Для любого бизнеса наихудший сценарий - выход из ассортимента продукции, когда клиенты готовы купить ваш продукт. Поддержание запасов каждого товара в магазине - еще одна обязанность любого бизнеса. Этот компромисс стал еще более проблематичным в настоящее время, когда производственные фирмы наводняются артикулами (единицами хранения), начиная с размеров, вкусов, стилей и т. Д. Для удовлетворения индивидуального спроса компании настраивают продукты, добавляя к ним различные функции и это делает жизнь еще более сложной для всех частей бизнеса, участвующих во всей цепочке поставок.

Чтобы понять эту проблему, давайте возьмем зубную пасту. Существует более 6–7 популярных брендов, таких как Colgate, Pepsodent, Close up, Dabur, Himalaya, Meswak и т. Д., Каждая из которых имеет 4–5 зубных паст разных размеров от 50 до 300 г и 4–5 различных вариантов, таких как Sensitive, Germi. -check, Gumcare, Whitening и т. д.

Ведение инвентаря для всех артикулов - хлопотное занятие для любого углового магазина. Но если клиент уходит, не совершив покупки только потому, что в магазине нет зубной пасты определенного типа / размера, это еще более болезненно для владельца бизнеса. В этом конкретном сценарии покупатель может быть готов купить другую зубную пасту, но роскошь выбора другого варианта доступна не для всех продуктов.

Определение отставания

Когда продукт недоступен, и у клиента может не хватить терпения ждать, это приводит к потере продаж и низкой удовлетворенности клиентов. Когда покупатель размещает заказ на будущие запасы и ждет его, это называется задержкой заказа. Отсрочка заказов - это хорошо и плохо для бизнеса. Спрос приведет к задержкам, но не лучшее планирование может вызвать проблемы. Машинное обучение - это способ получить максимум от этого компромисса. Давайте продолжим путь к максимальному увеличению прибыли и большему удовлетворению запросов клиентов.

Прогностическая аналитика может помочь выявить элементы, которые могут иметь просроченные заказы, чтобы помочь организации, предоставляя необходимые практические сведения. Производственный график можно изменить, чтобы сократить задержку доставки продукта, что, в свою очередь, повысит удовлетворенность клиентов.

Проблемы управления запасами

Используя любой хороший метод машинного обучения классификации, такой как XgBoost, можно легко предсказать вероятность того, что продукт окажется в списке невыполненных заказов. Мы рассмотрим технику машинного обучения классификации вместе с кодом в отдельном блоге. После получения вероятностей невыполнения заказа на товары, оптимизация - еще одна сложная часть. Для этой задачи классификации выбор порогового значения вероятности будет ключом к оптимизации запасов. В контексте бизнеса этот выбор порогового значения обеспечит баланс между стоимостью инвентаризации неправильного продукта (низкая точность) и стоимостью потерянного дохода (низкий уровень отзыва).

Точность: когда модель предсказывает, что товар будет иметь невыполненные заказы и сколько раз на самом деле у него есть просроченные заказы. если мы принимаем бизнес-стратегию с высокой точностью (низкий уровень отзыва), то нам приходилось позволять модели неправильно классифицировать фактические случаи отставания, чтобы уменьшить количество неправильно спрогнозированных элементов отставания.

Напомним: когда на самом деле у товаров есть просроченные заказы и как часто модель предсказывает, что они будут иметь отсроченные заказы. Если мы примем бизнес-стратегию с высокой степенью отзыва (низкой точностью), тогда нам пришлось бы позволить модели прогнозировать фактически незадействованные элементы как элементы отставания.

Играя с пределом порога вероятности, мы действительно можем настроить бизнес-стратегию. Бизнес-стратегия переходит в консервативную зону, в которой очень мало товаров прогнозируется как товары с отставанием, если мы увеличиваем порог вероятности.

Используя машинное обучение, мы можем легко получить значения истинно положительных, ложноположительных, истинно отрицательных и ложноотрицательных значений для большого набора различных пороговых значений. С этого момента первый бизнес-принцип анализа затрат и выгод поможет нам в максимизации прибыли.

Анализ выгоды и затрат

Преимущества

  • Верно положительно: извлеките выгоду из правильного прогнозирования артикулов для невыполненных заказов. Прибыль, полученная от таких товаров, является выгодой.
  • Верно отрицательное: используйте правильное прогнозирование артикулов, отсутствующих в списке невыполненных заказов. Хотя выгода от этого равна нулю, поскольку покупатель не покупал товар, экономия на хранении в дополнение к альтернативным затратам из-за отказа от производства таких товаров также является преимуществом.

Расходы

  • Ложно-положительный результат: эта стоимость связана с тем, что мы предположили, что несколько товаров являются товарами с отложенным заказом, но на самом деле их не было в списке товаров с отставанием. Стоимость складирования таких товаров - это стоимость ложных срабатываний.
  • Ложноотрицательный: стоимость, связанная с ошибочно пропущенными товарами при фактическом спросе на товар.

Вышеуказанные расчеты рентабельности должны быть выполнены для всех продуктов при определенном пороговом значении, чтобы увидеть отклонение чистой рентабельности при каждом пороговом значении.

Оптимизация SKU

Если мы возьмем один артикул, скажем, мы предсказали, что его нет в списке отложенных заказов. Если гипотетически выгода от правильного прогнозирования просроченного заказа составляет 1000 долларов за единицу, а стоимость ложноположительного результата составляет 50 долларов за единицу (случайная инвентаризация).
Уравнение ожидаемой стоимости можно обобщить на

Expected_Value = ∑pi * vi, где i варьируется от 1 до N наблюдений для каждого SKU.

p - вероятность невыполнения заказа для любого артикула
v - значение, связанное с артикулом

Из приведенной выше общей формы уравнения можно составить общее уравнение ожидаемой прибыли путем объединения двух матриц, то есть матрицы затрат и выгод и матрицы ожидаемой вероятности.

Ожидаемая_прибыль = p (p) ∗ [p (Y | p) ∗ b (Y, p) + p (N | p) ∗ c (N, p)] + p (n) ∗ [p (N | n) ∗ b (N, n) + p (Y | n) ∗ c (Y, n)]

  • p (p) - положительный априорный класс (вероятность фактического невыполненного заказа / общая сумма) из матрицы неточностей
  • p (n) - предшествующий отрицательный класс (вероятность фактического отсутствия / всего = 1 - предшествующий положительный класс)
  • p (Y | p) - истинно положительный коэффициент (TPR)
  • p (N | p) - ложноотрицательная ставка (FNR)
  • p (N | n) - истинная отрицательная скорость (TNR)
  • p (Y | n) - частота ложных срабатываний (FPR)
  • b (Y, p) - выгода от истинно положительного (TP_CB)
  • c (N, p) - стоимость ложноотрицательного результата (FN_CB)
  • b (N, n) - выгода от истинно отрицательного (TN_CB)
  • c (Y, n) - стоимость ложного срабатывания (FP_CB)

Для взятого гипотетического примера это уравнение дополнительно упрощается, поскольку TN_CB и FN_CB оба равны нулю.

Ожидаемая_прибыль = p (p) ∗ [p (Y | p) ∗ b (Y, p)] + p (n) ∗ [p (Y | n) ∗ c (Y, n)]

Последствия для бизнеса

Давайте проверим приведенное выше уравнение, делая гипотетический прогноз для товара, у которого нет отставания. Предположим, что модель предсказала вероятность отставания в 0,01 на товар. Предыдущий гипотетический пример, в котором предполагалось, что 1000 долларов на единицу прибыли и 50 долларов на единицу стоимости запасов. из визуализации мы можем вычислить, что оптимальный порог равен 0,48. Сохранение всех позиций в стратегии инвентаризации с порогом, равным нулю, заставит компанию потерять деньги из-за низкой вероятности невыполненного заказа, а отсутствие стратегии инвентаризации не приведет ни к выгоде, ни к убыткам.

С другой стороны, если мы проверим элемент с высокой вероятностью отставания, лучше иметь свободную стратегию, чем консервативную. Прибыль будет сведена к нулю, если у нас будет консервативная стратегия по хранению такого товара.

Вкратце, элементы с низкой вероятностью невыполнения заказа будут пытаться увеличить пороговый предел, а элементы с высокой вероятностью невыполненного заказа будут пытаться уменьшить пороговый предел. Нам нужно приспосабливаться и играть с этим компромиссом, чтобы максимизировать общую прибыль. Каждый товар с различным пороговым значением может быть дополнительно агрегирован для получения общего порогового значения с максимальной прибылью от управления запасами и просроченными заказами. Используя обсуждаемые методы машинного обучения, компании могут лучше оптимизировать управление запасами, не жертвуя при этом самой важной целью максимизации прибыли.

Мы в DataToBiz подключаем предприятия к данным и выделяемся передовыми технологиями машинного обучения для решения большинства простых и тривиальных проблем владельцев бизнеса с помощью данных. Не стесняйтесь Связаться с нами.