Blog

Sztuczna inteligencja a prognozowanie popytu: Rozwój podejścia opartego na danych

01.26.2022 | By Mark Speyers
 

Jak wspomniałem już w pierwszej z dwóch części moich rozważań na temat sztucznej inteligencji (AI) prognozującej popyt, jeszcze stosunkowo niedawno analitycy popytu polegali na modelach statystycznych. Modele te borykały się jednak z wieloma znanymi ograniczeniami. Przede wszystkim nie zawierały one wewnętrznych i zewnętrznych danych kontekstowych, jak np. promocji, sezonowości, wyczerpania towarów ze względu na warunki pogodowe i innych czynników związanych z popytem. Nie brały także pod uwagę efektów zależności między produktami, jak kanibalizacja czy efekt aureoli.

Obecnie jednak czołowi dostawcy technologii handlu detalicznego, w tym moja firma, opracowali algorytmy modelowania wykorzystujące zaawansowane uczenie maszynowe, AI i uczenie głębokie, aby zastąpić podejście statystyczne. Te skomplikowane modele korzystają z aktualnych danych kontekstowych, by generować dużo dokładniejsze przewidywania. Co więcej, uczenie maszynowe wykorzystywane w tym podejściu sprawia, że model jest w stanie uczyć się z dostarczanych mu aktualnych i historycznych danych o promocjach, wyczerpywaniu się towarów, wydarzeniach sezonowych itp. oraz dokonywać coraz dokładniejszych przewidywań.

Jak widać, korzyści płynące z przejścia na prognozowanie oparte na danych z podejścia opartego na modelach są niezaprzeczalne. Mimo to niektórzy sprzedawcy detaliczni obawiają się całkowicie zmienić podejście, czują się nieprzygotowani na określenie odpowiednich źródeł danych i nie są pewni jak w optymalny sposób dostarczyć prawidłowe dane nowym modelom – zamiast tego modyfikują je ręcznie, licząc na dobre rezultaty statystyczne. Nasz zespół w SymphonyAI pomaga klientom określić i wykorzystać odpowiednie dostępne dane – pochodzące nie tylko od sprzedawcy, lecz także z naszych zewnętrznych źródeł. Nasze modele eksperckie używają z kolei zaawansowanych algorytmów uczenia maszynowego, aby były one w stanie, jak już wspomniałem, nieustannie się uczyć – lecz także, by identyfikować i ostatecznie usuwać wszelkie błędne prognozy wskazujące na konieczność dostarczenia dodatkowych danych lub dokładniejszych ich źródeł.

Jak osiągnęliśmy ten punkt zwrotny między modelami statystycznymi a modelami opartymi na sztucznej inteligencji? Aby pomóc badaczom zrozumieć, jak można zwiększyć dokładność prognozowania, naukowcy zorganizowali trwający już wiele dekad cykl konkursów o nazwie M Competitions.  W 2018 roku podczas konkursu M4 po raz pierwszy zastosowano uczenie głębokie (DL) w celu wsparcia tradycyjnego, czysto statystycznego podejścia do prognozowania. Nawet wtedy uczenie maszynowe wykorzystano w bardzo ograniczony sposób – dla przykładu, według notatek podsumowujących konkurs, 12 z 17 najdokładniejszych metod było połączeniem podejścia statystycznego.[i]

Wraz z początkiem konkursu M5, który trwał od marca do czerwca 2020, jasne było, że zachodzą istotne zmiany. W tej edycji M Competitions zastosowano w pełni kontekstowy zbiór danych sprzedaży detalicznej. Po raz pierwszy uczenie maszynowe jednoznacznie przewyższyło tradycyjne statystyczne metody operujące na danych. Zmiana podejścia na oparte na danych jest bez wątpienia słuszną decyzją dla sprzedawców detalicznych – a SymphonyAI jest liderem w zakresie stosowania tego typu uczenia maszynowego, znacznie przewyższającego tradycyjne statystyczne modele w testach porównawczych. Wraz ze wzrostem wysiłku wkładanego w zapewnienie najwyższej jakości danych i wzbogacenie wartościowych danych kontekstowych dostarczanych modelowi wzrasta też trafność prognozy. Co więcej, dopasowaliśmy sztuczną inteligencję prognozującą popyt specjalnie do potrzeb detalistów, wykorzystując nasze bogate doświadczenie detaliczne oraz dane od naszych klientów – innowacyjnych sprzedawców detalicznych z całego świata. Rezultatem jest podejście łączące najnowocześniejsze odkrycia z optymalizacją dla rzeczywistych środowisk detalicznych – z udokumentowanym doświadczeniem.

W ostatnim z serii wpisie na blogu omówimy wraz z Troy’em Prothero niektóre z doświadczeń naszych sprzedawców detalicznych, które ukazują korzystny wpływ naszej sztucznej inteligencji prognozującej popyt na ich środowisko biznesowe.

Chcesz dowiedzieć się więcej? Skontaktuj się z naszym konsultantem ds. rozwiązań.

[i] The M4 Competition: Results, findings, conclusion and way forward, Spryos Markdakis, Evanglos Spiliotis i Vassilios Assimakopoulos. International Journal of Forecasting, Vol. 37, Wyd. 3, lipiec-wrzesień 2021, ss. 1308-1309.

 

Latest Insights

 
06.12.2024 Webinar

Autonomous merchandising and the quest for shelf planning excellence

Retail / CPG Square Icon Svg
convenience fuel retailing Fuel Retail Analytics
 
05.17.2024 Blog

Shopper Analytics Give Convenience Retailers Fuel to Increase Loyalty and In-Store Sales

Retail / CPG Square Icon Svg
Kraft Heinz Strengthens Retailer Collaboration and Shopper Focus
 
Case study

Kraft Heinz Strengthens Retailer Collaboration and Shopper Focus

Retail / CPG Square Icon Svg