System wykorzystujący zaawansowane modele Machine Learning do automatycznego uzupełniania zapasów dla branży retail

Wyzwania

Jedna z największych sieci franczyzowych na polskim rynku zmagała się z czasochłonnym oraz nietrafionym systemem zamawiania towaru. Każdy z franczyzobiorców zmuszony był do indywidualnego planowania zamówień towaru – kosztem czasu potrzebnego do zatroszczenia się o potrzeby klientów. Dokonanie zaawansowanej i trafnej analizy sprzedażowej – z uwzględnieniem, które produkty sprzedają się najlepiej i jakie czynniki wpływają na taki wynik – bez wsparcia zaawansowanych rozwiązań nie było możliwe. W efekcie zarówno indywidualnie franczyzobiorcy, jak i centra logistyczne klienta zmagały się z problemem niedoboru produktów cieszących się największym zainteresowaniem oraz nadmiarem innych produktów – co było szczególnie dotkliwe finansowo w przypadku towarów o krótkim terminie przydatności do spożycia.

Firma poszukiwała zaawansowanego rozwiązania technologicznego, które pozwoli na optymalizację procesu we wszystkich punktach. Rozwiązanie to musiało być nie tylko skuteczne, ale również przejrzyste i wygodne w obsłudze, aby maksymalnie skrócić proces zamawiania towarów i nie odciągać managerów, sprzedawców oraz franczyzobiorców od realizacji codziennych zadań związanych z obsługą klienta.

Problemy klienta, które pomogliśmy rozwiązać:

• Długi czas składania zamówień przez franczyzobiorców.
• Ilość towaru niedostosowana do tempa sprzedaży.
• Brak średnioterminowej prognozy dla logistyki.
• Możliwość wystąpienia zatorów w łańcuchu dostaw z powodu nadmiarowych zamówień.
• Brak szybkiego i skutecznego narzędzia optymalizującego prowizje.

Rozwiązanie

Dzięki analizie biznesowej oraz pełnemu zrozumieniu problemów i potrzeb naszego klienta stworzyliśmy zaawansowany system oparty na uczeniu maszynowym wspierający proces zamawiania towaru. Wdrożone narzędzie opierało się na dwóch rozwiązaniach:

• Model prognozujący popyt – narzędzie wskazuje, jakie produkty sprzedadzą się w konkretnym sklepie na poziomie indeksu. Każdego dnia w każdym z kilku tysięcy sklepów przeprowadzana jest prognoza wskazująca, jakie produkty będą najlepiej sprzedawały się następnego dnia
• Model rekomendujący zamówienia – system optymalizujący wykorzystuje dane otrzymane z modułu prognozującego pobyt – w tym m.in. informacje o ilości zapasów, jakimi dysponuje w danym momencie sklep, limitach, promocjach, sezonowości produktów, trendach zakupowych, zachowaniu klientów, lokalizacji sklepu, warunkach atmosferycznych, danych historyczne czy pogodzie.

System każdego dnia tworzy szczegółowe i trafne rekomendacje dla kilku tysięcy sklepów, uwzględniając wiele czynników wewnętrznych i zewnętrznych, m.in. informacje o lokalizacji – sklep położony niedaleko szkoły lub obiektu sportowego będzie sprzedawał więcej produktów danego typu niż podobny sklep zlokalizowany na niewielkim osiedlu mieszkaniowym na obrzeżach miasta.

Ostateczne wyniki analizy zostają zaprezentowane w przejrzystej aplikacji – maksymalnie ułatwiając składanie zamówień.

Rozwiązania, dzięki zaawansowanym i wytrenowanym modelom uczenia maszynowego, jest w pełni skalowalne i rośnie wraz z potrzebami oraz rozwojem klienta, natychmiastowo dostosowując się do jego rosnących wymagań.

Najważniejsze cele projektu: 

• skrócenie czasu poświęcanego przez franczyzobiorców na realizację zamówień.
• przygotowanie prognoz sprzedaży dla sklepów.
• przygotowanie optymalizatora, który w zautomatyzowany sposób wygeneruje propozycję zamówienia na dany dzień dla danego sklepu.

Efekty

Klient, dzięki współpracy ze specjalistami Britenet, otrzymał możliwość tworzenia modeli prognozy popytu na podstawie sprzedaży z uwzględnieniem rotacji produktu, co znacząco przyspieszyło, ułatwiło i uskuteczniło czasochłonny proces składania zamówień, a także zoptymalizowało realizację sprzedaży oraz wymagań logistycznych.

Najważniejsze korzyści płynące z rozwiązania:

• Automatyzacja zapewniająca dostępność towarów na półkach
• Znaczne skrócenie czasu składania zamówień przez franczyzobiorców 
• Minimalizacja strat wynikających z upływu terminu przydatności towarów do spożycia
• Ilość towaru dostosowana do zapotrzebowania konkretnych sklepów
• Możliwość lepszego zarządzania centrami logistycznymi i ich zapasami
• Skalowane rozwiązanie oparte na nowoczesnych technologiach