I vår strävan att ständigt utveckla ny teknik för vår SCM-programvara och våra kunder har vi lagt till två nya maskininlärningsfunktioner i AGR Inventory-modulen. Även om vår AGR-programvara har haft maskininlärningsfunktioner i flera år, kommer dessa två nya funktioner att hjälpa till att ge din leveranskedja en extra skjuts mot dina konkurrenter.
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 mängder data och framsteg inom mjukvaruteknik har resulterat i att maskininlärning har blivit mycket populärt på senare tid – 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 sortiment.
Lägga till korrelation till AGR-inventering
Den första modellen, korrelationsmodellen, ser över försäljningshistoriken och identifierar positiv korrelation/haloeffekt mellan olika produkter. Ett typiskt exempel på detta är korv med bröd och korvbröd. Om försäljningen av korv ökar, till exempel på grund av en prissänkning eller på grund av vädret, kommer försäljningen av korvbröd att öka med nästan samma procentsats. De data vi behövde för denna analys är enkla transaktionsdata som alla våra kunder i allmänhet har till hands.
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 kunna föra 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 visas 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 objekt.
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 denna maskininlärningsteknik 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 man planerar kampanjer, eftersom en ökad försäljning av en viss produkt också påverkar de produkter som den är korrelerad med. När användaren planerar en kampanj för till exempel förstoringsglaset med ljuset, skulle de kunna se butanbränsletanken listad som en korrelerad artikel, vilket informerar dem om att försäljningen av förstoringsglaset också kommer att öka försäljningen av batterierna. Även om detta kan tyckas vara 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. Planera kampanjerMed denna information kan AGR Inventory hjälpa användaren att se den verkliga övergripande 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 data som behövs för 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 det behövs. Generellt 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 vi många nya funktioner för våra kunder. 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, skulle systemet visa användaren de tre produkter som är mest lika denna nya produkt 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 ett negativt samband med varandra, t.ex. om du har två liknande produkter från två olika tillverkare och du säljer en av dem, kommer försäljningen att öka medan försäljningen av en liknande produkt samtidigt kommer att minska. Att veta detta gör att du kan se och förstå den övergripande effekten av att sätta en produkt på marknadsföring inom 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.
Om du vill veta mer om dessa nya funktioner och lägga till dem i ditt nuvarande AGR-system kan du kontakta oss här eller kontakta din AGR Dynamics-konsult.
