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

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

World Fair Trade Day Machine Learning 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

Other case studies

ROHLIG SUUS Logistics Customer portal Case Study

Java

Pierwszy etap projektu: Budowa Portalu Klienta dla firmy transportowej

Wyzwania Pierwszym etapem projektu realizowanego dla Rohlig Suus było ...

Więcej