I vårt forsøk på å stadig utvikle nye teknologier for vår SCM-programvare og våre kunder, har vi lagt til to nye maskinlæring funksjoner i AGR Inventory-modulen.
Selv om AGR-programvaren vår har hatt maskinlæringsmuligheter i årevis, vil disse to nye funksjonalitetene bidra til å gi forsyningskjeden et ekstra løft 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 seg deretter basert på den erfaringen. Dette er akkurat som mennesker – vi får kunnskap, lærer av erfaring og tar beslutninger basert på kunnskapen og erfaringen vi har. Et av de vanligste eksemplene på maskinlæring er «Sammenlign med lignende elementer» på Amazon, som vist på bildet nedenfor:
Økte mengder data og fremskritt innen programvareteknologi har resultert i at maskinlæring har fått mye popularitet i det siste – men data er avgjørende for å kunne bruke maskinlæringsteknikker. Det er akkurat det de fleste av kundene våre har – mye data!
Vi har 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/haloeffekt mellom ulike produkter. Et typisk eksempel på dette er pølser og pølsebrød. Hvis salget av pølser øker, for eksempel på grunn av 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 korrelasjoner kommer fra en av våre kunder. Når vi så på dataene deres, fant vi at de følgende to elementene, en kulinarisk fakkel og butandrivstoff, har en regel på 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 i forrige eksempel, betyr dette at 50 prosent av tiden som kunder kjøper en FireWire-kabel, kjøper de også en adapter slik at kabelen passer med 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, med de to første kolonnene som inneholder deres numre og navn, og de to siste kolonnene viser en kobling til mulige korrelerte varer eller lignende varer.
Når vi klikker på koblingen «korrelerte varer» for ett av produktene, åpnes en ny visning. Følgende produkt er et forstørrelsesglass med lys og nummeret og navnet er i de to første kolonnene (rød boks). I de to neste kolonnene ser vi så antall og navn på produktene som er korrelert til forstørrelsesglasset (grønn boks), og i den siste kolonnen,vi ser korrelasjonsprosenten. Vi kan derfor se at dette forstørrelsesglasset har korrelasjon med to produkter: en 4-pakning og en 10-pakning med AA-batterier, som er akkurat de 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 visninger som vi ser her er veldig enkle og viser kun 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 salget av produkter.
Flere muligheter florerer
Å bruke denne maskinlæringsteknologien i AGR-oppsettet ditt kan åpne mange nye muligheter for virksomheten din. For det første kan det å kjenne sammenhengen mellom varer være utrolig nyttig når du planlegger kampanjer, siden et økt salg av et bestemt produkt også påvirker produktene der
det er korrelert. Når brukeren planlegger en kampanje for for eksempel forstørrelsesglasset med lyset, vil de kunne se butandrivstofftanken oppført som en korrelert vare, og informere dem om at salget av forstørrelsesglasset også vil øke salget av batteriene. Selv om dette kan virke som sunn fornuft, når et selskap jobber med tusenvis av SKU-er, vil det spare mye tid og penger for bedriften å ha programvaren til å gjøre jobben for deg. Planlegging av kampanjer med denne informasjonen med AGR Inventory kan hjelpe brukeren med å se den sanne samlede effekten av kampanjen.
Denne informasjonen kan også brukes til priser 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 kommer med fakkelen. Kunden må kjøpe butandrivstoff for å bruke fakkelen, så dette ville være en mulighet til å gjøre mer salg og øke korrelasjonen mellom disse to produktene nærmere 100 prosent ved å undersøke produktenes layout i butikken, priser osv. .
Å kjenne til korrelasjonsratene i netthandel er også utrolig nyttig, som når kunden legger forstørrelsesglasset i kurven sin, kan vi påpeke det faktum at andre kunder ofte kjøper AA-batterier samtidig tid og dermed oppmuntre ham til å gjøre det samme, akkurat som det første Amazon-eksemplet «Ofte kjøpt sammen.»
Identifisere lignende elementer med maskinlæring
neste modell vi laget finner lignende produkter i produktutvalget. Et eksempel på dette kan sees nedenfor med flere forskjellige typer ketchup:
Dataene som trengs å finne disse likhetene ligger allerede i AGR-systemet, for eksempel produktnavn, beskrivelse, pris, farge, produktgruppe osv. Ettersom produktegenskaper kan skille mellom bedrifter og hvordan de definerer eller beskriver produktene sine, kan vi også bruke annen informasjon dersom nødvendig Generelt, jo mer informasjon vi har om produktene, desto 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 svært like kikkerter.
Når vi ser igjen på planleggeren vår, har vi opprettet en ‘Lignende elementer’-kolonnen ved siden av ‘Korrelerte elementer’. Hvis vi igjen tar det samme forstørrelsesglasset som eksempel, men nå trykker på ‘Lignende elementer’-knappen, en ny visning åpnes som viser de tre andre forstørrelsesglassene med et lys, akkurat som originalproduktet vårt.
Legge til nye elementer Er enkelt
Å bruke denne maskinlæringsteknologien i AGR-programvaren gir kundene våre mye ny funksjonalitet. 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, f.eks. hvis du har to like produkter fra to forskjellige produsenter, og du setter den ene på kampanje, vil salget øke, mens salget av det lignende produktet vil reduseres samtidig. Å vite dette vil tillate deg å se og forstå den overordnede effekten av å sette et produkt på markedsføring i virksomheten din.
Til slutt kan denne informasjonen også brukes til å håndtere prisendringer, fordi når det gjøres langsiktige endringer til prisen på et produkt, vil det generelt 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,det er svært sannsynlig at kjøpsmønstrene til disse produktene vil endre seg permanent.
Omfavnelse av 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 på toppen av nye teknologiendringer og inkorporere dem i vår programvare for styring av forsyningskjeden. Disse nye utviklingene kan gjøre arbeidet mye enklere for kundene våre, ved både å gi dem forslag og informere dem om årsakene til beslutningene de tar. Disse to nye funksjonalitetene vil bidra til å gi kundene våre et bedre overblikk over produktet deres og øke effektiviteten deres i lagerstyring.
