Блог

Научный подход с применением AI / ML для улучшения планограмм в ритейле

Планограмма — это модель, которая точно определяет, сколько товаров должно быть на полках магазинов, чтобы максимизировать продажи и улучшить качество обслуживания клиентов. Традиционно предприятия розничной торговли и производства потребительских товаров в значительной степени полагались на свою прошлую статистику для прогнозирования и использовали эвристические методы и человеческое суждение для составления планограммы ассортимента продукции, что приводило к потере продаж из-за отсутствия товара (ов), к увеличению потерь из-за испорченных продуктов, и влекло за собой высокие затраты на хранение товаров. Компании, занимающиеся розничной торговлей и производством потребительских товаров, начали понимать, что традиционный подход имеет свои ограничения и требует переосмысления в условиях быстро развивающегося и высококонкурентного рынка.

Тем не менее, прежде чем начать внедрять технологии машинного обучения (ML) для создания планограмм, стоит ответить на несколько вопросов.

1. Есть ли у нас исторические данные о продажах в доступном виде для применения в AI / ML?
2. Стоит ли разрабатывать свою или покупать готовую планограмму на основе AI / ML?
3. Как обеспечить успешное внедрение планограммы на основе машинного обучения?

Есть ли у нас исторические данные о продажах в доступном состоянии для внедрения AI / ML?

Прежде чем приступить к широкомасштабному внедрению AI / ML по ассортименту планограмм, компании должны учитывать две вещи:

1. Получение информации из массива данных: исторические данные об эффективности продаж — ключевой элемент в построении рекомендаций планограммы на основе AI / ML. Поэтому наиболее важным соображением является сосредоточение внимания на создании централизованного репозитория данных, чтобы сделать данные доступными на платформе общедоступного облака, наряду с другими историческими данными о сигналах продаж, такими как рекламные акции, скидки и демографические данные, и пр. Исторические данные о продажах в сочетании с внешними источниками, такими как погода, праздники и т. д., помогут спрогнозировать и рекомендовать идеальный ассортимент планограмм, выявив прошлые модели продаж.
2. Обновление устаревших ИТ систем и человеческих суждений с помощью стратегий, ориентированных на данные: традиционные методы прогнозирования и прогностические модели, основанные на человеческих суждениях, имеют ограничения, а устаревшие системы затрудняют внедрение ИИ / машинного обучения. Без переосмысления и разработки стратегии расходов на ИТ нереально заменить эти устаревшие системы одним махом. Компания должна внедрять поэтапный подход, начиная с лучшего управления данными и управления; рационализация ИТ-архитектуры; внедрение облака для увеличения вычислительной мощности и возможности ИИ / машинного обучения; внедрение MLOps и DevSecOps для автоматизации процесса разработки непрерывной интеграции, непрерывной доставки, инноваций и мониторинга.

Строить или покупать?

Преодолев первоначальные препятствия и решив продолжить разработку планограмм на основе AI / ML, пришло время ответить на вопрос на миллион долларов: разработать или купить готовое решение?

Разработка собственного решения (встроенного модуля)

Несмотря на то, что на рынке доступны коммерческие готовые решения для построения планограмм на основе AI / ML, важно оценить решение и сделать правильную оценку. Ключевые факторы, которые помогут принять решение, могут включать:

• Уникальные факторы, характерные для отрасли, такие как сочетание существующих и новых продуктов для очень частого изменения ассортимента, новые или инновационные продукты, появляющиеся в магазинах почти каждый месяц, а также затраты и сложность, связанные с интеграцией продукта AI / ML с созданным на заказ мобильное приложение визуального ассортимента или другие приложения для рецептов.
• Получение полного владения кодом и моделью критически важно, чтобы избежать компрометации коммерческой тайны и сохранить конкурентное преимущество.
• Промышленность берет на себя долгосрочные обязательства и воспринимает внедрение технологий AI / ML как отличительный признак.
• В некоторой степени плюсы создания и внедрения индивидуального решения с использованием MLOps перевешивают минусы покупки решения и его настройки в соответствии с текущими потребностями, учитывая частоту вероятного переобучения моделей.

Для компаний по производству и продаже потребительских товаров специализированные решения скорее всего будут работать лучше из-за ограничений, с которыми им придется иметь дело в местах расположения физических магазинов.

Покупка готового решения

Для малых и средних предприятий розничной торговли целесообразно покупать коммерческое решение для построения планограмм, а не строить его, поскольку эти приложения принесут быструю отдачу и могут использовать предварительно обученные модели, созданные поставщиком продукта с использованием реальных данных, что приведет к более высокой точности. Не тратьте время зря, вкладывая средства в наем и обучение нужных специалистов и вспомогательную инфраструктуру. Даже если мелкие и средние предприятия розничной торговли решат создать свой собственный ИИ с помощью инструментов с открытым исходным кодом, это потребует значительных денежных вложений и может занять месяцы на обучение алгоритмов.

Готовые коммерческие решения для создания планограмм на основе искусственного интеллекта обеспечивают преимущества, помогая понять локализованные модели поведения клиентов и операционные процессы, что позволяет принимать решения на основе данных. Они также помогают сократить время, затрачиваемое на очистку данных, устранение производственных проблем и предотвращение повторного изобретения колеса при ежедневном развертывании моделей или создании документации и передовых практик для автоматизации процессов.

Как мы можем помочь обеспечить успешное внедрение планограммы на основе машинного обучения?

Весь восторг от внедрения планограммы на основе AI/ML будет недолгим, если компании не установят надлежащие критерии оценки, не обратятся за консультацией к профильным экспертам, не обучат персонал на местах принимать и использовать рекомендации ML, и, что самое важное, не интегрируют результаты решения по планограмме с системой потребления или приложением.

Мы можем помочь обеспечить готовность к внедрению планограмм на основе AI / ML:

• Определение соответствующих метрик для оценки:

Заинтересованные лица, участвующие в разработке планограмм на основе AI/ML, играют важную роль в обеспечении успеха планограмм на основе AI/ML. На протяжении всего пути, от первоначальной разработки концепции до создания пробного варианта и внедрения решения в производство, их опыт необходим для определения целей и ключевых показателей эффективности и оценки рекомендаций на основе AI/ML в соответствии с ними. Для оценки успеха рекомендаций важно оценить рост продаж в магазинах, использующих рекомендации AI/ML, по сравнению с магазинами, не использующими планограмму, и сравнить темпы роста по сравнению с предыдущей неделей и той же неделей прошлого года, а также измерить снижение расходов, связанных с логистикой.

• Тестирование и обучение:

Заинтересованные стороны инициативы ML-планограмм должны рассказать и объяснить, почему рекомендации, основанные на ML, являются ключевыми для роста бизнеса и представляют собой более научный способ выполнения ассортимента планограмм для максимизации продаж, оптимизации логистики и согласования с общей стратегией организации. Тестирование и обучение можно проводить по кусочкам, чтобы измерить и оценить KPI, определенные путем выбора нескольких тестовых магазинов. Рекомендации по ML-продуктам для выбранных магазинов должны быть доступны через интегрированное мобильное приложение для доставки и схем и могут быть использованы сотрудниками магазинов для выполнения ассортимента планограммы. Тестирование и обучение может проводиться в течение от нескольких недель до нескольких месяцев, в зависимости от поставленных задач и целей. После успешного прохождения этапа тестирования и обучения следует принять решение о внедрении решения во всех магазинах.

Подводя итоги, можно сказать, что AI / ML прошел долгий путь, чтобы помочь компаниям, занимающимся розничной торговлей и FMCG получать аналитическую информацию на основе данных, увеличивать продажи, опережать своих конкурентов и, что более важно, лучше понимать поведение клиентов, что приводит к повышению их удовлетворенности.

Пример внедрения планограмм в России

Посмотрите решения Висолв по разработке и внедрении AI/ ML

• 
  Разработка систем бизнес аналитики (BI, business intelligence ) с применением AI/ML
  Разработка систем бизнес аналитики (BI, business intelligence ) с применением AI/ML Искусственный интеллект (AI) в системе бизнес-анализа (Business Intelligence).  Разработка BI системы.  Заказать проект Для чего нужен модуль ИИ? Модуль ИИ (AI) для системы business intelligence интересен в первую очередь компаниям, перед которыми сегодня стоит (или возникнет в ближайшем будущем) задача усовершенствования автоматизированной системы для […]
• 
  Разработка систем предиктивной аналитики (predictive analytics), аналитика больших данных, прогнозирование
  Разработка систем предиктивной аналитики (predictive analytics), аналитика больших данных, прогнозирование Предиктивная аналитика (ПА) — катализатор для получения прибыли через внедрение инновационных решений.  Заказать проект Для чего нужен модуль ПА? Механизмы ПА отвечают за прогнозирование того, что случится в будущем в конкретной отрасли. Предиктивная аналитика понимается как отдельный класс методов анализа данных, связанных с определением моделей […]
• 
  Разработка рекомендательных систем и решений на основе Al/ML
  Разработка рекомендательных систем и решений на основе Al/ML Рекомендательные системы — программы, которые предсказывают, какие объекты будут интересны пользователю, имея определенную информацию о его профиле.  Заказать проект Для чего нужна рекомендательная система на основе машинного обучения? Задача рекомендательной системы – проинформировать пользователя о товаре, который ему может быть наиболее интересен в данный момент времени. Клиент […]