環境、社会、ガバナンス (ESG) イニシアチブが企業にとってますます重要になっているため、大中華圏のトップ コンビニエンス ストア チェーンの 3.5 つである当社の顧客は、食品廃棄物 (現在、年間 XNUMX 万ドル以上) を削減するためのソリューションを求めていました。 そうすることで、実質的な運用コストの削減を実現できるだけでなく、企業の持続可能性の目標をサポートすることもできます。
この投稿では、小売コンビニエンス ストアによる作りたての食品の需要予測に焦点を当てます。 当社のお客様は、賞味期限が通常 2 ～ 3 日と短い調理済み食品を販売しています。 同社は 10,000 つの課題に直面していました。食品廃棄物を削減する方法と、XNUMX を超える SKU と数千の店舗の予測モデルを効率的かつ大規模に管理する方法です。
アマゾン予測、およびからのサポート AWS プロサーブ チームと AWS 機械学習ソリューション ラボ、社内のデータサイエンティストが限られているお客様は、最先端の予測機能を利用できるようになりました。 数か月以内に、この予測ソリューションにより、製品廃棄物が 37% 削減され、22 の店舗と 168 つの商品カテゴリで XNUMX% のコストが削減されました。
これらの運用上の利点を実現するために、彼らは最適なデータの組み合わせを見つけるための高速データ反復とテスト サイクル、並列テストなど、多数のベスト プラクティス プロセスを実装しました。 また、数千の店舗と製品カテゴリに拡張できるデータ処理と予測のパイプラインを確立し、将来の拡張に使用するスケーラブルなリファレンス アーキテクチャを開発しました。
生鮮食品のESG課題
環境的に持続可能な製品を販売することに加えて、小売業界にとって、廃棄物を最小限に抑える環境に優しいプロセスを目指して努力することも重要です。 機械学習 (ML) を使用した高度な在庫予測により、小売店は、より効果的な在庫管理と回転率により、売上を最大化し、無駄を最小限に抑えることができます。 販売できない在庫は、コンビニエンス ストア チェーンにとって問題です。これは、財務上の損失を引き起こし、エネルギー投入の過剰な使用と非効率的な生産プロセスを通じて環境への悪影響をさらに引き起こします。 また、量が多いため、賞味期限の短い生鮮食品は、財務と持続可能性の両方の結果に大きな役割を果たす可能性があります。
賞味期限が短いことに加えて、生鮮食品のさらなる需要予測の課題には、急速な売上高、頻繁な新製品の発売、SKU 量の多さなどがあります。 具体的には：
- 他のカテゴリーと比較して、賞味期限の短い生鮮食品は短期間で販売する必要があり、そうしないと賞味期限が切れて廃棄されます。 したがって、正確な予測は、長期間にわたって保管および販売できるアイテムよりも重要です。
- 新製品の発売が頻繁に行われるため、SKU レベルでの予測がより困難になります (コールド スタートの問題)。
- 多数のアイテムがあると、アイテムごとに構成されている ARIMA などの従来のアルゴリズムのモデル管理の問題が発生する可能性があります。 多くのモデルを維持する必要があり、コストがかかり、スケーリングが困難です。
在庫予測
Amazon Forecast は、AWS が提供する完全マネージド型の AI/ML サービスであり、20 年以上の予測経験に基づく統計アルゴリズムと深層学習アルゴリズムの両方が含まれています。 アイテム レベルのアンサンブル モデリングと自動モデル ハイパーパラメーター最適化により、従来の方法のみを使用した場合よりも最大 40% 正確な予測を提供します。 さらに、予測子の再トレーニングなどの機能により、トレーニングの時間とコストを最大 50% 削減できます。
在庫予測を最適化するために、需要の主な要因を調べました。 生鮮食品のカテゴリーでも、人気が高くて在庫回転率が高い商品と、売れ行きが遅い商品があります。 人気のあるアイテムと人気のないアイテムを分離し、予測子をトレーニングすることで、予測子がデータセットによりよく適合し、さまざまな統計分布でモデルの精度を高めることができることがわかりました。 さらに、Forecast は顧客が選択した分位数に基づいて確率的予測を提供するため、アイテムの有効期限とアイテムの収益性に基づいて予測分位数を設定します。
持続可能性を高める需要予測を実装するために、業界固有の特性も考慮しました。
- 短いリードタイム
- 高次周波数
- 製品の代替品と代替品
- 消費者心理（多くの場合、消費者は多様な商品を選択できる場合に購入する可能性が高くなります）
棚の多様性と在庫の無駄のバランスをとるために、毎日の需要予測を作成するだけでなく、期限切れになる前に売れ残った商品のプロモーションを最適化するために、what-if 分析も実行しました。
これらの考慮事項を組み込み、Forecast を使用してお客様の要件に対応することができました。 次のセクションでは、カスタマー ソリューションがどのように作成されたかを詳しく説明します。
ソリューションの概要
予測子をトレーニングするには、次のいずれかを使用して、トレーニング データをデータ ソースからデータ ストレージに取り込みます。 サポートされている形式 予測による。 Amazon シンプル ストレージ サービス (Amazon S3) は、業界をリードするスケーラビリティ、データ可用性、セキュリティ、およびパフォーマンスを提供するオブジェクト ストレージ サービスです。 取り込みフェーズでは、データをソースから Forecast データセット形式に変換します。 Forecast では、必須のターゲット時系列 (TTS)、および関連時系列 (RTS) とアイテム メタデータ (IM) の XNUMX 種類のデータが使用されます。どちらもオプションです。
廃棄物が最も多い店舗で、廃棄物が最も多い SKU から始めました。 各店舗の XNUMX 日の需要を予測するために、まず時系列 (収益、在庫、プロモーション) から開始し、フランチャイズ店か直営店か、店舗タイプ、トイレの空き状況、店舗などの店舗特性に基づいてアプローチを微調整しました。サイズ（小または大）、および保管年齢。 また、地元の祝日、プロモーション、天気、毎日の交通量など、業界の知識も使用しました。 TTS データセットは、タイムスタンプ、アイテム ID、および需要で構成されていました。 RTS は、タイムスタンプ、アイテム ID、割引、在庫、天気で構成されていました。 IM データセットは、アイテム ID、カテゴリ、およびストア インフラストラクチャで構成されていました。 予測におけるこれらの機能の重要性を定量化するために、 説明可能性- 予測値に対するさまざまな属性の相対的な影響を測定する予測組み込み機能。
予測子をトレーニングするには、データセットを作成し、データセット グループに関連付ける必要があります。 予測子を作成するとき、Forecast は自動的に適切なアルゴリズムを選択し、ハイパーパラメーターを調整し、アンサンブル モデリングを実行します。 このケースからの興味深い発見として、クロス COVID-19 データ (2018 年から 2021 年まで) を使用してモデルをトレーニングしたところ、毎日の確認されたケースの数など、他の COVID-19 機能を追加する必要がないことがわかりました。 ディープ ニューラル ネットワーク モデルは、毎日の収益から直接学習できます。
次の図は、ソリューションのアーキテクチャを示しています。
当社の顧客は、取引記録を Amazon リレーショナル データベース サービス (アマゾン RDS)。 私たちも使用します AWSグルー ETL (抽出、変換、およびロード) を実行し、意味のある時間範囲にわたってターゲット SKU をカバーするデータを読み取り、指定されたプレフィックスを使用して Amazon S3 にデータをロードします。 データが Amazon S3 にロードされた後、S3 イベントがトリガーされます AWSラムダ を呼び出します AWSステップ関数 オーケストレーション ツールとして。
Step Functions では、対象の時系列、関連する時系列、アイテムのメタデータを含むデータセットを準備します。 AWS Glue ジョブを使用して、データを S3 バケットに処理します。 次に、Forecast API を呼び出してデータセット グループを作成し、処理された S3 バケットからデータをインポートします。 これらのデータセットの準備ができたら、予測子のトレーニングを開始できます。
予測子をトレーニングするために、Forecast アンサンブルは XNUMX つの異なるアルゴリズムをモデル化し、アルゴリズムの最適な組み合わせをデータセット内の各時系列に適用します。 私たちは、 AutoPredictor API は、Forecast コンソールからもアクセスできます。
予測因子が作成された後、予測因子ダッシュボードでそれらの品質指標を評価しました。 調べる予測変数名を選択できます 詳細な結果 加重四分位損失 (wQL)、加重絶対パーセント誤差 (WAPE)、平均絶対スケール誤差 (MASE)、二乗平均平方根誤差 (RMSE)、および平均絶対パーセント誤差 (MAPE) など。 カスタマイズされた評価と分析のために、エクスポートすることもできます。 予測値 予測品質指標を評価します。 この場合、お客様の元のメトリックである MAPE を使用して、お客様のレガシー モデル (ARIMA) と並べて比較し、Forecast モデルがより良い結果 (より低い MAPE) を生成することを確認しました。 将来のモデルの品質分析のために、RMSE を使用することをお勧めします。RMSE は、アイテムごとに販売量が異なるという事実をより適切に説明します。
予測子の準備ができた後、すべての項目の予測結果を生成しました (item_id) と次元 (store_id) ターゲット時系列データセットに示されています。 予測は、宛先として S3 プレフィックスを持つ S3 バケットに結果を配置します。
予測結果は S3 バケットで生成され、Lambda 関数をトリガーし、予測結果を アマゾンオーロラ エンドユーザーが照会するため。 予測結果をクライアント側に提供するには、 アマゾンAPIゲートウェイ エントリポイントとして、Lambda 関数を介して Aurora にクエリを実行します。
このプロセスを自動化するために、Step Functions を使用しました。 アマゾンセージメーカー データ サイエンティストがトレーニング データセットのさまざまなデータ バリエーションを特徴付けてテストし、最適なデータの組み合わせを見つけるためのノートブック。
まとめと次のステップ
この投稿では、Forecast を使用して、賞味期限の短い食品のより効果的な在庫予測を通じて廃棄物を最小限に抑える方法を示しました。 ML ベースの予測を適用することで、小売業のお客様は、37 の店舗と 22 つの商品カテゴリで製品の廃棄を 168% 削減し、コストを XNUMX% 削減することができました。 さらに、リファレンス アーキテクチャは、数千の店舗と製品カテゴリへのスケーリングをサポートできます。 これらの取り組みは、財務結果を改善しただけでなく、より持続可能で環境に優しい食品慣行へのコミットメントを示しました。 これらの成果は、お客様が ESG イニシアチブに向けて前進するのに役立ちました。
チームの次は、 what-if分析 Forecast の機能を使用して、需要への影響をさらにテストし、毎日の需要予測のサブカテゴリを追加し、より多くの店舗にスケーリングします。 さらに、チームはモデルを反復し続けて食品廃棄物を削減し、プロセスを最適化して、より持続可能で環境に優しい結果を提供します。
Forecast を使用して小売需要予測を改善し、より良い環境成果をサポートするには、 AWSマネジメントコンソール、または当社を通じて AWS CloudFormationに関するソリューション ガイダンス GitHubの. Forecast の使用方法の詳細については、こちらをご覧ください。 Amazon Forecast のリソース.
著者について
ジョシー・チェン AWS での HKT AI/ML Go-To-Market です。 彼女は現在、データと ML を介して小売業と CPG のビジネスを変革し、企業の驚異的な成長を促進することに重点を置いています。 AWS に入社する前は、Amazon Retail やその他の中国および米国のインターネット企業でグロース プロダクト マネージャーとして働いていました。
レイ・ワン AWS のソリューション アーキテクトです。 IT 業界で 8 年の経験を持つ Ray は、特に NoSQL、ビッグデータ、機械学習において、クラウド上で最新のソリューションを構築することに専念しています。 貪欲なやり手として、彼は 12 の AWS 証明書すべてに合格し、技術分野を深くするだけでなく広くしました。 彼は余暇に SF 映画を読んだり見たりするのが大好きです。
シャンガー・リン AWS のデータ サイエンティスト兼コンサルタントであり、機械学習、クラウド コンピューティング、およびデータ戦略を活用して、顧客がデジタル トランスフォーメーションを実現し、データから影響を抽出できるようにします。
ダン・シンライヒ Amazon Forecast のシニア プロダクト マネージャーです。 彼が焦点を当てているのは、企業が ML ベースの予測を使用してより良いビジネス上の意思決定を行えるよう支援することです。 仕事以外では、ホッケーをしたり、サイエンス フィクションを読んだり、スキューバ ダイビングをしたりしています。
