Infotehnoloogia kiire areng võimaldab inimestel luua täpseid masinõppe mudeleid, mis suudavad õppida olemasolevatest andmetest. Selliste mudelite rakendamine aitab ennustada nõudlust erinevatele toodetele muu hulgas toidupoodides.
Selver müüb laias valikus erinevaid tooteid, mille tellitavate koguste ja sageduste otsustamisel on nüüd abiks protsessi automatiseeriv STACCi algortim, mis asendab seni kasutatud keskmise puhvervaru algoritmi, mis vaatab, kui palju on keskmiselt hiljutise perioodi jooksul müüdud, ning eeldab, et tulevased müügid järgivad sarnast mustrit.
Keskmise puhvervaru meetodi miinused:
- algoritm ei ole piisavalt dünaamiline;
- kaupa kas tellitakse liiga palju, mis põhjustab äraviskamist, või siis liiga vähe, mis tekitab puudujäägi;
- ei olda valmis äkilisteks muudatusteks nagu pühad, kampaaniaperiood jm;
- kauba tellijatel läheb liiga kaua tellimiskoguse välja nuputamiseks.
STACCi andmeteadlaste loodud mudel
Mudeli eesmärk on käsitleda erineva nõudlusmahuga tooteid eraldi ehk rakendada erinevaid algoritme toodetele, mida müüakse harva, ja toodetele, mida müüakse igapäevaselt. Sealjuures kasutatakse mudeleid ja algoritme, mis on kergesti tõlgendatavad. Eraldatakse potentsiaalselt rolli mängivad tegurid, nagu kampaaniad, pühad, nädalapäevad, ning leitakse, kui palju nad järgmise kahe nädala jooksul võiksid teineteisest sõltumatult mõju avaldada. Seejärel saab eraldatud komponentide mõjud kombineerida ühtseks ennustuseks.
Tulemused
Saadud mudel on paindlikum ning kohaneb kiiremini muutustega tarbimises kui Selveri eelnev tellimisalgoritm: keskmise puhvervaru meetod. Parem või vähemalt sama hea ennustus saadakse üle 80%-le toodetest ning üleüldine ennustuste täpsus on paranenud ligi 2x, vaadates keskmist ruutviga (RMSE) joonisel 1 ja keskmist suhtelist viga (MAPE) joonisel 2.
Joonis 1. Toodete taseme keskmine RMSE
Joonisel 1 näeme, kui mitme ühiku võrra prognoosivad Selveri vana algoritm, milleks oli keskmise puhvervaru meetod (oranžid tulbad) ja STACCi arendatud uus algoritm (lillad tulbad) keskmiselt valesti erineva läbimüügiga tootegruppide seas. Y-teljel on kajastatud keskmise ruutvea suurus ehk mitme tootega keskmiselt algoritmid prognoosimisel mööda panevad ning x-teljel on eristatud kolme erinevat tootegrupi vahemikku. Kui toote keskmine müük jäi vahemikku 10-50 toodet nädalas, siis prognoosimisel eksis Selveri vana algoritm keskmiselt 20 tootega, kuid STACCi loodud kombineeritud mudel 13 tootega.
Joonis 2. Toodete taseme keskmine MAPE
Joonis 2 on sarnane Joonisele 1, kuid näitab, kui paljuga eksisid mõlemad algoritmid prognoosimisel protsentuaalselt, kajastades Y-teljel keskmise suhtelise vea suurust. Kui toote keskmine müük jäi vahemikku 10-50 toodet nädalas, siis ennustas Selveri eelnev tellimisalgoritm sellele tootele keskmiselt 178% võrra mööda, kuid STACCi kombineeritud mudel 83%.
Algoritmide käitumine populaarsetel toodetel
Joonisel 3 ja 4 on toodud näitena kaks populaarset toodet ja nende iganädalased müügid paarikuise perioodi vältel koos algoritmide pakutud ennustustega. Joonistelt on näha, et STACCi mudel on võimeline hästi ennustama päris müüke ning tuleb ilusti toime ka kampaaniaperioodidega.
Joonistel 3 ja 4 näitab hall pidevjoon päriselt toimunud müüke ning kollane ala kuvab, millal toode oli kampaanias. Punktiirjooned kajastavad mudelite tehtud prognoose erinevatel ajahetkedel. Punane punktiirjoon tähistab Selveri vana ning roheline piirjoon STACCi arendatud algoritmi. Jooniselt on näha, et STACCi loodud algoritm on palju dünaamilisem ning seeläbi suutelisem müüdavaid koguseid tunduvalt täpsemini ette ennustama.
Joonis 3. “Või” prognooside ja tegelike müükide võrdlus kampaania- ja tavamüügiperioodidel
Joonis 4. “Tualettpaber” prognooside ja tegelike müükide võrdlus kampaania- ja tavamüügiperioodidel
STACCi mudel on paindlikum ja kohaneb muutustega tarbimises kiiremini kui kliendi poolt varasemalt kasutatud keskmise puhvervaru meetod.
Lõppsõna
Mudel on kasutusse võetud kõigis Selverites üle Eesti ning seda rakendatakse toodetel, mida enne telliti keskmise puhvervaru meetodiga (~5000 toodet). Mudeli abil prognoositakse järgneva kahe nädala nõudlust. Üleüldine ennustuste täpsus on paranenud ligi kaks korda. Ette saab tellida täpsema koguse kaupa, mis vähendab ära visatava kauba kogust ja samuti hoitakse kokku väärtuslikku inimtööaega kaubakoguste arvutamiselt.
STACCi tarneahela optimeerimise mudel valmis koostöös Selveri ja Columbusega.
