I vår strävan att ständigt utveckla ny teknik för vår SCM-programvara och våra kunder, har vi lagt till två nya maskininlärning funktioner inom AGR Inventory-modulen.
Medan vår AGR-mjukvara har haft maskininlärningsfunktioner i flera år, kommer dessa två nya funktioner att hjälpa till att ge din försörjningskedja ett extra lyft mot dina konkurrenter.
Låt oss gå igenom grunderna innan vi börjar. 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 bestämmer sedan utifrån den erfarenheten. Detta är precis som 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 objekt” på Amazon, som visas i bilden nedan:
Ökade mängder data och Framsteg inom mjukvaruteknik har resulterat i att maskininlärning har vunnit mycket popularitet nyligen – men data är avgörande för att kunna använda maskininlärningstekniker. Vilket 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 produktsortiment.
Lägga till korrelation till AGR-lager
Den första modellen, korrelationsmodellen, ser över försäljningshistoriken och identifierar positiv korrelation/haloeffekt mellan olika produkter. Ett typiskt exempel på detta är korv och korvbröd. Om försäljningen av varmkorv ökar, till exempel på grund av prissänkning eller på grund av vädret, så kommer försäljningen av korvbröd att öka med nästan samma procent. Den data vi behövde för denna analys är enkel transaktionsdata som alla våra kunder i allmänhet har till hands.
Följande exempel på identifierade korrelationer kommer från en av våra kunder. När vi tittade på deras data fann vi att följande två objekt, en kulinarisk ficklampa och butanbränsle, har en regel om 80% korrelation. Det betyder att 80 % av tiden som en kund köper en kulinarisk ficklampa, kommer de också att köpa en liten tank butan.
Ett annat exempel på denna typ av korrelation kan ses mellan följande FireWire-kabel och Apple-adaptern med 50 procents korrelation. Även om denna korrelation inte är lika stark som i föregående exempel, betyder det att 50 procent av tiden som kunder köper en FireWire-kabel, köper de också en adapter så att kabeln passar med Apple-datorer.
För att mata in denna teknik i vår programvara använde vi vår kraftfulla planeringsmotor. Inom AGR Inventory-modulen använde vi planeraren för att visa resultaten av korrelationsmodellen på ett enkelt och användbart sätt, som ses 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 följande två kolumnerna ser vi sedan antalet och namnet på de produkter som är korrelerade till förstoringsglaset (grön ruta), och i den sista kolumnen,vi ser korrelationsprocenten. Vi kan därför se att detta förstoringsglas har korrelation 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 med batterier.
Dessa två vyer som vi ser här är mycket enkla och visar bara samband mellan produkterna, men vi kan lägga in denna funktionalitet i alla planer du önskar och därigenom använda denna information när du planerar försäljningen av produkter.
< /p>
Fler möjligheter finns i överflöd
Att använda denna maskininlärningsteknik i din AGR-installation kan öppna många nya möjligheter för ditt företag. För det första kan det vara oerhört användbart att känna till kopplingen mellan varor när man planerar kampanjer, eftersom en ökad försäljning av en viss produkt också påverkar de produkter som
den är korrelerad i. När användaren planerar en kampanj för till exempel förstoringsglaset med ljuset, skulle de kunna se butanbränsletanken listad som en korrelerad artikel, informera dem om att försäljningen av förstoringsglaset också kommer att öka försäljningen av batterierna. Även om detta kan verka som sunt förnuft, 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 ficklampan, 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 i onlinehandel är också otroligt användbart, som när kunden lägger förstoringsglaset i sin korg, då kan vi påpeka det faktum att andra kunder ofta köper AA-batterier samtidigt tid och på så sätt uppmuntra honom att göra detsamma, precis som det första Amazon-exemplet ”Köp ofta tillsammans.”
Identifiera liknande objekt med maskininlärning
nästa modell vi skapade hittar liknande produkter i produktsortimentet. Ett exempel på detta, kan ses nedan med flera olika typer av ketchup:
Data som behövs att hitta dessa likheter finns redan i AGR-systemet, till exempel produktnamn, beskrivning, pris, färg, produktgrupp etc. Eftersom produktegenskaper kan skilja mellan företag och hur de definierar eller beskriver sina produkter, kan vi också använda annan information om nödvändigt I allmänhet gäller att ju mer information vi har om produkterna, desto bättre blir resultaten.
När vi tittar på alla artiklar i en vanlig butik kan vi också se liknande artiklar i deras system. För en viss produkt, i det här fallet svart Focus-kikare, visar systemet de tre produkter som det beräknar som sina mest lika produkter. Som vi kan se är resultaten tre mycket lika kikare.
När vi tittar på vår planerare igen, har vi skapat en kolumn ”Liknande artiklar” bredvid ”Korrelerade artiklar” Om vi återigen tar samma förstoringsglas som exempel men nu trycker på knappen ”Liknande artiklar”, en ny vy öppnas som visar de tre andra förstoringsglasen med ett ljus, precis som vår originalprodukt.
Lägga till nya objekt Är enkelt
Att använda denna maskininlärningsteknik inom AGR-mjukvaran ger många nya funktioner för våra kunder. Först kan denna information användas för att skapa en försäljningshistorik för nya produkter. När en ny produkt utan försäljningshistorik kommer in i AGR, skulle systemet visa användaren de tre produkterna som liknar den nya produkten mest och användaren kan välja en av dessa produkter och dess försäljningshistorik för att skapa en prognos för denna nya produkt .
Denna modell kan också användas för att planera kampanjer. Liknande produkter har ofta negativ korrelation med varandra, t.ex. om du har två likadana produkter från två olika tillverkare, och du lägger en på kampanj, kommer dess försäljning att öka medan försäljningen av liknande produkt samtidigt minskar. Genom att veta detta kan du se och förstå den övergripande effekten av att marknadsföra en produkt inom din affärsverksamhet.
Slutligen kan denna information också användas för att hantera prisförändringar, för när långsiktiga förändringar görs till priset på en produkt, kommer det i allmänhet att påverka inköpsmönstret 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,det är mycket troligt att inköpsmönstren för dessa produkter kommer att förändras permanent.
Omfamning av ny teknik
Machine learning kan användas på olika sätt inom försäljning och inventeringsplanering. Vi på AGR Dynamics tror att denna teknik kan vara otroligt värdefull för våra kunder, och vi strävar efter att hålla koll på nya teknikförändringar och införliva dem i vår programvara för hantering av försörjningskedjan. Dessa nya utvecklingar kan göra arbetet mycket lättare för våra kunder, genom att både 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 översikt över sin produkt och öka deras effektivitet i lagerhantering.
