I vår strävan att ständigt utveckla ny teknik för vår SCM-programvara och våra kunder har vi lagt till två nya funktioner för maskininlärning i AGR Inventory-modulen.
Vår AGR-programvara har haft maskininlärningsfunktioner i flera år, men de här två nya funktionerna hjälper till att ge din leveranskedja en extra skjuts i konkurrensen.
Innan vi börjar, låt oss gå igenom grunderna. Maskininlärning är en automatisk datoranalys som använder data för att hitta mönster och skapa prognoser. Maskininlärning använder data för att skapa ett program, programmet lär sig av erfarenhet och fattar sedan beslut baserat på den erfarenheten. Det är precis som vi människor – vi får kunskap, lär oss av erfarenheter och fattar sedan beslut baserat på den kunskap och erfarenhet vi har. Ett av de vanligaste exemplen på maskininlärning är ”Jämför med liknande artiklar” på Amazon, som visas i bilden nedan:
Ökade datamängder och framsteg inom programvaruteknik har lett till att maskininlärning har blivit mycket populärt på senare tid – men data är avgörande för att kunna använda maskininlärningstekniker. Och det är precis vad de flesta av våra kunder har – mycket data!
Vi skapade två modeller. Den första är en modell som hittar korrelation mellan produkter – det vill säga den identifierar produkter som ofta säljs tillsammans (som exemplet ovan från Amazon). Och den andra är en modell som hittar liknande produkter i kundens sortiment.
Lägga till korrelation till AGR-inventering
Den första modellen, korrelationsmodellen, går igenom försäljningshistoriken och identifierar positiva korrelationer/haloeffekter mellan olika produkter. Ett typiskt exempel på detta är varmkorv och varmkorvsbröd. Om försäljningen av varmkorv ökar, t.ex. på grund av en prissänkning eller på grund av vädret, kommer försäljningen av korvbröd att öka med nästan samma procentandel. De data vi behöver för den här analysen är enkla transaktionsdata som alla våra kunder i allmänhet har tillgång till.
Följande exempel på identifierade samband kommer från en av våra kunder. När vi tittade på deras data fann vi att följande två föremål, en kulinarisk fackla och butanbränsle, har en regel om 80 % korrelation. Det betyder att 80 % av tiden som en kund köper en kulinarisk fackla, kommer de också att köpa en liten tank butan.
Ett annat exempel på den här typen av korrelation kan ses mellan följande FireWire-kabel och Apple-adaptern med en korrelation på 50 procent. Även om denna korrelation inte är lika stark som i det tidigare exemplet, innebär det att 50 procent av gångerna som kunder köper en FireWire-kabel köper de också en adapter så att kabeln passar med Apple-datorer.
För att föra in denna teknik i vår programvara använde vi vår kraftfulla planeringsmotor. I AGR Inventory-modulen använde vi planeringsverktyget för att visa resultaten av korrelationsmodellen på ett enkelt och användbart sätt, se nedan. Den här vyn visar en lista över dina produkter, där de två första kolumnerna innehåller deras nummer och namn, och de två sista kolumnerna visar en länk till möjliga korrelerade artiklar eller liknande artiklar.
När vi klickar på länken ”korrelerade artiklar” för en av produkterna öppnas en ny vy. Följande produkt är ett förstoringsglas med ett ljus och dess nummer och namn finns i de två första kolumnerna (röd ruta). I de nästa två kolumnerna ser vi sedan numret och namnet på de produkter som är korrelerade med förstoringsglaset (grön ruta), och i den sista kolumnen ser vi korrelationsprocenten. Vi kan därför se att detta förstoringsglas har samband med två produkter: ett 4-pack och ett 10-pack AA-batterier, som är exakt de batterier som används för förstoringsglaset. Cirka 29 procent av kunderna köper ett 4-pack batterier när de köper förstoringsglaset, och 11 procent köper ett 10-pack batterier.
Dessa två vyer som vi ser här är väldigt enkla och visar bara korrelation mellan produkterna, men vi kan lägga in denna funktionalitet i vilka planer du vill och därmed använda denna information när du planerar försäljningen av produkter.
Fler möjligheter finns i överflöd
Genom att använda den här maskininlärningstekniken i din AGR-installation kan du öppna många nya möjligheter för ditt företag. För det första kan det vara otroligt användbart att känna till sambandet mellan artiklar när du planerar kampanjer, eftersom en ökad försäljning av en viss produkt också påverkar de produkter där
det är korrelerat. När användaren planerar en kampanj för t.ex. förstoringsglaset med lampan, kan han eller hon se butanbränsletanken listad som en korrelerad artikel, vilket informerar honom eller henne om att försäljningen av förstoringsglaset också kommer att öka försäljningen av batterierna. Det här kan verka som sunt förnuft, men när ett företag arbetar med tusentals SKU:er kommer det att spara mycket tid och pengar för ditt företag att låta programvaran göra jobbet åt dig. Att planera kampanjer med denna information med AGR Inventory kan hjälpa användaren att se den verkliga totala effekten av kampanjen.
Denna information kan också användas för prissättning och butikslayout. Om vi tänker igen på den kulinariska facklan är 80 % korrelation naturligtvis en avsevärt hög korrelation, men vi kan anta att bränslet inte kommer med facklan. Kunden kommer att behöva köpa butanbränslet för att använda facklan, så detta skulle vara en möjlighet att göra mer försäljning och öka korrelationen mellan dessa två produkter närmare 100 procent genom att undersöka produkternas layout i butiken, prissättning etc.
Att känna till korrelationsgraden inom online-detaljhandeln är också otroligt användbart, för när kunden lägger förstoringsglaset i sin varukorg, då kan vi påpeka det faktum att andra kunder ofta köper AA-batterier samtidigt och därmed uppmuntra honom att göra detsamma, precis som det första Amazon-exemplet ”Ofta köpta tillsammans.”
Identifiera liknande objekt med maskininlärning
Nästa modell vi skapade hittar liknande produkter i sortimentet. Ett exempel på detta kan ses nedan med flera olika typer av ketchup:
De uppgifter som behövs för att hitta dessa likheter finns redan i AGR-systemet, t.ex. produktnamn, beskrivning, pris, färg, produktgrupp osv. Eftersom produktegenskaper kan skilja mellan företag och hur de definierar eller beskriver sina produkter, kan vi också använda annan information om det behövs. I allmänhet gäller att ju mer information vi har om produkterna, desto bättre blir resultaten.
När vi tittar på alla artiklar i en typisk butik kan vi också se liknande artiklar i deras system. För en viss produkt, i det här fallet en svart Focus-kikare, visar systemet de tre produkter som det beräknar som sina mest lika produkter. Som vi kan se är resultatet tre mycket lika kikare.
Om vi återigen tittar på vår planerare har vi skapat en kolumn ”Liknande objekt” bredvid ”Korrelerade objekt” Om vi återigen tar samma förstoringsglas som ett exempel men nu trycker på knappen ”Liknande objekt” öppnas en ny vy som visar de tre andra förstoringsglasen med ett ljus, precis som vår originalprodukt.
Det är enkelt att lägga till nya objekt
Genom att använda denna maskininlärningsteknik i AGR-programvaran får våra kunder tillgång till många nya funktioner. För det första kan denna information användas för att skapa en försäljningshistorik för nya produkter. När en ny produkt utan försäljningshistorik kommer in i AGR, visar systemet användaren de tre produkter som är mest lika den nya produkten och användaren kan välja en av dessa produkter och dess försäljningshistorik för att skapa en prognos för den nya produkten.
Denna modell kan också användas för att planera kampanjer. Liknande produkter har ofta en negativ korrelation med varandra, t.ex. om du har två liknande produkter från två olika tillverkare och du marknadsför den ena produkten kommer försäljningen av den att öka medan försäljningen av den liknande produkten samtidigt kommer att minska. Genom att känna till detta kan du se och förstå den övergripande effekten av att marknadsföra en produkt i din affärsverksamhet.
Slutligen kan denna information också användas för att hantera prisändringar, eftersom när långsiktiga ändringar görs av priset på en produkt kommer det i allmänhet att påverka köpmönstret för produkten och produkter som liknar den. Så, till exempel, om Hunts ketchup plötsligt sjönk i pris och skulle vara billigare än Euroshopper eller Coop ketchup, är det mycket troligt att köpmönstren för dessa produkter kommer att förändras permanent.
Omfamna ny teknik
Maskininlärning kan användas på olika sätt inom försäljnings- och lagerplanering. Vi på AGR Dynamics tror att denna teknik kan vara otroligt värdefull för våra kunder, och vi strävar efter att hålla oss uppdaterade om nya teknikförändringar och införliva dem i vår programvara för hantering av leveranskedjan. Denna nya utveckling kan göra arbetet mycket enklare för våra kunder, både genom att ge dem förslag och informera dem om orsakerna till de beslut de fattar. Dessa två nya funktioner kommer att bidra till att ge våra kunder en bättre helhetsbild av sin produkt och öka deras effektivitet i lagerhanteringen.