I vårt forsøk på å stadig utvikle nye teknologier for vår SCM-programvare og våre kunder, har vi lagt til to nye maskinlæringsfunksjoner i AGR Inventory-modulen. Mens AGR-programvaren vår har hatt maskinlæringsfunksjoner i årevis, vil disse to nye funksjonene bidra til å gi forsyningskjeden din det ekstra løftet mot konkurrentene dine.
Før vi begynner, la oss gå gjennom det grunnleggende. Maskinlæring er en automatisk dataanalyse som bruker data til å finne mønstre og lage prognoser. Maskinlæring bruker data til å lage et program, programmet lærer av erfaring og bestemmer deretter basert på den erfaringen. Dette er akkurat som mennesker – vi får kunnskap, lærer av erfaring, og tar deretter beslutninger basert på kunnskapen og erfaringen vi har. Et av de vanligste eksemplene på maskinlæring er «Sammenlign med lignende varer» på Amazon, som vist på bildet nedenfor:
Økte mengder data og fremgang innen programvareteknologier har resultert i at maskinlæring har fått mye popularitet i det siste – men data er avgjørende for å kunne bruke maskinlæringsteknikker. Og det er akkurat det de fleste av våre kunder har – mye data!
Vi laget to modeller. Den første er en modell som finner korrelasjon mellom produkter – det vil si at den identifiserer produkter som ofte selger sammen (som eksemplet ovenfor fra Amazon). Og den andre er en modell som finner lignende produkter i kundens produktutvalg.
Legge til korrelasjon til AGR-beholdning
Den første modellen, korrelasjonsmodellen, ser over salgshistorikken og identifiserer positiv korrelasjon/halo-effekt mellom ulike produkter. Et typisk eksempel på dette er pølser og pølsebrød. Hvis salget av pølser øker, for eksempel på grunn av et priskutt eller på grunn av været, vil salget av pølsebrød øke med nesten samme prosentandel. Dataene vi trengte for denne analysen er enkle transaksjonsdata som alle våre kunder generelt har for hånden.
Følgende eksempler på identifiserte sammenhenger kommer fra en av våre kunder. Når vi så på dataene deres, fant vi ut at følgende to elementer, en kulinarisk fakkel og butandrivstoff, har en regel om 80 % korrelasjon. Det betyr at 80 % av tiden en kunde kjøper en kulinarisk fakkel, vil de også kjøpe en liten tank med butan.
Et annet eksempel på denne typen korrelasjon kan sees mellom følgende FireWire-kabel og Apple-adapteren med 50 prosent korrelasjon. Selv om denne sammenhengen ikke er like sterk som det forrige eksemplet, betyr dette at 50 prosent av gangene kunder kjøper en FireWire-kabel, kjøper de også en adapter slik at kabelen passer til Apple-datamaskiner.
For å legge inn denne teknologien i programvaren vår, brukte vi vår kraftige planleggingsmotor. Innenfor AGR Inventory-modulen brukte vi planleggeren til å vise resultatene av korrelasjonsmodellen på en enkel og nyttig måte, som vist nedenfor. Denne visningen viser en liste over produktene dine, der de to første kolonnene inneholder tall og navn, og de to siste kolonnene viser en kobling til mulige korrelerte varer eller lignende varer.
Når vi klikker på lenken «korrelerte varer» for et av produktene, åpnes en ny visning. Følgende produkt er et forstørrelsesglass med et lys, og nummeret og navnet er i de to første kolonnene (rød boks). I de neste to kolonnene ser vi deretter antall og navn på produktene som er korrelert til forstørrelsesglasset (grønn boks), og i den siste kolonnen ser vi korrelasjonsprosenten. Vi kan derfor se at dette forstørrelsesglasset har sammenheng med to produkter: en 4-pakning og en 10-pakning AA-batterier, som er akkurat batteriene som brukes til forstørrelsesglasset. Omtrent 29 prosent av kundene kjøper en 4-pakning med batterier når de kjøper forstørrelsesglasset, og 11 prosent kjøper en 10-pakning med batterier.
Disse to visningene som vi ser her er veldig enkle og viser bare korrelasjon mellom produktene, men vi er i stand til å sette denne funksjonaliteten inn i alle planer du ønsker og dermed bruke denne informasjonen mens du planlegger salg av produkter.
Flere muligheter florerer
Å bruke dennemaskinlæringsteknologi i AGR-oppsettet ditt kan åpne mange nye muligheter for virksomheten din. For det første kan det være utrolig nyttig å vite sammenhengen mellom varer når du planlegger kampanjer, siden et økt salg av et bestemt produkt også påvirker produktene det er korrelert i. Nårbrukeren planlegger en promotering av for eksempel forstørrelsesglasset medlyset, vil de kunne se butandrivstofftanken oppført som en korrelertvare, og informere dem om at salget av forstørrelsesglasset også vil økesalget av batteriene. Selv om dette kan virke som sunn fornuft, når et selskap jobber med tusenvis av SKU-er, vil det å få programvaren til å gjøre jobben for deg spare mye tid og penger for virksomheten din. Planlegging av kampanjermed denne informasjonen med AGR Inventory kan hjelpe brukeren med å se den sanne samlede effekten av kampanjen.
Denne informasjonen kan også brukes til prissetting og butikkoppsett. Hvis vi tenker igjen på den kulinariske fakkelen, er 80 % korrelasjon selvfølgelig en betydelig høy korrelasjon, men vi kan anta at drivstoffet ikke følger med fakkelen. Kunden må kjøpe butandrivstoffet for å bruke fakkelen, så dette vil være en mulighet til å gjøre mer salg og øke korrelasjonen mellom disse to produktene nærmere 100 prosent ved å undersøke produktenes utforming i butikken, priser osv.
Å kjenne til korrelasjonsratene i netthandel er også utrolig nyttig, som når kunden legger forstørrelsesglasset i kurven sin, så kan vi påpeke det faktum at andre kunder ofte kjøper AA-batterier samtidig og dermed oppmuntre ham til å gjøre det samme, akkurat som det første Amazon-eksemplet ‘Ofte kjøpt sammen.’
Identifisere lignende elementer med maskinlæring
Den neste modellen vi laget finner lignende produkter i produktutvalget. Et eksempel på dette kan sees nedenfor med flere forskjellige typer ketchup:
Dataene som trengs for å finne disse likhetene er allerede i AGR-systemet, for eksempel produktnavn, beskrivelse, pris, farge, produktgruppe osv. Ettersom produktfunksjoner kan skille mellom selskaper og hvordan de definerer eller beskriver produktene sine, kan vi også bruke forskjellig informasjon om nødvendig. Generelt, jo mer informasjon vi har om produktene, jo bedre blir resultatene.
Når vi ser på alle varene i en typisk butikk, kan vi også se lignende varer i systemet deres. For et bestemt produkt, i dette tilfellet svart Focus-kikkert, viser systemet de tre produktene det beregner som de mest like produktene. Som vi kan se, er resultatene tre veldig like kikkerter.
Når vi ser igjen på planleggeren vår, har vi opprettet en «Lignende elementer»-kolonne ved siden av «Korrelerte elementer» Hvis vi igjen tar det samme forstørrelsesglasset som et eksempel, men nå trykker på «Lignende elementer»-knappen, åpnes en ny visning som viser de tre andre forstørrelsesglassene med et lys, akkurat som vårt originale produkt.
Det er enkelt å legge til nye elementer
Å bruke denne maskinlæringsteknologien i AGR-programvaren gir mye ny funksjonalitet for våre kunder. For det første kan denne informasjonen brukes til å lage en salgshistorikk for nye produkter. Når et nytt produkt uten salgshistorikk kommer inn i AGR, vil systemet vise brukeren de tre produktene som ligner mest på dette nye produktet, og brukeren kan velge ett av disse produktene og salgshistorikken for å lage en prognose for dette nye produktet.
Denne modellen kan også brukes til å planlegge kampanjer. Lignende produkter har ofte negativ korrelasjon med hverandre, for eksempel hvis du har to like produkter fra to forskjellige produsenter, og du setter ett på kampanje, vil salget øke, mens salget av det lignende produktet samtidig vil avta. Å vite dette vil tillate deg å se og forstå den samlede effekten av å sette et produkt på markedsføring i forretningsdriften din.
Til slutt kan denne informasjonen også brukes til å håndtere prisendringer, fordi når langsiktige endringer gjøres i prisen på et produkt, vil det vanligvis påvirke kjøpsmønsteret til produktet og produkter som ligner på det. Så, for eksempel, hvis Hunts ketchup plutselig falt i pris og ville være billigere enn Euroshopper eller Coop ketchup, er det svært sannsynlig at kjøpsmønstrene til disse produktene vil endre seg permanent.
Omfavner ny teknologi
Maskinlæring kan brukes på ulike måter i salg og lagerplanlegging. Vi i AGR Dynamics tror at denne teknologien kan være utrolig verdifull for kundene våre, og vi streber etter å holde oss oppdatert på nye teknologiendringer og inkorporere dem i vår programvare for forsyningskjedestyring. Denne nye utviklingen kan gjøre arbeidet mye enklere for kundene våre, både ved å gi dem forslag og informere dem om årsakene til beslutningene de tar. Disse to nye funksjonene vil bidra til å gi kundene våre en bedre helhetsoversikt over produktet og øke effektiviteten i lagerstyringen.
For å lære mer om disse nye funksjonene og legge dem til ditt nåværende AGR-system, kan du kontakte oss her eller ta kontakt med din AGR Dynamics-konsulent.
