध्ययन करने की आवश्यकता है, व्यवसाय के साथ बात करें और उन लोकप्रिय मॉडल को लागू करने का प्रयास करें जिनके लिए लंबी ट्यूनिंग की आवश्यकता नहीं है। और स्टैकिंग, एम्बेडिंग सुविधाएँ, जटिल मॉडल - यह सब बाद के लिए है। मुझे आशा है कि मैंने आपको आश्वस्त किया है कि यह उतना मुश्किल नहीं है जितना यह लग सकता है, आपको बस थोड़ा सोचने की जरूरत है और शुरू करने से डरने की नहीं।

मशीन लर्निंग से डरो मत, उन जगहों की तलाश करें जहां इसे प्रक्रियाओं में इस्तेमाल किया जा सकता है, अपने डेटा पर शोध करने से डरो मत और सलाहकारों को उनके पास आने दें और शांत परिणाम प्राप्त करें।

पुनश्च हम अनुभवी जेडी के मार्गदर्शन में रिटेल इंटर्नशिप के लिए युवा पडावन छात्र छात्रों की भर्ती कर रहे हैं। शुरू करने के लिए, एसक्यूएल का सामान्य ज्ञान और ज्ञान पर्याप्त है, हम बाकी को सिखाएंगे। आप एक व्यवसाय विशेषज्ञ या तकनीकी सलाहकार के रूप में विकसित कर सकते हैं, जो भी अधिक दिलचस्प है। यदि ब्याज या सिफारिशें हैं - एक व्यक्तिगत में लिखें