I vores bestræbelser på konstant at udvikle nye teknologier til vores SCM-software og vores kunder har vi tilføjet to nye maskinlæringsfunktioner i AGR Inventory-modulet. Mens vores AGR-software har haft maskinlæringsfunktioner i årevis, vil disse to nye funktioner hjælpe med at give din forsyningskæde det ekstra boost i forhold til dine konkurrenter.
Før vi går i gang, lad os gennemgå det grundlæggende. Maskinlæring er en automatisk computeranalyse, der bruger data til at finde mønstre og oprette prognoser. Maskinlæring bruger data til at oprette et program, programmet lærer af erfaring og beslutter derefter baseret på denne oplevelse. Det er ligesom mennesker – vi får viden, lærer af erfaring og træffer derefter 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 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 skabte 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 på salgshistorikken og identificerer positiv korrelation/halo-effekt mellem forskellige produkter. Et typisk eksempel på dette er hotdogs og hotdogbrød. Hvis salget af hotdogs stiger, f.eks. på grund af en prisnedsættelse eller på grund af vejret, vil salget af hotdogbrød stige med næsten samme procentdel. De data, vi havde brug for til denne analyse, er simple transaktionsdata, som alle vores kunder generelt har ved hånden.
Følgende eksempler på identificerede sammenhænge kommer fra en af vores kunder. Da vi kiggede på deres data, fandt vi, at de følgende to elementer, en kulinarisk fakkel og butanbrændstof, har en regel om 80 % korrelation. Det betyder, at 80 % af tiden, hvor en kunde køber en kulinarisk fakkel, vil de også købe en lille tank butan.
Et andet eksempel på denne type sammenhæng kan ses mellem følgende FireWire-kabel og Apple-mellemstikket med en 50 procents korrelation. Selvom denne sammenhæng ikke er så stærk som i det foregående eksempel, betyder det, at 50 procent af de gange, hvor kunderne køber et FireWire-kabel, køber de også et mellemstik, så kablet passer til Apple-computere.
For at indlæse 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 nyttig 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 to første kolonner (rød boks). I de næste to kolonner ser vi derefter antallet og navnet på de produkter, der er korreleret til forstørrelsesglasset (grøn boks), og i den sidste kolonne ser vi korrelationsprocenten. Vi kan derfor se, at dette forstørrelsesglas har sammenhæng med to produkter: en 4-pak og en 10-pak AA-batterier, som er præcis de batterier, der bruges til forstørrelsesglasset. Cirka 29 procent af kunderne køber en 4-pakke batterier, når de køber forstørrelsesglasset, og 11 procent køber en 10-pakke batterier.
Disse to visninger, som vi ser her, er meget enkle og viser kun sammenhæng mellem produkterne, men vi er i stand til at sætte denne funktionalitet ind i de planer, du ønsker, og derved bruge disse oplysninger, mens vi planlægger salget af produkter.
Flere muligheder er der masser af
Brug af denne maskinlæringsteknologi i din AGR-opsætning kan åbne en masse nye muligheder for din virksomhed. For det første kan det være utroligt nyttigt at kende sammenhængen mellem varer, når du planlægger kampagner, da et øget salg af et bestemt produkt også påvirker de produkter, hvor det er korreleret. Når brugeren planlægger en promovering af f.eks. forstørrelsesglasset med lyset, vil de kunne se butanbrændstoftanken opført som en korreleret genstand, hvilket informerer dem om, at salget af forstørrelsesglasset også vil øge salget af batterierne. Selvom dette kan virke som sund fornuft, når en virksomhed arbejder med tusindvis af SKU’er, vil det spare en masse tid og penge for din virksomhed at få softwaren til at gøre arbejdet for dig. Planlægning af kampagnermed disse oplysninger med AGR Inventory kan hjælpe brugeren med at se den sande samlede effekt af kampagnen.
Disse oplysninger kan også bruges til prissætning 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 følger med faklen. Kunden bliver nødt til at købe butanbrændstoffet for at bruge lommelygten, 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 utroligt nyttigt, som når kunden lægger forstørrelsesglasset i sin kurv, så kan vi påpege det faktum, at andre kunder ofte køber AA-batterier på samme tid og dermed opfordre ham til at gøre det samme, ligesom det første Amazon-eksempel ‘Ofte købt sammen’.
Identificering af lignende elementer med Machine Learning
Den næste model, vi skabte, finder lignende produkter i produktsortimentet. Et eksempel på dette kan ses nedenfor med flere forskellige typer ketchup:
De data, der er nødvendige for at finde disse ligheder, findes allerede i AGR-systemet, f.eks. produktnavn, beskrivelse, pris, farve, produktgruppe osv. Da produktfunktioner kan skelne mellem virksomheder, og hvordan de definerer eller beskriver deres produkter, kan vi også bruge forskellige oplysninger, hvis det er nødvendigt. Generelt gælder det, at jo mere information vi har om produkterne, jo bedre bliver resultaterne.
Når vi ser på alle varerne i en typisk detailbutik, kan vi også se lignende varer i deres system. For et bestemt produkt, i dette tilfælde sort Focus-kikkert, viser systemet de tre produkter, det beregner som de mest lignende produkter. Som vi kan se, er resultaterne tre meget ens kikkerter.
Hvis vi igen ser på vores planlægger, har vi oprettet en ‘Lignende genstande’-kolonne ved siden af ‘Korrelerede genstande’ Hvis vi igen tager det samme forstørrelsesglas som et eksempel, men nu trykker på knappen ‘Lignende genstande’, åbnes en ny visning, der viser de tre andre forstørrelsesglas med et lys, ligesom vores originale produkt.
Det er nemt at tilføje nye elementer
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 ligner dette nye produkt mest, 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 planlægning af kampagner. Lignende produkter har ofte negativ sammenhæng med hinanden, f.eks. hvis du har to lignende produkter fra to forskellige producenter, og du sætter et på salgsfremmende sted, vil salget stige, mens salget af det lignende produkt samtidig vil falde. At vide dette vil give dig mulighed for at se og forstå den samlede effekt af at sætte et produkt på promovering inden for din virksomhedsdrift.
Endelig kan disse oplysninger også bruges til at håndtere prisændringer, for når der foretages langsigtede ændringer i prisen på et produkt, vil det generelt påvirke købsmønsteret for produktet og produkter, der ligner det. Så hvis Hunts ketchup f.eks. pludselig faldt i pris og ville være billigere end Euroshopper eller Coop ketchup, er det meget sandsynligt, at købsmønstrene for disse produkter vil ændre sig permanent.
Omfavner ny teknologi
Maskinlæring kan bruges på forskellige måder i salg og lagerplanlægning. Hos AGR Dynamics tror vi på, at denne teknologi kan være utrolig værdifuld for vores kunder, og vi stræber efter at holde os på forkant med nye teknologiske ændringer og inkorporere dem i vores supply chain management-software. Disse nye udviklinger kan gøre arbejdet meget lettere for vores kunder, både ved 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 overordnet overblik over deres produkt og øge deres effektivitet i lagerstyringen.
Hvis du vil vide mere om disse nye funktioner og tilføje dem til dit nuværende AGR-system, kan du kontakte os her eller kontakte din AGR Dynamics-konsulent.
