σελφ σερβις - Η τεχνητή νοημοσύνη βελτιώνει την κερδοφορία στα φρέσκα

Τρίτη, 10 Δεκεμβρίου 2019

ΔΙΑΦΗΜΙΣΗ

Λιανεμπόριο

Η τεχνητή νοημοσύνη βελτιώνει την κερδοφορία στα φρέσκα

3 Σεπτεμβρίου 2019 | 09:39 Γράφει ο Γιάννης  Μουρατίδης Topics: Τεχνολογία

Η κατηγορία των φρέσκων προϊόντων, εκτός της σημαντικής συμμετοχής της στον τζίρο των σούπερ μάρκετ, αποτελεί εγγύηση για τη φίρμα του καταστήματος. Προσέχοντας τις επιλογές τους και αξιοποιώντας το σύνολο των προωθητικών τους εργαλείων, το τελευταίο διάστημα οι αλυσίδες φροντίζουν να αναδεικνύουν την ποιότητα στα φρέσκα προϊόντα που διαθέτουν, ως ανταγωνιστικό τους πλεονέκτημα. Η συμμετοχή των discounters στο σχετικό σενάριο, δίνει μεγαλύτερη ένταση στα δρώμενα.

H δυναμική είσοδος των discount αλυσίδων στον τομέα των ποιοτικών φρέσκων προϊόντων, ο οποίος είναι κρίσιμος για την αφοσίωση των πελατών στην εκάστοτε εταιρεία, ήταν αυτή που έδωσε το έναυσμα για περαιτέρω εστίαση όλου του κλάδου στη βελτίωση της ποιότητας των προϊόντων τής εν λόγω κατηγορίας. Σύμφωνα με έρευνα της McKinsey, το 50% των αφοσιωμένων πελατών μιας από τις μεγαλύτερες ευρωπαϊκές αλυσίδες του κλάδου, θα την πρότειναν σε άλλους καταναλωτές για την ποιότητα των οπωροκηπευτικών και των κρεατικών της. Όμως, ενώ ένα πακέτο ζυμαρικά μπορεί να μείνει στο ράφι ολόκληρο χρόνο χωρίς κανένα πρόβλημα, τα φρέσκα προϊόντα έχουν περιορισμένο χρόνο ζωής. Έτσι, όσα από αυτά δεν διατίθενται εντός του κύκλου ζωής τους, μετατρέπονται σε παθητικό. Στο άμεσο μέλλον, λοιπόν, η ζημιά αναμένεται μεγαλύτερη, καθώς οι νέες ρυθμίσεις σε διάφορες χώρες απαγορεύουν την απόρριψη των φρέσκων προϊόντων. Συνεπώς οι εταιρείες στο εξής θα χρειαστεί να επενδύουν σε διαδικασίες για τη διαχείρισή τους, μετά την απόσυρσή τους απ’ τα ράφια.

Ανθρώπινη εμπειρία Ή machine learning;
Μιλώντας με τον υπεύθυνο του τομέα των οπωροκηπευτικών στο κατάστημα μιας ελληνικής αλυσίδας, μας είπε ότι για τη δουλειά του κρίνεται καθημερινά, γιατί από αυτήν εξαρτάται ένα σημαντικό μέρος της ημερήσιας κερδοφορίας του καταστήματος. Δεδομένου ότι ο όγκος πωλήσεων συνολικά των φρέσκων προϊόντων αναλογεί, ίσως, στο 40% των συνολικών πωλήσεων μιας αλυσίδας και στο 35% του κόστους προμηθειών της, είναι λογικό οι υπεύθυνοι των σχετικών τμημάτων να μην κοιμούνται πάντα ήσυχοι. Η κατάσταση γίνεται περιπλοκότερη εξαιτίας της ποικιλίας των προϊόντων. Σε αρκετές περιπτώσεις το ίδιο είδος, λ.χ. όταν πρόκειται για φρούτα ή λαχανικά, είναι συχνά διαθέσιμο σε δύο ή και τρεις ποικιλίες, χωρίς να ληφθούν υπόψιν τα βιολογικά. Επιπλέον κάποια από τα προϊόντα που θεωρούνται εξωτικά, εκτός του υψηλού κόστους αγοράς έχουν χρόνο ζωής στο ράφι που ενδεχομένως δεν ξεπερνά τη μια μέρα.

Αν προσθέσουμε σε όλα τούτα την παράμετρο «καταναλωτικές διαθέσεις», οι οποίες συχνά δεν συναρτώνται μόνο με την εποχικότητα των προϊόντων, αλλά και με παράγοντες όπως οι καλοκαιρινές δίαιτες ή η επικαιρότητα ερευνών λ.χ. για την αντιοξειδωτική δράση κάποιων φρούτων ή λαχανικών, μπορούμε να πούμε αβίαστα ότι θα ήταν φρονιμότερο οι επιχειρήσεις να εμπιστεύονται τις σχετικές επιλογές τους στους αλγορίθμους της τεχνητής νοημοσύνης. Οι υπεύθυνοι των τομέων φρέσκων προϊόντων, έτσι, θα μπορούν να ασκούνε το ρόλο του εποπτεύοντος, τουλάχιστον μέχρι η επιχείρηση να πειστεί ότι η τεχνητή νοημοσύνη κάνει καλά τη δουλειά της. Όσο για τους υπαλλήλους των σχετικών τμημάτων, παραμένοντας στα πόστα τους, θα φροντίζουν ασφαλώς για την αναπλήρωση του αποθέματος στο ράφι, αλλά με μεγαλύτερη έγνοια για την εξυπηρέτηση του πελάτη. Η προϋπόθεση, ωστόσο, επαναλαμβάνουμε, είναι ο αλγόριθμος της τεχνητής νοημοσύνης να δίνει καλύτερα αποτελέσματα από εκείνα των αρμοδίων κάθε τομέα των φρέσκων. Άρα, χρειάζεται ν’ αποδείξει την αξία του στην πράξη. Βασικό στοιχείο «εκπαίδευσης» του αλγόριθμου, εφόσον υποθέσουμε ότι τυγχάνει αποτελεσματικής σχεδίασης, είναι η ορθότητα των δεδομένων με τα οποία τροφοδοτείται. Φανταστείτε τι θα συνέβαινε, αν μια λάθος παρέμβαση στα κεντρικά συστήματα της εταιρείας, άλλαζε το πεδίο «καρπούζι» με το πεδίο «κουνουπίδι»! Ο αλγόριθμος θα «μάθαινε» ότι τον Αύγουστο η ζήτηση των κουνουπιδιών χαλάει κόσμο και θα έδινε άλλα αντ’ άλλων εντολές... Αλλά οι εξελίξεις, σύμφωνα με τη McKinsey, είναι καλές. Αλυσίδες που εφαρμόζουν ήδη αλγόριθμους machine learning, έχουν δει μειώσεις ελλείψεων στο απόθεμα ραφιού μέχρι 80%, μειώσεις ζημιών λόγω απούλητων υπό απόσυρση προϊόντων μέχρι 10% και αύξηση περιθωρίου κέρδους μέχρι 9%. Ένας τυπικός αλγόριθμος έχει δυνατότητα αξιολόγησης άνω των πενήντα παραμέτρων, λαμβάνοντας υπόψιν από τους βασικότερους συντελεστές, όπως η συμπεριφορά των αγοραστών, μέχρι τους πλέον λεπτομερείς, όπως οι ώρες παράδοσης των προϊόντων από τους προμηθευτές, οι προβλέψεις για τις αλλαγές του καιρού, που επηρεάζουν τις γαστριμαργικές προτιμήσεις, οι δυσκολίες μετακίνησης των πελατών κοκ. Μια πολύ ζεστή ημέρα το καρπούζι θα πουληθεί περισσότερο, αλλά αν την επόμενη μέρα αναμένεται καταιγίδα, ίσως καλύτερα να μη φορτωθούν τα ράφια κατά το σύνηθες.

Εξελιγμένες εφαρμογές & αποτελέσματα
Δεν είναι τυχαίο ότι σε αυτήν τη φάση οι περισσότερες λύσεις machine learning είναι διαθέσιμες στο cloud με μορφή Software as a Service. Αν και οι αλυσίδες έχουν συνηθίσει να έχουν τις βασικές υποδομές πληροφορικής in-house, οι εφαρμογές τεχνητής νοημοσύνης είναι άλλο πράγμα. Καταρχάς απαιτούν συνεχή κλιμάκωση της επεξεργαστικής ισχύος, της μνήμης και του αποθηκευτικού χώρου. Ακόμα, όμως, κι αν θεωρήσουμε ότι αυτές οι «πρώτες ύλες» είναι πλέον αρκετά φθηνές, για την εξέλιξη του σχεδιασμού των αλγορίθμων χρειάζεται η εργασία επιστημόνων, οι οποίοι συνήθως ακριβοπληρώνονται ή είναι δυσεύρετοι, τουλάχιστον σε κάποιες χώρες.

Πρακτικά, λοιπόν, οι SaaS εφαρμογές λειτουργούν ως έξυπνες επεκτάσεις των υπαρχόντων ERP εφαρμογών, προσφέροντας γρήγορη υλοποίηση και άμεσα αποτελέσματα, δεδομένου ότι οι αλγόριθμοι που χρησιμοποιούνται, δε χρειάζονται «εκπαίδευση» από το μηδέν. Στις πιο εξελιγμένες μορφές τους, οι οποίες δοκιμάζονται αυτήν την περίοδο, οι αλγόριθμοι εκτός από την πρόβλεψη παραγγελιών, κάνουν και προτάσεις διαμόρφωσης των τιμών, οι οποίες μπορεί μ’ ένα σύστημα ηλεκτρονικών ετικετών να εμφανίζονται απευθείας στον πελάτη. Ο στόχος πάντα είναι να εξαντληθεί το απόθεμα πριν τη λήξη του κύκλου ζωής του.

Τεχνητή νοημοσύνη στις παραγγελίες της Metro
Ο κ. Δημήτρης Ταχματζίδης, προϊστάμενος του Τμήματος Ανάπτυξης Λογισμικού Εφοδιαστικής αλυσίδας της Metro, μας περιγράφει ένα πρόσφατο έργο της εταιρείας, το οποίο αξιοποιεί την τεχνητή νοημοσύνη για την πρόβλεψη των παραγγελιών:

«Η Metro, θέλοντας να αξιοποιήσει τα big data και εξελιγμένες τεχνικές πρόβλεψης, ξεκίνησε σε συνεργασία με τη μονάδα ΕΠΙΣΕΥ του ΕΜΠ, ένα έργο που αποσκοπεί στην εξέλιξη του μοντέλου παραγγελιοδοσίας των κέντρων διανομής προς τους προμηθευτές, με χρήση αλγορίθμων πρόβλεψης. Το έργο κρίθηκε υψίστης σημασίας για δυο λόγους. Αρχικά, οι λανθασμένες αποφάσεις παραγγελιοδοσίας ενδεχομένως οδηγούν σε υπεραποθήκευση, άρα σε αύξηση του κόστους των αποθεμάτων, ή σε εξάντληση των αποθεμάτων, με αποτέλεσμα την έλλειψη στο ράφι και τελικώς τη μετρίαση της προσδοκώμενης εμπειρίας του καταναλωτή, συμβατικού ή ψηφιακού. Αυτοί οι δύο λόγοι, σε συνδυασμό με το μεγάλο πλήθος των κωδικών προϊόντων, όπως και των καταστημάτων, αυξάνουν την πολυπλοκότητα του έργου.

Το έργο υλοποιήθηκε στην πρώτη του φάση, λαμβάνοντας υπόψιν αρκετές ιδιαιτερότητες των κέντρων διανομής, των προμηθευτών, καθώς και των κωδικών που εξυπηρετούνται από τα κέντρα διανομής προς τα καταστήματα της Metro, προτείνοντας για κάθε κωδικό τη βέλτιστη ποσότητα παραγγελίας στον παραγγελιοδόχο και αξιολογώντας, ταυτόχρονα, κάθε κωδικό ως προς τη σημαντικότητα του. Παραδόθηκε στην παραγωγή στις αρχές της χρονιάς. Σήμερα οι προτάσεις του μοντέλου καλύπτουν περίπου το 39% του πλήθους των κωδικών προϊόντων, που διαχειρίζεται ένα κέντρο διανομής. Ως επόμενο βήμα, με έναρξη την αρχή του επόμενου μήνα, η Metro βλέπει την εξέλιξη της μεθόδου πρόβλεψης, με επέκταση σε ειδικά συμβαίνοντα στους κωδικούς, όπως είναι λ.χ. οι εκάστοτε προωθήσεις τους. Επίσης, επιπλέον αυτοματοποιήσεις στην κανονικοποιημένη διαδικασία παραγγελιοδοσίας (ημερολόγιο παραγγελιών, συντήρηση κωδικολογίου κ.ά.) θα βοηθήσουν στην αρτιότερη και ταχύτερη πρόβλεψη των κέντρων διανομής. Απώτερος στόχος είναι η ολοκληρωμένη εφαρμογή του μοντέλου στα καταστήματα, προκειμένου να μειωθεί η διακύμανση των παραγγελιών και να γίνονται ορθότερα οι παραγγελίες τους στους προμηθευτές».

σελφ σερβις (T. 496)
ΔΙΑΦΗΜΙΣΗ

Δείτε ακόμη...

Οι πιο δημοφιλείς ειδήσεις σήμερα

Αυτοί που διάβασαν αυτό διάβασαν επίσης

Τα πιο δημοφιλή Topics

ΔΙΑΦΗΜΙΣΗ
ΔΙΑΦΗΜΙΣΗ

Συνεντεύξεις / Πρόσωπα

 
ΔΙΑΦΗΜΙΣΗ

Topics

Αγορά

Τεχνολογία

Τρόφιμα/Ποτά

Ενέργεια/Περιβάλλον

Μεταφορές/Logistics

Εκπαίδευση

Υγεία/Ομορφιά

Ευρωπαϊκή Ένωση

©2019 Boussias Communications, all rights reserved. Κλεισθένους 338, 153 44 Γέρακας, info@boussias.com, Τ:210 6617777, F:210 6617778

ATCOM PRODUCTION