Асоціація ритейлерів України спільно з компанією SMART business провели вебінар RAU Webinar “Як розпочати АІ трансформацію в ритейлі” де розповіли про можливості штучного інтелекту в прогнозуванні продажів. SMART business – провідний партнер Microsoft у розробці, впровадженні та підтримці сучасних ERP-, CRM- та HRM-систем, хмарних сервісів та рішень на основі прогнозної аналітики та машинного навчання.
У будь-якій компанії існує безліч процесів, що генерують дані, і ці дані можуть бути використані для підвищення ефективності роботи. На сьогодні електронні таблиці чи навіть власні програмні рішення вже не забезпечують необхідної обробки та бізнес-цінності порівняно з технологіями ШІ, такими як нейронні мережі, статистичні моделі машинного навчання, прогнозна аналітика тощо.
Де найчастіше застосовується ШІ в бізнесі?
Рекомендаційні системи. Аналіз попередніх вподобань і подальших рекомендацій на їхній основі.
Фінансовий аналіз. Виявлення шахрайських дій банками та іншими фінансовими установами, а також автоматизація торгівлі на фондовому ринку.
Медицина. Діагностика захворювань на основі аналізу медичних зображень та інших даних пацієнта.
Чат-боти та віртуальні асистенти. Обслуговування клієнтів, надання відповідей на поширені запитання.
Виробництво. Автоматизація виробничих ліній, прогнозування потреб у запасах та оптимізація робочого процесу.
HR та рекрутинг. Аналіз резюме, прогнозування потенційних кандидатів для вакансій, проведення початкових інтерв'ю.
Штучний інтелект можна порівняти з новою формою енергії, подібною до того, як колись світ змінила електрика. Проте справжнє "золото" у світі ШІ — це дані, які він аналізує. Дані, як і золота руда, потребують ретельної обробки, аби забезпечити точність аналітики та прийнятих на її основі рішень.
Компанії можуть очищати дані як самостійно, залучаючи команди аналітиків, так і за допомогою рішень від спеціалізованих вендорів. Найефективнішим підходом є поєднання обох методів. Підготовка даних може займати від кількох тижнів до місяців, тому важливо спершу створити єдину екосистему, де дані збиратимуться та регламентуватимуться відповідно до чітких правил.
Прикладом такої екосистеми може бути рішення на базі продуктів Microsoft. Першочерговий збір інформації можуть здійснювати різні модулі — ERP та CRM системи, HR-департаменти, які акумулюють необхідні дані за встановленими стандартами. Далі ці дані можна обробляти за допомогою нейромереж або інструменту, як-от Microsoft Copilot, який забезпечує безпеку інформації в межах корпоративного простору. Він також може аналізувати дані з усіх офісних продуктів Microsoft.
Коли базової аналітики недостатньо, можна залучати когнітивні рішення, наприклад, для аналізу тональності тексту (актуально для PR-відділу), розпізнавання тексту та зображень тощо. Якщо цього все ще недостатньо, на допомогу приходять спеціалізовані рішення на базі ШІ, такі як SMART Demand Forecast або SMART Personal Engagement. Вони дозволяють оптимізувати маркетингові стратегії, аналізувати ціни, покращувати управління кадрами та інші бізнес-процеси.
Досвід McDonalds Georgia
Як працює прогнозування попиту, можна побачити на прикладі McDonalds у Грузії, де мережа з 23 ресторанів обслуговує близько 35 000 клієнтів щодня. Для цього кейсу було впроваджено рішення SMART Demand Forecast.
Раніше в McDonalds Georgia прогнози попиту формувалися для всієї мережі загалом, без урахування відмінностей між конкретними локаціями. Це часто призводило до розбіжностей між прогнозами та реальним попитом у кожному окремому ресторані. Внаслідок цього виникали нестача персоналу та необхідність додаткового підвозу інгредієнтів, що негативно впливало на ефективність і збільшувало витрати. А також інтервал прогнозування раз на місяць не враховував сезонні чи інші коливання попиту, що могли виникати протягом місяця.
Прогнозування попиту потребує обробки великих обсягів даних, що зазвичай вимагає значної кількості аналітиків. Однак людський фактор підвищує ризик помилок, а розширення команди для покращення точності прогнозів не завжди є оптимальним рішенням. Тому компанія вирішила шукати технічне рішення, яке б дозволило автоматизувати процес. Основними вимогами були прогнозування з розподілом даних на тижневі інтервали та визначення оптимальної кількості товарів для кожної точки продажу.
Впровадження системи прогнозування мало три основні фази: діагностика, моделювання та адаптація. На етапі діагностики було проаналізовано всі бізнес-процеси, та запропоновано рішення, яке б відповідало всім вимогам та водночас вимагало б найменшої кількості змін. Була узгоджена універсальна структура даних та подальші плани реалізації проєкту.
Після цього команда перейшла до агрегації даних і підготовки до запуску моделі. Спочатку виявили всі аномалії в продажах і врахували вплив ключових факторів, таких як канібалізація попиту та сезонність, погодивши їх зі замовником.
Далі алгоритм було вдосконалено для кращого прогнозування попиту на нові товари, зокрема акційні. Процес моделювання розпочався з побудови базової моделі, що враховувала основні фактори попиту, такі як день тижня, продажі за минулий місяць і ціни на товари.
Наступним етапом стала оптимізація моделі: видаляли зайві й помилкові фактори, щоб уникнути перенавчання (overfitting), коли модель починає описувати випадковий шум замість реальних взаємозв'язків.
У результаті вдалося досягти точності прогнозування на рівні 83,1% для кожного ресторану по кожному SKU на чотиритижневий період, а на три місяці вперед точність склала 79,1%.
Джерело: RAU
Comments