I vores bestræbelser på konstant at udvikle nye teknologier til vores SCM-software og vores kunder, har vi tilføjet to nye machine learning funktioner inden for AGR Inventory-modulet.
Mens vores AGR-software har haft maskinlæringsfunktioner i årevis, vil disse to nye funktionaliteter hjælpe med at give din forsyningskæde det ekstra løft i forhold til dine konkurrenter.
Før vi går i gang, lad os gennemgå det grundlæggende. Machine learning er en automatisk computeranalyse, der bruger data til at finde mønstre og skabe prognoser. Maskinlæring bruger data til at skabe et program, programmet lærer af erfaring og beslutter derefter ud fra denne erfaring. Det er ligesom mennesker – vi får viden, lærer af erfaringer og træffer så beslutninger baseret på den viden og erfaring, vi har. Et af de mest almindelige eksempler på maskinlæring er “Sammenlign med lignende varer” på Amazon, som det ses på billedet nedenfor:
Øgede mængder af data og fremskridt inden for softwareteknologier har resulteret i, at maskinlæring har vundet stor popularitet på det seneste – men data er afgørende for at kunne bruge maskinlæringsteknikker. Hvilket er præcis, hvad de fleste af vores kunder har – en masse data!
Vi har lavet to modeller.Den første er en model, der finder sammenhæng mellem produkter – det vil sige, at den identificerer produkter, der ofte sælger sammen (som ovenstående eksempel fra Amazon). Og den anden er en model, der finder lignende produkter i kundens produktsortiment.
Tilføjelse af korrelation til AGR-beholdning
Den første model, korrelationsmodellen, ser over salgshistorikken og identificerer positiv korrelation/halo-effekt mellem forskellige produkter. Et typisk eksempel på dette er hotdogs og pølsebrød. Hvis salget af hotdogs stiger, for eksempel på grund af prisnedsættelse eller på grund af vejret, så vil salget af hotdogbrød stige med næsten samme procent. De data, vi havde brug for til denne analyse, er simple transaktionsdata, som alle vores kunder generelt har ved hånden.
Følgende eksempler på identificerede korrelationer kommer fra en af vores kunder. Når vi så på deres data, fandt vi ud af, at følgende to elementer, en kulinarisk fakkel og butanbrændstof, har en regel om 80% korrelation. Det betyder, at 80 % af tiden, som en kunde køber en kulinarisk fakkel, vil de også købe en lille tank butan.
Et andet eksempel på denne type korrelation kan ses mellem følgende FireWire-kabel og Apple-adapteren med en 50 procent korrelation. Selvom denne sammenhæng ikke er så stærk som det foregående eksempel, betyder det, at 50 procent af tiden, hvor kunder køber et FireWire-kabel, køber de også en adapter, så kablet passer til Apple-computere.
For at indsætte denne teknologi i vores software brugte vi vores kraftfulde planlægningsmotor. Inden for AGR Inventory-modulet brugte vi planlæggeren til at vise resultaterne af korrelationsmodellen på en enkel og brugbar måde, som det ses nedenfor. Denne visning viser en liste over dine produkter, hvor de første to kolonner indeholder deres numre og navne, og de sidste to kolonner viser et link til mulige korrelerede varer eller lignende varer.
Når vi klikker på linket ‘korrelerede varer’ for et af produkterne, åbnes en ny visning. Følgende produkt er et forstørrelsesglas med et lys, og dets nummer og navn er i de første to kolonner (rød boks). I de næste to kolonner ser vi så antallet og navnet på de produkter, der er korreleret til forstørrelsesglasset (grøn boks), og i den sidste kolonne,vi ser korrelationsprocenten. Vi kan derfor se, at dette forstørrelsesglas har korrelation med to produkter: en 4-pak og en 10-pak AA-batterier, som netop er de batterier, der bruges til forstørrelsesglasset. Cirka 29 procent af kunderne køber en 4-pak batterier, når de køber forstørrelsesglasset, og 11 procent køber en 10-pak batterier.
Disse to visninger, som vi ser her, er meget enkle og viser kun sammenhæng mellem produkterne, dog er vi i stand til at sætte denne funktionalitet ind i de planer, du ønsker, og derved bruge denne information, mens vi planlægger salget af produkter.
Flere muligheder i overflod
Brug af denne maskinlæringsteknologi i din AGR-opsætning kan åbne en masse nye muligheder for din virksomhed. For det første kan det være utrolig nyttigt at kende sammenhængen mellem varer, når du planlægger kampagner, da et øget salg af et bestemt produkt også påvirker de produkter, hvori
det er korreleret. Når brugeren planlægger en promovering af for eksempel forstørrelsesglasset med lyset, vil de kunne se butanbrændstoftanken opført som en korreleret vare, og informere dem om, at salget af forstørrelsesglasset også vil øge salget af batterierne. Selvom dette kan virke som sund fornuft, vil det spare en masse tid og penge for din virksomhed, når en virksomhed arbejder med tusindvis af SKU’er, hvis softwaren gør arbejdet for dig. Planlægning af kampagner med disse oplysninger med AGR Inventory kan hjælpe brugeren med at se den sande overordnede effekt af kampagnen.
Disse oplysninger kan også bruges til priser og butikslayout. Hvis vi tænker igen på den kulinariske fakkel, er 80% korrelation naturligvis en betydelig høj korrelation, men vi kan antage, at brændstoffet ikke kommer med faklen. Kunden bliver nødt til at købe butanbrændstoffet for at bruge faklen, så dette ville være en mulighed for at gøre mere salg og øge korrelationen mellem disse to produkter tættere på 100 procent ved at undersøge produkternes layout i butikken, priser osv. .
At kende korrelationsraterne i online-detailhandel er også utrolig nyttigt, som når kunden tilføjer forstørrelsesglasset til sin kurv, så kan vi påpege det faktum, at andre kunder ofte køber AA-batterier på samme tid. tid og dermed tilskynde ham til at gøre det samme, ligesom det første Amazon-eksempel ‘Ofte købt sammen’.
Identifikation af lignende varer med Machine Learning
næste model, vi skabte, finder lignende produkter i produktsortimentet. Et eksempel på dette kan ses nedenfor med flere forskellige typer ketchup:
De nødvendige data at finde disse ligheder findes allerede i AGR-systemet, for eksempel produktnavn, beskrivelse, pris, farve, produktgruppe osv. Da produktegenskaber kan skelne mellem virksomheder og hvordan de definerer eller beskriver deres produkter, kan vi også bruge forskellige oplysninger, hvis nødvendigt Generelt gælder det, at jo mere information vi har om produkterne, jo bedre bliver resultaterne.
Når vi ser på alle varer i en typisk detailbutik, kan vi også se lignende varer i deres system. For et bestemt produkt, i dette tilfælde en sort Focus-kikkert, viser systemet de tre produkter, det beregner, som dets mest lignende produkter. Som vi kan se, er resultaterne tre meget ens kikkerter.
Når vi igen ser på vores planlægger, har vi oprettet en ‘Lignende genstande’-kolonne ved siden af ’Korrelerede emner’. Hvis vi igen tager det samme forstørrelsesglas som eksempel, men nu trykker på ‘Sammenlignende emner’-knappen, der åbnes en ny visning, der viser de tre andre forstørrelsesglas med et lys, ligesom vores originale produkt.
Tilføjelse af nye elementer Er enkel
Brug af denne maskinlæringsteknologi i AGR-softwaren giver en masse ny funktionalitet til vores kunder. For det første kan disse oplysninger bruges til at oprette en salgshistorik for nye produkter. Når et nyt produkt uden salgshistorik kommer ind i AGR, vil systemet vise brugeren de tre produkter, der minder mest om dette nye produkt, og brugeren kan vælge et af disse produkter og dets salgshistorik for at oprette en prognose for dette nye produkt .
Denne model kan også bruges til at planlægge kampagner. Lignende produkter har ofte negativ sammenhæng med hinanden, f.eks. hvis du har to ens produkter fra to forskellige producenter, og du sætter den ene på promovering, vil salget af det stige, mens salget af det lignende produkt samtidig falder. At vide dette vil give dig mulighed for at se og forstå den overordnede effekt af at sætte et produkt på promovering inden for dine forretningsaktiviteter.
Endelig kan denne information også bruges til at håndtere prisændringer, for når der foretages langsigtede ændringer til prisen på et produkt, vil det generelt påvirke købsmønsteret for produktet og produkter, der ligner det. Så hvis for eksempel Hunts ketchup pludselig faldt i pris og ville være billigere end Euroshopper eller Coop ketchup,det er meget sandsynligt, at købsmønstrene for disse produkter vil ændre sig permanent.
Omfavnelse af ny teknologi
Maskinlæring kan bruges på forskellige måder i salg og lagerplanlægning. Vi hos AGR Dynamics tror på, at denne teknologi kan være utrolig værdifuld for vores kunder, og vi stræber efter at være på forkant med nye teknologiændringer og inkorporere dem i vores supply chain management software. Disse nye udviklinger kan gøre arbejdet meget lettere for vores kunder, ved både at give dem forslag og informere dem om årsagerne til de beslutninger, de træffer. Disse to nye funktioner vil hjælpe med at give vores kunder et bedre overblik over deres produkt og øge deres effektivitet i lagerstyring.
