مع تزايد أهمية المبادرات البيئية والاجتماعية والحوكمة (ESG) للشركات ، يسعى عملاؤنا ، أحد أكبر سلاسل المتاجر الصغيرة في منطقة الصين الكبرى ، إلى إيجاد حل لتقليل هدر الطعام (حاليًا يزيد عن 3.5 مليون دولار أمريكي سنويًا). سيسمح لهم القيام بذلك ليس فقط بتحقيق وفورات تشغيلية كبيرة ، ولكن أيضًا دعم أهداف استدامة الشركة.

في هذا المنشور ، نركز على التنبؤ بالطلب على الأطعمة الطازجة من قبل متاجر البيع بالتجزئة. يبيع عملاؤنا المواد الغذائية الجاهزة للأكل بفترة صلاحية قصيرة - عادة من يومين إلى ثلاثة أيام. لقد واجهوا تحديين: كيفية تقليل هدر الطعام ، وكيفية إدارة نماذج التنبؤ لأكثر من 2 وحدة تخزين SKU وآلاف المتاجر بكفاءة وعلى نطاق واسع.

بدافع توقعات الأمازون، والدعم من أوس بروسيرف فريق و مختبر حلول التعلم الآلي في AWS، أصبح لدى عملائنا - بعلماء البيانات الداخلية المحدودين - إمكانات تنبؤية حديثة. في غضون بضعة أشهر ، ساعدهم حل التنبؤ هذا في تقليل إهدار المنتجات بنسبة 37٪ ، مما أدى إلى توفير التكاليف بنسبة 22٪ عبر 168 متجرًا وثلاث فئات للبضائع.

لتحقيق هذه الفوائد التشغيلية ، قاموا بتنفيذ عدد من أفضل عمليات الممارسات ، بما في ذلك دورة اختبار وتكرار البيانات السريعة ، والاختبار الموازي للعثور على مجموعات البيانات المثلى. كما أنشأوا خطوط أنابيب لمعالجة البيانات والتنبؤ ، والتي يمكن أن تتسع لآلاف المتاجر وفئات المنتجات ، وطوّروا بنية مرجعية قابلة للتطوير لاستخدامها في الامتدادات المستقبلية.

تحدي ESG للأطعمة الطازجة

بالإضافة إلى بيع المنتجات المستدامة بيئيًا ، من المهم أيضًا أن تسعى صناعة البيع بالتجزئة جاهدة من أجل العمليات الصديقة للبيئة التي تقلل من النفايات. يتيح التنبؤ المتقدم بالمخزون باستخدام التعلم الآلي (ML) لمتاجر البيع بالتجزئة زيادة المبيعات وتقليل النفايات من خلال إدارة المخزون ودورانه بشكل أكثر فعالية. يمثل المخزون الذي لا يمكن بيعه مشكلة لسلسلة المتاجر الصغيرة - فهو يتسبب في خسائر مالية ويزيد من الآثار البيئية السلبية من خلال الاستخدام المفرط لمدخلات الطاقة وعمليات الإنتاج غير الفعالة. وبسبب الكميات الكبيرة ، يمكن أن تلعب المواد الغذائية الطازجة قصيرة الأجل دورًا كبيرًا في كل من النتائج المالية والاستدامة.

إلى جانب وجود فترة صلاحية قصيرة ، فإن تحديات التنبؤ الإضافية بالطلب على الأغذية الطازجة تشمل معدل الدوران السريع ، وإطلاق المنتجات الجديدة بشكل متكرر ، وأحجام SKU العالية. خاصة:

• مقارنة بالفئات الأخرى ، يجب بيع المنتجات سريعة التلف قصيرة الأجل في غضون فترة زمنية قصيرة ، وإلا ستنتهي صلاحيتها ويتم التخلص منها. لذلك ، يعد التنبؤ الدقيق أكثر أهمية من العناصر التي يمكن تخزينها وبيعها على مدى فترة زمنية أطول.
• عمليات إطلاق المنتجات الجديدة متكررة ، مما يجعل التنبؤ أكثر صعوبة على مستوى SKU (مشكلة البداية الباردة).
• يمكن أن يتسبب عدد كبير من العناصر في حدوث مشكلات في إدارة النموذج للخوارزميات التقليدية مثل ARIMA ، والتي يتم تكوينها لكل عنصر. سوف تحتاج إلى صيانة العديد من النماذج ، وهو أمر مكلف ويصعب قياسه.

التنبؤ بالمخزون

Amazon Forecast عبارة عن خدمة AI / ML مُدارة بالكامل من AWS ، وتتضمن كلاً من خوارزميات التعلم الإحصائي والعميق التي تستند إلى أكثر من 20 عامًا من الخبرة في التنبؤ. من خلال نمذجة المجموعات على مستوى العنصر وتحسين المعلمة الفائقة للنموذج التلقائي ، فإنه يوفر تنبؤات تصل إلى 40٪ أكثر دقة من استخدام الأساليب التقليدية وحدها. بالإضافة إلى ذلك ، يمكن لميزات مثل إعادة التدريب التوقعي أن تقلل من وقت التدريب وتكلفته بنسبة تصل إلى 50٪.

لتحسين التنبؤ بالمخزون ، نظرنا في المحركات الرئيسية للطلب. حتى ضمن فئة الطعام الطازج ، هناك عناصر أكثر شيوعًا - مع معدل دوران أعلى للمخزون - وعناصر تبيع بشكل أبطأ. من خلال فصل العناصر الشائعة عن العناصر غير الشائعة والمتنبئين بالتدريب ، وجدنا أن المتنبئين يمكن أن يلائموا مجموعة البيانات بشكل أفضل ويعزز دقة النموذج بتوزيعات إحصائية مختلفة. بالإضافة إلى ذلك ، نظرًا لأن التنبؤ يوفر تنبؤات احتمالية استنادًا إلى الكميات التي يختارها العميل ، فقد قمنا بإعداد كميات التنبؤ بناءً على تواريخ انتهاء صلاحية العنصر وربحية الصنف.

لتنفيذ التنبؤ بالطلب الذي يعزز الاستدامة ، أخذنا في الاعتبار أيضًا الخصائص الخاصة بالصناعة:

• مهلة قصيرة
• ترددات عالية
• بدائل المنتجات وبدائلها
• علم نفس المستهلك (غالبًا ، من المرجح أن يقوم المستهلكون بالشراء إذا كان لديهم مجموعة متنوعة من المنتجات للاختيار من بينها)

لموازنة تنوع الرف مقابل إهدار المخزون ، لم ننتج فقط تنبؤات يومية للطلب ، ولكننا أجرينا أيضًا تحليلات ماذا لو لتحسين الترويج للعناصر غير المباعة قبل انتهاء صلاحيتها.

تمكنا من دمج هذه الاعتبارات وتلبية متطلبات عملائنا من خلال التنبؤ. في القسم التالي ، سنتعرف على كيفية إنشاء حل العميل بمزيد من التفصيل.

حل نظرة عامة

لتدريب متنبئ ، يتم استيعاب بيانات التدريب في تخزين البيانات من مصدر البيانات ، باستخدام أحد الصيغ المدعومة بواسطة التوقعات. خدمة تخزين أمازون البسيطة (Amazon S3) هي خدمة تخزين كائنات تقدم قابلية تطوير رائدة في الصناعة ، وتوفر البيانات ، والأمان ، والأداء. في مرحلة الاستيعاب ، نقوم بتحويل البيانات من مصدرنا إلى تنسيق مجموعة بيانات التنبؤ. يستخدم التنبؤ ثلاثة أنواع من البيانات: السلاسل الزمنية المستهدفة (TTS) المطلوبة ، والسلاسل الزمنية ذات الصلة (RTS) والبيانات الوصفية للعنصر (IM) ، وكلاهما اختياري.

لقد بدأنا مع أكثر وحدات SKU إهدارًا في المتاجر التي بها أكبر قدر من النفايات. للتنبؤ بالطلب اليومي لكل متجر ، بدأنا أولاً بالسلسلة الزمنية (الإيرادات والمخزونات والعروض الترويجية) ثم صقلنا نهجنا بناءً على خصائص المتجر مثل ما إذا كان امتيازًا أو متجرًا مملوكًا للشركة ، ونوع المتجر ، وتوافر دورات المياه ، والمتجر الحجم (صغير أو كبير) ، وعمر المتجر. استخدمنا أيضًا المعرفة الصناعية ، مثل العطلات المحلية والعروض الترويجية والطقس وحركة المرور اليومية. تتكون مجموعة بيانات TTS الخاصة بنا من الطابع الزمني ومعرف العنصر والطلب ؛ يتألف RTS من الطابع الزمني ومعرف العنصر والخصم والمخزون والطقس ؛ وتتألف مجموعة بيانات IM من معرف العنصر والفئة والبنى التحتية للمخزن. استخدمنا لتحديد أهمية هذه الميزات في توقعاتنا شرح—ميزة مدمجة في التنبؤ تقيس التأثير النسبي للسمات المختلفة على قيم التنبؤ.

يجب إنشاء مجموعة بيانات وربطها بمجموعة بيانات لتدريب المتنبئ. عند إنشاء متنبئ ، تقوم التوقعات تلقائيًا بتحديد الخوارزميات الصحيحة وضبط المعلمات الفائقة وتنفيذ نمذجة المجموعات. في اكتشاف مثير للاهتمام من هذه الحالة ، استخدمنا بيانات COVID-19 المتقاطعة (من 2018 إلى 2021) لتدريب النموذج ووجدنا أننا لسنا بحاجة إلى إضافة ميزات COVID-19 الأخرى مثل عدد الحالات المؤكدة يوميًا. يمكن لنماذج الشبكة العصبية العميقة التعلم مباشرة من الإيرادات اليومية.

يوضح الرسم البياني التالي بنية الحل.

يحتفظ عملاؤنا بسجلات معاملاتهم بتنسيق خدمة قاعدة بيانات الأمازون (Amazon RDS). نحن نستخدم أيضا غراء AWS لإجراء ETL (الاستخراج والتحويل والتحميل) ، وقراءة البيانات التي تغطي وحدات SKU المستهدفة عبر نطاق زمني ذي معنى ، وتحميل البيانات إلى Amazon S3 ببادئة محددة. بعد تحميل البيانات إلى Amazon S3 ، يتم تشغيل حدث S3 AWS لامدا ويستدعي وظائف خطوة AWS كأداة تنسيق.

في وظائف الخطوة ، نقوم بإعداد مجموعات البيانات التي تتضمن السلاسل الزمنية المستهدفة ، والسلاسل الزمنية ذات الصلة ، والبيانات الوصفية للعناصر. نستخدم وظيفة AWS Glue لمعالجة البيانات في حاوية S3. يمكننا بعد ذلك استدعاء واجهة API الخاصة بالتنبؤ لإنشاء مجموعة بيانات واستيراد البيانات من حاوية S3 المعالجة. عندما تكون مجموعات البيانات جاهزة ، يمكننا البدء في تدريب المتنبئ.

لتدريب المتنبئ ، تصمم مجموعة التنبؤ ستة خوارزميات مختلفة وتطبق التركيبة المثلى من الخوارزميات لكل سلسلة زمنية في مجموعة البيانات الخاصة بك. نحن نستخدم ال AutoPredictor API ، والتي يمكن الوصول إليها أيضًا من خلال وحدة التحكم في التوقعات.

بعد إنشاء المتنبئين ، قمنا بتقييم مقاييس الجودة الخاصة بهم في لوحة معلومات التنبؤ. يمكنك اختيار اسم المتنبئ لفحصه نتائج مفصلة مثل الخسارة الكمية الموزونة (wQL) ، والخطأ النسبي المطلق الموزون (WAPE) ، ومتوسط ​​الخطأ المطلق المقياس (MASE) ، والخطأ التربيعي لمتوسط ​​الجذر (RMSE) ، ومتوسط ​​النسبة المئوية للخطأ المطلق (MAPE). للتقييم والتحليل المخصصين ، يمكنك أيضًا تصدير ملف القيم المتوقعة لتقييم مقاييس جودة المتنبئ. في هذه الحالة ، استخدمنا المقياس الأصلي للعميل - MAPE - لإنتاج مقارنة جنبًا إلى جنب مع النموذج القديم للعميل (ARIMA) ، والتأكد من أن نموذج التنبؤ ينتج نتائج أفضل (MAPE أقل). بالنسبة لتحليلات جودة النموذج المستقبلية ، نوصي بأن يستخدم العميل RMSE ، والذي يفسر بشكل أفضل حقيقة أن العناصر المختلفة لها أحجام مبيعات مختلفة.

بعد أن أصبح المتنبئ جاهزًا ، أنشأنا نتائج تنبؤات لكل عنصر (item_id) والبعد (store_id) المشار إليها في مجموعة بيانات السلاسل الزمنية المستهدفة. تضع التوقعات النتائج في حاوية S3 مع بادئة S3 كوجهة.

يتم إنشاء نتائج التنبؤ في حاوية S3 ، مما يؤدي إلى تشغيل وظيفة Lambda وكتابة نتيجة التنبؤ إلى أمازون أورورا ليقوم المستخدم النهائي بالاستعلام. لتقديم نتيجة التنبؤ إلى جانب العميل ، نستخدمها بوابة أمازون API كنقطة دخول والاستعلام عن Aurora من خلال وظيفة Lambda.

لأتمتة هذه العملية ، استخدمنا وظائف الخطوة ، ونحافظ أيضًا على ملف الأمازون SageMaker دفتر ملاحظات لعلماء البيانات لتمييز واختبار تباينات البيانات المختلفة في مجموعة بيانات التدريب للعثور على مجموعات البيانات المثلى.

الملخص والخطوات التالية

في هذا المنشور ، أوضحنا كيفية استخدام التنبؤ لتقليل النفايات من خلال التنبؤ بالمخزون الأكثر فعالية للمنتجات الغذائية ذات العمر الافتراضي القصير. ساعد تطبيق التنبؤ المستند إلى ML عملاء التجزئة لدينا على تقليل هدر المنتج بنسبة 37٪ والتكاليف بنسبة 22٪ عبر 168 متجرًا وثلاث فئات للبضائع. علاوة على ذلك ، فإن البنية المرجعية قادرة على دعم التوسع في آلاف المتاجر وفئات المنتجات. لم تعمل هذه الجهود على تحسين النتائج المالية فحسب ، بل أظهرت أيضًا التزامها بممارسات غذائية أكثر استدامة وصديقة للبيئة. ساعدت هذه الإنجازات معًا عملائنا على التقدم نحو مبادرات ESG الخاصة بهم.

القادم للفريق يستخدم ماذا في التحليل قدرات التنبؤ لمزيد من اختبار التأثير على الطلب ، وإضافة فئات فرعية للتنبؤ بالطلب اليومي ، وتوسيع نطاق المزيد من المتاجر. بالإضافة إلى ذلك ، سيواصل الفريق تكرار النموذج لمواصلة الحد من هدر الطعام ، وتحسين العمليات لتقديم نتائج أكثر استدامة وصديقة للبيئة.

لاستخدام التنبؤ لتحسين التنبؤ بطلب التجزئة ودعم نتائج بيئية أفضل ، يمكنك الوصول إلى الخدمة من خلال وحدة تحكم إدارة AWS، أو من خلال موقعنا تكوين سحابة AWS-إرشادات الحل المستندة إلى GitHub جيثب:. لمعرفة المزيد حول كيفية استخدام التوقعات ، تحقق من موارد توقعات أمازون.

حول المؤلف

جوزي تشينج هو HKT AI / ML Go-To-Market في AWS. ينصب تركيزها الحالي على تحول الأعمال في البيع بالتجزئة و CPG من خلال البيانات و ML لدعم نمو هائل للمؤسسات. قبل الانضمام إلى AWS ، عملت Josie في Amazon Retail وشركات الإنترنت الأخرى في الصين والولايات المتحدة كمدير منتج للنمو.

راي وانغ هو مهندس حلول في AWS. مع 8 سنوات من الخبرة في صناعة تكنولوجيا المعلومات ، مكرس Ray لبناء حلول حديثة على السحابة ، لا سيما في NoSQL والبيانات الضخمة والتعلم الآلي. بصفته مبتدئًا جائعًا ، فقد اجتاز جميع شهادات AWS الاثنتي عشرة لجعل مجاله الفني ليس عميقًا فحسب ، بل واسعًا. يحب قراءة ومشاهدة أفلام الخيال العلمي في أوقات فراغه.

شانجر لين عالم بيانات ومستشار في AWS ، يستفيد من التعلم الآلي والحوسبة السحابية واستراتيجية البيانات لتمكين العملاء من التحول الرقمي واستخراج التأثير من البيانات.

دان سنريتش هو مدير المنتج الأول في Amazon Forecast. ينصب تركيزه على مساعدة الشركات على اتخاذ قرارات أعمال أفضل من خلال التنبؤ المستند إلى ML. خارج العمل ، يمكن العثور عليه وهو يلعب الهوكي وقراءة الخيال العلمي والغوص.