{"id":21367,"date":"2020-11-25T13:32:21","date_gmt":"2020-11-25T13:32:21","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=21367"},"modified":"2024-09-20T17:45:24","modified_gmt":"2024-09-20T16:45:24","slug":"reducing-product-stock-outs-in-hypermarkets-with-time-series-modelling","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/reducing-product-stock-outs-in-hypermarkets-with-time-series-modelling\/","title":{"rendered":"Verringerung von Produktausf\u00e4llen in Hyperm\u00e4rkten mit Hilfe von Zeitreihenmodellen"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NACHRICHTEN \/ KI-TECHNOLOGIE<\/p>\n<\/div>

25. November 2020
\nIn diesem Artikel erl\u00e4utern die Artefact Senior Data Scientists Kasra Mansouri und Camille Le Gonidec, wie man ein data wissenschaftliches Produkt mit begrenzten data und hohen gesch\u00e4ftlichen Einschr\u00e4nkungen entwickelt. Finden Sie heraus, wie sie mit Hilfe von Zeitreihenmodellen die Produktausf\u00e4lle in Hyperm\u00e4rkten reduzieren konnten. <\/p>\n<\/div><\/div><\/div><\/div><\/div>

\n
\n
\n

Problemstellung<\/strong><\/span><\/p>\n

Wir alle kennen die Entt\u00e4uschung am Sonntagmorgen, wenn wir unser Lieblingsm\u00fcsli oder unsere Lieblingslimonade nicht im Regal unseres \u00f6rtlichen Gesch\u00e4fts finden. In der Tat sind Regalfehlbest\u00e4nde ein gro\u00dfer Schmerzpunkt f\u00fcr Einzelhandelsgesch\u00e4fte: Sie bedeuten nicht nur eine verlorene Umsatzchance, sondern auch einen R\u00fcckgang der Kundenzufriedenheit, die dann eher das Gesch\u00e4ft wechseln.<\/span><\/p>\n

Es sind vor allem zwei Ph\u00e4nomene, die dazu f\u00fchren, dass ein Regal nicht mehr lieferbar ist:<\/span><\/p>\n

    \n
  • Das Gesch\u00e4ft hat das betreffende Produkt nicht vorr\u00e4tig, d.h. selbst im Lager des Gesch\u00e4fts ist das Produkt nicht vorr\u00e4tig. Dies kann entweder auf eine untersch\u00e4tzte Kundennachfrage oder auf logistische Probleme zur\u00fcckzuf\u00fchren sein.<\/span><\/li>\n
  • Der Laden hat das Produkt auf Lager, aber das Regal ist leer. Die Regale werden in der Regel jeden Morgen aufgef\u00fcllt, aber es gibt keinen Angestellten, dessen spezielle Aufgabe es ist, sich tags\u00fcber um den Bestand zu k\u00fcmmern. Einen Mangel im Vorbeigehen am Regal zu bemerken, kann f\u00fcr kleine Gesch\u00e4fte tragbar sein, wird aber f\u00fcr Hyperm\u00e4rkte angesichts ihrer Gr\u00f6\u00dfe zu einem Problem. Einige Regale bleiben leer (auch wenn der Bestand positiv ist), bis ein Angestellter den Mangel entdeckt oder bis zum n\u00e4chsten Morgen die Regale aufgef\u00fcllt werden.<\/span><\/li>\n<\/ul>\n

    Wir befassen uns hier mit der zweiten Art von Fehlbest\u00e4nden, denn unser Ziel war es, den Mitarbeitern eines Verbrauchermarktes dabei zu helfen, Fehlbest\u00e4nde in den Regalen zu erkennen, damit sie diese korrigieren und den Verkauf der Produkte wieder aufnehmen k\u00f6nnen. Wir haben viel Zeit vor Ort verbracht, um die Probleme unserer Benutzer zu verstehen und die beste L\u00f6sung f\u00fcr sie zu entwickeln.<\/span><\/p>\n

    Wir haben herausgefunden, dass die beste Option f\u00fcr die operativen Teams darin besteht, t\u00e4glich gegen 14:00 Uhr eine Benachrichtigung zu erhalten (keine Notwendigkeit f\u00fcr Echtzeit), mit einer Liste von Artikeln, die nicht im Regal stehen und die sie korrigieren sollten.<\/span><\/p>\n

    Aber<\/b> Wie k\u00f6nnen wir Regalfehlbest\u00e4nde ohne visuelle Anhaltspunkte erkennen?<\/b>? Die Installation von Kameras oder visuellen Sensoren w\u00e4re in der Tat zu kostspielig, und wir k\u00f6nnen von unseren Mitarbeitern nicht verlangen, dass sie jeden Tag den Status der Regale \u201c\u00fcberpr\u00fcfen\u201d, um data zu sammeln. Unsere gr\u00f6\u00dfte Herausforderung liegt in der Tatsache, dass es <\/span>keine historischen data auf Lager verf\u00fcgbar<\/b> (die einzige Information, die wir haben, ist der globale Lagerbestand am Ende des Tages), daher k\u00f6nnen wir uns nur auf eine begrenzte Anzahl von Funktionen verlassen: <\/span>Echtzeit-Verk\u00e4ufe, Artikelattribute und Merkmale des Gesch\u00e4fts<\/b>.<\/span><\/p>\n<\/div>\n<\/div>\n<\/section>\n

    \n
    \n
    \n

    Vorgeschlagene Ans\u00e4tze<\/strong><\/span><\/p>\n

    Wie oben erl\u00e4utert, bestand die gr\u00f6\u00dfte Herausforderung darin, dass es keine markierten data f\u00fcr die Regalbest\u00e4nde gab, was uns daran hinderte, den urspr\u00fcnglich angedachten ML-Ansatz zu verwenden. Daher haben wir einen alternativen Ansatz zur Erstellung unseres Erkennungsmodells in Betracht gezogen.<\/p>\n

    Zeitreihenvorhersage der st\u00fcndlichen Verk\u00e4ufe<\/strong><\/span><\/p>\n

    Unser erster alternativer Ansatz bestand aus <\/span>Erkennen von Umsatzanomalien (ungew\u00f6hnlich niedrige Ums\u00e4tze) durch<\/b> Vorhersage der st\u00fcndlichen Verk\u00e4ufe von Produkten und anschlie\u00dfender Vergleich mit den tats\u00e4chlichen Verk\u00e4ufen<\/b>.\u00a0<\/span><\/p>\n

    Die Idee dahinter ist, die regul\u00e4re Verkaufsmenge, die wir f\u00fcr ein Produkt erwarten, wenn es keine \u201cAnomalien\u201d im Gesch\u00e4ft gibt, zu sch\u00e4tzen\/vorhersagen, sie dann mit den tats\u00e4chlichen Verk\u00e4ufen zu vergleichen und einen Alarm auszul\u00f6sen, wenn der Unterschied \u201cgro\u00df\u201d ist. Wenn wir also unser Modell jeden Tag um 14.00 Uhr anwenden, w\u00fcrden wir die Verk\u00e4ufe jedes Produkts bis 14.00 Uhr vorhersagen und dann Anomalien erkennen, indem wir die tats\u00e4chlichen Verk\u00e4ufe jedes Produkts mit unseren Sch\u00e4tzungen vergleichen.<\/span><\/p>\n

    Als Ausgangspunkt haben wir ein einfaches<\/span> Modell des gleitenden Durchschnitts<\/b>. F\u00fcr jede Stunde w\u00fcrde das Modell seine Vorhersagen treffen, indem es den Durchschnitt der Verk\u00e4ufe des Produkts in der gleichen Stunde in den letzten 30 Tagen ermittelt. Wir w\u00fcrden dann diesen Wert mit den tats\u00e4chlichen Verk\u00e4ufen des Produkts in dieser Stunde vergleichen. Wenn sich die folgende Ungleichheit best\u00e4tigt, w\u00fcrden wir eine Warnung ausl\u00f6sen, dass das Produkt nicht auf Lager ist.<\/span><\/p>\n

    \n
    \n
    \n
    \n
    <\/div>\n

    \"Image<\/p>\n<\/div>\n

    <\/div>\n<\/div>\n<\/div>\n<\/figure>\n

    Dieser Ansatz basiert auf der Annahme, dass die st\u00fcndlichen Verk\u00e4ufe der Produkte einem\u00a0Normalverteilung\u00a0<\/strong>und zielt darauf ab, auf Produkte au\u00dferhalb des 95% des Konfidenzintervalls aufmerksam zu machen.<\/p>\n

    \n
    \n
    \n
    \n
    \n
    <\/div>\n

    \"\"<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>

    Abbildung 1: Beispiel f\u00fcr eine Normalverteilung<\/em><\/figcaption><\/figure>\n

    Und das ist ganz und gar nicht der Fall! Wenn wir uns die st\u00fcndlichen Verk\u00e4ufe in einem Gesch\u00e4ft ansehen, erhalten wir nur ein sehr geringes Zeitreihensignal. Das liegt ganz einfach daran, dass die meisten Produkte mehrere Stunden am Tag keine Verk\u00e4ufe aufweisen, so dass das Modell f\u00fcr die jeweilige Stunde einen Wert nahe 0 vorhersagen w\u00fcrde (indem es den Durchschnitt der vergangenen Werte nimmt). Daher ist die Modellierung der st\u00fcndlichen Verk\u00e4ufe eindeutig nicht der richtige Weg.<\/p>\n

    \n
    \n
    \n
    \n
    \n
    <\/div>\n

    \"Image<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>

    Abbildung 2: Verkaufsmenge eines Sodagetr\u00e4nks pro Stunde<\/em><\/figcaption><\/figure>\n

    Wir haben versucht, unseren Ansatz leicht zu modifizieren, indem wir vorhersagen\u00a0Tagesumsatz<\/strong>\u00a0Menge<\/strong> bis 14.00 Uhr, aber wir h\u00e4tten immer noch viele Produkte, f\u00fcr die wir nicht genug Signal haben, wir nennen sie \u00abProdukte mit niedriger Rotation\u00bb. Dieser Ansatz h\u00e4tte wahrscheinlich bei Produkten mit hoher Rotation wie Coca-Cola Limonaden, Wasserflaschen usw. funktioniert, aber unsere L\u00f6sung musste bei allen Produkten in einem Verbrauchermarkt funktionieren, deshalb haben wir diesen Ansatz eingestellt.<\/p>\n<\/div>\n<\/div>\n<\/section>\n<\/div><\/div><\/div><\/div><\/div>

    \n
    \n
    \n

    Erkennung von Anomalien mit Hilfe der Poisson-Verteilung<\/span><\/strong><\/p>\n

    Unser zweiter Ansatz war, zu versuchen\u00a0Modellierung der H\u00e4ufigkeit der Verk\u00e4ufe (und nicht der Menge)<\/strong>,\u00a0d.h. die verstrichene Zeit zwischen 2 aufeinanderfolgenden Verk\u00e4ufen eines einzelnen Produkts.<\/strong><\/p>\n

    Wir haben statistische Tests zu den Verk\u00e4ufen einiger Produkte data durchgef\u00fchrt und festgestellt, dass die Zeit zwischen zwei aufeinanderfolgenden Verk\u00e4ufen einer Exponentialverteilung folgt, was intuitiv Sinn macht, da eine Exponentialverteilung normalerweise zur Modellierung der Zeit zwischen verschiedenen Ereignissen verwendet wird.<\/p>\n

    Die logische Konsequenz daraus ist, dass wir<\/strong>\u00a0kann die \u00abVerkaufsrate\u00bb eines Produkts mit einer Poisson-Verteilung modellieren.<\/strong>\u00a0Unter Verkaufsrate verstehen wir die Anzahl der Durchl\u00e4ufe eines Produkts an der Kasse w\u00e4hrend einer Stunde, unabh\u00e4ngig von der verkauften Menge.<\/p>\n

    \n
    \n
    \n
    \n
    \n
    <\/div>\n

    \"Image<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>

    Abbildung 3: Histogramm der Verteilung der Zeit zwischen den einzelnen Verk\u00e4ufen eines bestimmten Kekses<\/strong><\/em><\/figcaption><\/figure>\n
    \n
    \n
    \n
    \n
    \n
    <\/div>\n

    \"Image<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>

    Abbildung 4: Beispiel f\u00fcr eine Exponentialverteilung<\/em><\/figcaption><\/figure>\n

    Daher besteht unser zweiter alternativer Ansatz darin, die regul\u00e4re Verkaufsrate f\u00fcr jedes Produkt zu sch\u00e4tzen, d.h. die lambda<\/i> Parameter der Poisson-Verteilung, und vergleichen Sie dies dann mit den realen t\u00e4glichen Verk\u00e4ufen bis 14.00 Uhr.<\/p>\n

    Dies ist ein 2-stufiger Prozess:<\/p>\n

    Berechnen Sie die <\/span>lambda<\/i><\/strong>:<\/strong> Die <\/span>lambda <\/i>ist der Mittelwert der Poisson-Verteilung. Um ihn zu sch\u00e4tzen, m\u00fcssen wir also den Mittelwert unserer vergangenen data-Punkte berechnen, d.h. die durchschnittliche Anzahl der Kassen pro Stunde, die das Produkt in der Vergangenheit hatte. Wir haben f\u00fcr unsere Berechnung eine historische Tiefe von 50 Tagen gew\u00e4hlt, um Informationen aus der nahen Vergangenheit zu erhalten. Au\u00dferdem berechnen wir die <\/span>lambda<\/i> f\u00fcr jeden Wochentag separat, da es eine starke w\u00f6chentliche Saisonalit\u00e4t bei den Produktverk\u00e4ufen in einem Verbrauchermarkt gibt.<\/span><\/p>\n

    Konkret sammeln wir die Verk\u00e4ufe data eines Produkts aus den letzten 50 Tagen, berechnen seine Verkaufsrate an jedem Tag und berechnen dann die durchschnittliche Verkaufsrate f\u00fcr jeden Wochentag, daher ergibt unsere Berechnung 7 lambda <\/i>Zahlen, eine f\u00fcr jeden Wochentag. Diese Berechnung wird jede Woche durchgef\u00fchrt.<\/p>\n

    Erkennung von Anomalien:<\/strong> Jeden Tag um 14.00 Uhr suchen wir nach dem letzten Verkauf des Produkts. Dann berechnen wir die Wahrscheinlichkeit (Poisson-Wahrscheinlichkeitsmassenfunktion), dass zwischen dem letzten Verkauf und 14 Uhr keine Verk\u00e4ufe stattgefunden haben, wenn die lambda <\/i>Parameter. Wenn die Wahrscheinlichkeit unter 1% liegt, dann gehen wir davon aus, dass das Produkt eine ungew\u00f6hnlich niedrige Verkaufsrate hat.<\/p>\n

    Stellen wir uns zum Beispiel eine Coca-Cola Limonade vor, die regelm\u00e4\u00dfig alle 20 Minuten verkauft wird und daher einen lambda<\/i>=3, und dass der letzte Verkauf heute um 11 Uhr stattfand. Wir berechnen die Poissonsche Wahrscheinlichkeitsfunktion f\u00fcr 0 Verk\u00e4ufe in 3 Stunden, da wir wissen, dass das Produkt regelm\u00e4\u00dfig 3 Mal pro Stunde verkauft wird.<\/p>\n

    \n
    \n
    \n
    \n
    <\/div>\n

    \"Image<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/figure>\n<\/div>\n<\/div>\n<\/section>\n

    <\/div>\n
    \n
    \n
    \n

    Ergebnisse<\/strong><\/span><\/p>\n

    Wir haben erste Tests mit unserem Poisson-Modell durchgef\u00fchrt, um zu ermitteln, wie gut es die Verk\u00e4ufe um 14 Uhr sch\u00e4tzen kann. Das Modell war in der Lage, die Anzahl der Produktk\u00e4ufe mit einer Genauigkeit von <\/span>67%<\/b>. Dieses Ergebnis best\u00e4tigte unsere Intuition, dass ein Poisson-Modell das richtige Werkzeug sein k\u00f6nnte, um Produktknappheit genau zu erkennen. Deshalb haben wir beschlossen, unser Modell in der Praxis zu testen.<\/span><\/p>\n

    Wir waren alle zwei Tage in zwei Gesch\u00e4ften, um die Genauigkeit der Warnungen unseres Modells bei 3000 Produkten zu testen und zu bewerten, die von den Gesch\u00e4ften als besonders wichtig eingestuft wurden. Eine Warnung w\u00fcrde als genau gelten, wenn das Regal zur gleichen Stunde, in der die Warnung gesendet wurde, leer war oder weniger als 10% seiner durchschnittlichen Kapazit\u00e4t hatte. Diese Evaluierungsphase dauerte 2,5 Monate und f\u00fchrte zu einer gemessenen <\/span>Pr\u00e4zisionsrate von 58% (d.h. 58% der Stockout-Warnungen unseres Modells waren korrekt)<\/b>.<\/span><\/p>\n

    \u00a0<\/span><\/p>\n

    Auch wenn die Pr\u00e4zision des 58% nicht gerade gl\u00e4nzt, sollten Sie wissen, dass diese L\u00f6sung <\/span>sehr einfach zu implementieren<\/b> (Sie ben\u00f6tigen lediglich Zugriff auf die historischen Verk\u00e4ufe data und die Verk\u00e4ufe data in den Gesch\u00e4ften fast in Echtzeit) und k\u00f6nnen <\/span>leicht auf alle Filialen skaliert werden <\/b>um das Risiko von Regalfehlbest\u00e4nden zu reduzieren. <\/span><\/p>\n

    Sie k\u00f6nnen diese L\u00f6sung f\u00fcr jedes Gesch\u00e4ft in <\/span>weniger als eine Woche<\/b> und erhalten Sie direkt 58-60% Pr\u00e4zision! Denken Sie daran, dass ein <\/span>ein zuf\u00e4lliges Klassifizierungsmodell h\u00e4tte eine Genauigkeit von fast 5%<\/b> da in der Regel etwa 5% der Produkte in den Regalen vergriffen sind.<\/span><\/p>\n

    Au\u00dferdem k\u00f6nnte diese L\u00f6sung Teil eines <\/span>gr\u00f6\u00dferes Produkt, das die<\/b> alle Arten von Alarmen mit einer Feedback-Schleife<\/b>. Die Warnungen, bei denen es sich um Fehlbest\u00e4nde handelt, werden dazu f\u00fchren, dass die Mitarbeiter des Ladens Ma\u00dfnahmen ergreifen und die Regale wieder auff\u00fcllen. Die Warnungen, bei denen es sich nicht um Fehlbest\u00e4nde handelt, k\u00f6nnten f\u00fcr weitere Analysen verwendet werden, um zu verstehen, warum das Produkt einen ungew\u00f6hnlich niedrigen Umsatz hatte. Man k\u00f6nnte auch dar\u00fcber nachdenken, ein Modell f\u00fcr maschinelles Lernen zu entwickeln, das die Warnungen als Fehlbest\u00e4nde im Regal klassifiziert oder nicht, da wir damit beginnen werden, gekennzeichnete data zu sammeln.<\/span><\/p>\n

    Dieser Artikel wurde zuerst auf The Artefact Tech Blog ver\u00f6ffentlicht - eine Bibliothek mit technischen und data wissenschaftlichen Artikeln.<\/a><\/p>\n<\/div>\n<\/div>\n<\/section>\n<\/div><\/div><\/div><\/div><\/div>

    <\/span><\/div><\/div><\/div>
    <\/span><\/a><\/span>

    Interessieren Sie sich f\u00fcr Digital und data marketing?<\/b><\/p>\n

    Abonnieren Sie den Data Digest, den Newsletter von Artefact, und Sie erhalten jeden Monat praktische Ratschl\u00e4ge, Einblicke und Meinungen in Ihren Posteingang.<\/p>\n

    Melden Sie mich an!<\/b><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

    25. November 2020
    \n In diesem Artikel erl\u00e4utern Kasra Mansouri und Camille Le Gonidec, leitende Wissenschaftler bei Artefact, wie man ein wissenschaftliches Produkt unter begrenzten Ressourcen und hohen gesch\u00e4ftlichen Anforderungen entwickelt.\u00a0Erfahren Sie, wie es ihnen gelang, mithilfe von Zeitreihenmodellierung Produktl\u00fccken in Hyperm\u00e4rkten zu reduzieren.<\/p>","protected":false},"featured_media":21212,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-21367","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/21367","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/21212"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=21367"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=21367"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=21367"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}