Искусственный интеллект стал неотъемлемой частью современного мира и находит свое применение во многих отраслях и подразделениях бизнеса, включая логистику и управление ассортиментом. Использование инструментов ИИ в этих областях позволяет улучшить эффективность и оптимизировать ряд процессов. Это, в свою очередь, приводит к улучшению качества обслуживания клиентов и увеличению прибыли.
В качестве бизнес-кейса Юрий Жуков - директор по аналитике ГК “Сантехника-Онлайн” с 10-летним опытом работы в сфере данных, в частности в разработке моделей машинного обучения и моделей искусственного интеллекта, предлагает рассмотреть единую платформу управления ассортиментом, напрямую связанную со складской логистикой в группе компаний.
Модель прогнозирования продаж
Центральным ядром этой системы является модель прогнозирования продаж. Детали построения модели выходят за рамки данной статья, отмечу лишь два основных тезиса:
- Количество данных играет большую роль. В случае если отсутствует статистика продаж хотя за 3 предыдущих года, тогда не имеет смысла применять современные нейросетевые архитектуры модели, лучше обойтись более простыми классическими алгоритмами машинного обучения (по качеству классика в данном сценариии будет даже выигрывать).
- Качество данных играет еще большую роль: даже лучшая с точки зрения архитектуры модель будет уступать простым аналогам, в случае если данные для обучения не были предварительно обработаны и подготовлены (очистка от выбросов, связанных с ошибками в данных/различные маркетинговые активности и т. д.).
При этом все мы прекрасно понимаем, что добиться 100% точности модели никогда не получится, поэтому здесь важно оценивать риски ошибок модели и определить для себя ту стратегию, которая наиболее подходит для конкретного бизнеса. В процесс обучения можно накладывать дополнительные штрафы, с целью достижения нужного поведения модели в зависимости от выбранной стратегии:
- Минимизация риска out-of-stock — в данном случае модель будет перестраховываться и формировать более оптимистический прогноз продаж, что может привести к ухудшению показателя оборачиваемости складских запасов.
- Минимизация риска over stock — модель будет формировать прогноз только по тем товарам, в которых она «уверена», что с одной стороны повысит оборачиваемость запасов, с другой стороны снизит долю товаров в наличии.
Модель управления складскими запасами
Имея на руках модель прогнозирования, можно двигаться далее и построить модель хранения оптимального количества товаров на складе (т. е. расчет страхового и нормативного запаса). Управление нормативным запасом позволяет минимизировать риск резкого повышения уровня продаж и обеспечить равномерность поставок товаров от поставщиков.
Модель динамического ценообразования
Немаловажную роль во всей этой цепочке играет модель динамического ценообразования, построенная на алгоритмах обучения с подкреплением. Основная идея модели — оптимизация долгосрочной валовой прибыли за счет анализа цен конкурентов и определения минимальных границ рентабельности продаж. Итеративно модель определяет равновесную цену продажи товаров, и с одной стороны позволяет оперативно реагировать на изменение конъюнктуры рынка, а с другой — сохранять целевые показатели доходности компании, заложенные в процесс обучения.
Интеллектуальные модели управления ассортиментом на сайте
Следующим звеном цепочки является совокупность моделей управления ассортиментом на основном продукте компании — сайте. К этим моделям относятся:
- Управление поисковой выдачей товаров на сайте.
- Рекомендательные блоки на карточке товаров.
В логику обучения моделей закладывалась информация по оборачиваемости товаров на складах, поэтому данный инструмент позволяет гибко работать в том числе с низколиквидными товарами, тем самым управляя рисками ошибок модели прогнозирования продаж.
Выводы: плюсы и недостатки
Внедрение данной системы управления запасами позволило значительно повысить ключевые операционные и стратегические показатели компании, тем самым увеличив совокупный валовой доход.
- Сокращение сроков доставки товара клиентам
- Увеличение оборачиваемости складских запасов
- Повышение конверсионной воронки на всех этапах взаимодействия клиента
Однако, помимо плюсов, использование искусственного интеллекта имеет и некоторые недостатки. Один из основных недостатков — высокая стоимость внедрения и поддержки системы. Для многих компаний это может стать серьезным барьером на пути к внедрению ИИ.
- Основное условие — наличие корпоративного хранилища данных (DWH) с выстроенными ETL-процессами.
- Стоимость внедрения — для эффективного построения систем ИИ должна быть сформирована отдельная команда с соответствующими навыками и знаниями. Есть вариант привлечения внешних экспертов, но это также достаточно затратное мероприятие. Сюда стоит отнести стоимость серверного оборудования (либо аренда облачных серверов, либо собственные сервера), на котором будет осуществляться обучение, развертывание и мониторинг всех моделей ИИ.
- ИИ может быть ограничен в принятии решений в сложных и нестандартных ситуациях, что требует участия человека.
