L'IA au service de la prévision en grande distribution : assister la décision humaine sans s'y substituer

Während alle Branchen darauf angewiesen sind, im richtigen Moment die richtige Menge zu produzieren, ist die Branche des Großhandels besonders von der Frage der Lagerverwaltung betroffen. Um den Absatz zu steuern, verfügten diese Akteure über mehr als nur ihre historische Entwicklung über mehrere Jahre. Eine Methode, die allerdings auch einige Nachteile mit sich bringt. Heute können dank maschinellem Lernen wesentlich bessere Prognosemodelle erstellt werden, die ein Panel von konsumbeeinflussenden Merkmalen berücksichtigen.

Da es sich um ein sehr großes Volumen an täglich verbrauchten und oft verderblichen Produkten handelt, ist die Verwaltung von Vorräten und Beständen ein echtes Problem für den Sektor PGC (Produits de Grande Consommation). In den Vereinigten Staaten kosteten die Unter- und Überbestände sowie die Rücklieferungen von Produkten 1,75 Milliarden Dollar pro Jahr. Um die Investitions- und Betriebskosten zu senken, waren die Informationen, auf die sich die Prognosen der ERP-Systeme (Enterprise Resource Planning) stützten, in den meisten Fällen die historischen Umsätze über mehrere Jahre hinweg. Allerdings sind diese Methoden, die auf dem Vergleich der Umsätze eines Jahres mit denen eines anderen beruhen, eine Quelle von Fehlern.

Vor allem, weil in einer gleichen Zeitspanne zahlreiche Parameter das Kaufverhalten verändern können. Das kann an der Konjunktur liegen, an Konsumtendenzen (Effekt « Global Shoppers » für die Kategorien, die für eine touristische Kundschaft relevant sind, wie z.B. Luxus, Änderung der Gesetzgebung), an der Einführung eines neuen Produkts in einer seltenen Kategorie, an einer Gesundheitskrise (!), an neuen Verhaltensweisen, usw. Darüber hinaus berücksichtigt diese Art der Vorhersage nicht die Wertentwicklung, d.h. die potenziellen Schwankungen, da sie die Umsätze wie eine zwangsläufige Regelmäßigkeit «ausgleicht». Oder ein Lagerbruch kann in der Vergangenheit zu einer vorübergehenden Unterbrechung des Absatzes eines Produkts oder einer ganzen Kategorie führen. Diese Brüche werden daher als ein Zeichen für die Verunsicherung der Verbraucher interpretiert, obwohl sie im Gegenteil zu einem höheren Absatz als im Normalfall führen können. Enfin, il faut noteter qu'une rupture en rayon ne signifie pas forcément rupture de stock. Bei einer großen Fläche ist es schwierig, die Wiederherstellung der Strahlen in kürzester Zeit zu gewährleisten. Die Ausrichtung der Produktionskette auf die Nachfrage mit Hilfe einer Technologie, die diese Probleme lösen kann, war daher eine wichtige Aufgabe für die Händler.

Dies ist eine Entscheidung, die mit maschinellem Lernen getroffen wurde! Um ein Modell zu entwickeln, das die Umsätze über 4 Halbjahre hinweg vorhersagen kann, müssen Sie ein Maximum an Phänomenen berücksichtigen, die die Entwicklung der Umsätze beeinflussen können, und jedes Tripel aus Tag x Produkt x Geschäft anhand eines Ensembles von Indikatoren wie der Saisonalität, den Tendenzen oder auch den Preisen genau bestimmen. Warum sollten Sie sich auf diese drei Indikatoren beschränken? Nehmen wir zum Beispiel die Saisonalität: Wenn die Prognosen nicht auf der Grundlage des Kaufdatums erstellt werden, besteht die Gefahr, dass sie falsch sind. Ein Jahr nach dem anderen kann ein und dasselbe Datum einem Wochenendtag, einem familiären oder religiösen Fest oder einem wichtigen Fußballspiel entsprechen... dies sind weitere Ereignisse, bei denen der Verbrauch bestimmter Produktkategorien in die Höhe getrieben wird. Ein anderes Beispiel sind die Preise: Promotion-Angebote für ein Produkt können den Absatz von Produkten der gleichen Kategorie kannibalisieren oder die Attraktivität eines Geschäfts sogar noch steigern. Um eine Werbestrategie zu optimieren, ist es notwendig, die Wirkung zu berücksichtigen. Die Gesamtheit der Parameter, die den Umsatz beeinflussen können, kann mit Hilfe von Modellen, die auf maschinellem Lernen und fortschrittlichen Techniken der künstlichen Intelligenz basieren, analysiert werden.

Wenn die Technologie zur Verfügung steht, müssen die Distributoren auch in der Lage sein, die immense Menge an Daten zu sammeln und zu analysieren, die für diese Prognosen erforderlich ist. Die Datenquellen sind vielfältig, so dass es schwierig sein kann, die verschiedenen Excel- und PDF-Dateien, in denen sich die Informationen zu den Medienplänen und anderen Berichten befinden, zu extrahieren und zusammenzuführen. Der Einsatz von Big data zur Zusammenführung von protokollierten Daten an einem Ort ist eine Grundvoraussetzung für die Entwicklung von Modellen, mit denen Sie die Probleme mit den Beständen lösen können. En voici deux exemples.

Die überwiegende Mehrheit der Distributoren hat Umsatzzahlen aus mehreren Jahren. Dennoch können einige von ihnen mit Werbeaktionen oder Ereignissen ohne Vorgeschichte konfrontiert sein (z.B. einem Radrennen oder der Organisation eines großen Sportereignisses in einem nahe gelegenen Gebiet). Um dieses Defizit auszugleichen, ist es möglich, die lückenhaften historischen Daten mit den Daten von Händlern oder Verkaufsstellen mit ähnlichen Profilen zu kombinieren. Dieses Modell wurde mit Artefact auf einer 020er-Platte in China getestet und bestätigt, mit einer Erhöhung der Genauigkeit der Prognosen um 20%.

Ein weiteres Problem: Vermeiden Sie einen Strahlenbruch, solange das Produkt auf Lager ist. Es ist schwierig, von den Angestellten einer großen Fläche zu verlangen, dass sie den Austausch von Geräten kontinuierlich überprüfen. Darüber hinaus ist die Installation von Kameras und Steuerungen sehr kostspielig. In diesem konkreten Fall genügen die übrigen Daten, wie z.B. der Umsatz in Echtzeit, die Eigenschaften des Artikels und die Merkmale der Strahlung, um den Bruch von Strahlungsvorräten zu verhindern. Sie können zum Beispiel die Abkühlungsrate modellieren, d.h. die Zeit, die zwischen zwei Verkäufen eines gleichen Produkts in einem Geschäft vergeht. Im Falle einer statistischen Anomalie kann ein Verkäufer zur Analyse der Situation und zur Behebung der Anomalie zurücktreten.

Die Anwendungen von data und Machine Learning im Einzelhandel sind vielfältig, und die Umsatzprognose ist nur ein kleiner Teil davon. Abgesehen von der Steigerung des Umsatzes durch die Optimierung der Lagerverwaltung kann die Nutzung der Daten eine wertvolle Hilfe für den Einzelhandel, die Lieferkette oder das Merchandising sein. Ein wertvoller Helfer für den Menschen, der so von komplexen Aufgaben befreit ist, um verlässliche oder chronologische Ergebnisse zu erzielen, und mehr Zeit für seine Geschäftsstrategie oder die Verbesserung der Kundenerfahrung aufwenden kann.