В США 38% всей еды остается непроданной или несъеденной. Для бакалейщиков пищевые отходы означают потерю потенциальных продаж, более низкую норму прибыли и менее эффективные команды магазинов. В Afresh мы сокращаем пищевые отходы, помогая партнерам по продуктовым магазинам принимать более разумные решения по управлению запасами.

Большинство продуктовых магазинов в США используют аналогичную модель для заказа свежих продуктов. В каждом магазине есть менеджер по производству, который проводит инвентаризацию и размещает заказы на пополнение примерно пять дней в неделю. Большая часть их продукции (~95%) поступает из централизованного распределительного центра, а меньшая часть (~5%) поступает от местных поставщиков.

Менеджеры по производству должны найти тонкий баланс. Если они закажут слишком много, покупатели получат продукцию, которая уже провела несколько дней в ожидании на полке. Если они закажут слишком мало, покупатели увидят пустые полки и могут уйти, чтобы сделать покупки у конкурента. Afresh устраняет догадки в этом процессе, используя машинное обучение и исследование операций. Для клиентов это означает, что свежие помидоры и авокадо можно взять домой и наслаждаться ими.

В этом посте рассказывается о последних улучшениях, внесенных в систему принятия решений Afresh, также известную как политика заказа, представленная на 17-й конференции Learning and Intelligence OptimizatioN (LION17) в июне 2023 года. Отраслевой термин для обозначения предметов, которые портятся и выбрасываются. сжимается. Таким образом, мы называем нашу политику ShrinkAware.

Что такое политика заказа?

Многое уходит на то, чтобы сделать рекомендацию по заказу, но то, что менеджер отдела свежих продуктов видит в приложении Afresh для iPad, очень просто. Для каждого товара в каждом магазине они видят одно число: количество коробок, которые Afresh рекомендует заказывать.

Политика заказов Afresh — это система принятия решений, которая принимает исходную информацию, такую ​​как прогноз, срок годности, вместимость, размер упаковки, тип товара, количество дней до следующего заказа и допустимый риск клиента. Затем система синтезирует эти входные данные в единую связную рекомендацию.

Систему можно описать как конвейер «предскажи, затем оптимизируй». Этот пост будет в основном посвящен двум восходящим прогнозам, которые питают нижестоящую систему принятия решений: прогнозу и сроку годности.

Почему важна политика заказа?

Исторически сложилось так, что магазины полагались на эвристику для расчета количества заказов. Это может означать создание точечного прогноза на основе продаж за предыдущий день, неделю и месяц, а затем умножение этого прогноза на коэффициент безопасности 20%, чтобы получить заказ.

Вот несколько случаев, когда эта эвристика не работает:

  • Для таких медленно продаваемых товаров, как миндаль или сушеная клюква, где магазин продает только 1 или 2 штуки в обычный день, а размер витрины составляет 12, магазины в конечном итоге окажутся с очень пустыми витринами.
  • Для быстроходного товара с высокой дисперсией, такого как бананы, коэффициента безопасности 20% может быть недостаточно. Например, рассмотрим магазин с ежедневными продажами бананов, похожими на нормальное распределение со средним значением 100 и стандартным отклонением 20. Если менеджер по производству закажет 120 бананов, система будет ожидать отсутствия на складе примерно в 15% случаев. Это неприемлемо высокий показатель для продуктовой промышленности, где ожидается, что уровень отсутствия на складе составит не более 5%.

Что делает заказ скоропортящихся продуктов таким сложным?

Чтобы понять политику заказа свежих продуктов, полезно знать, что делает заказ свежих продуктов таким сложным по сравнению с продуктами длительного хранения, такими как хлопья.

Задача №1: срок годности

В дисциплине исследования операций есть две классические модели, находящиеся на противоположных сторонах спектра: нулевой срок хранения и бесконечный срок хранения. Гораздо меньше исследований опубликовано о товарах с коротким, ненулевым сроком годности, таких как скоропортящиеся продукты.

Во-первых, это модель продавца новостей, которая моделирует товары, у которых фактически нулевой срок годности: после заказа они должны быть немедленно проданы, иначе они испортятся. Одним из примеров является одноименная газета. В модели Newsvendor существует противоречие между упущенной стоимостью продажи, которая поощряет более крупные заказы, и стоимостью брака, которая поощряет меньшие заказы.

Далее следует модель Экономический объем заказа (EOQ), которая моделирует товары, имеющие практически бесконечный срок годности, например скрепки. В модели EOQ существует противоречие между фиксированной стоимостью заказа, которая поощряет крупные заказы, и постоянной стоимостью хранения, которая поощряет более мелкие заказы.

Некоторые исследования рассматривают товары с длительным, но не бесконечным сроком годности, такие как технологии и мода, но еще меньше исследований рассматривают виды товаров, о которых заботится Afresh, с короткими, но ненулевыми сроками годности.

Задача 2. Наполнение полок

В продуктовой индустрии широко распространено убеждение, что видимость изобилия стимулирует продажи. Больше авокадо на полке должно означать, что больше покупателей купят авокадо. С другой стороны, если на полке остался только один авокадо, никто не захочет покупать его последним. Это необычное ограничение, которое до некоторой степени существует в других видах розничной торговли, но особенно верно в отношении продажи свежих продуктов.

Чтобы решить эту проблему, политика заказа должна прийти к решению, обеспечивающему идеальный баланс между поддержанием полки достаточной, чтобы не выглядеть анемичной, и не слишком полной, чтобы продукты не выбрасывались.

Свежий подход

Для создания политики заказов Afresh мы рассмотрели термины, используемые в целевых функциях модели Newsvendor и модели EOQ. Затем мы модифицировали их математическую формулировку, чтобы она соответствовала конкретным потребностям продуктовой промышленности. Возникает трехчленная модель со стоимостью порчи, стоимостью упущенной выгоды и стоимостью хранения.

Политика повторного заказа изменяет стоимость хранения с учетом разницы между хранением предметов на полу и в подсобном помещении. Он также изменяет упущенную стоимость продажи, чтобы она вступала в силу, когда товаров мало на складе, но до того, как они полностью закончились.

Полученное уравнение выглядит следующим образом:

Умный «Предскажи, затем оптимизируй»

Темой LION17 были конвейеры ML (машинное обучение) в OR (исследование операций). Сюда входят такие системы, как Afresh, где система машинного обучения прогнозирует будущее, а модель исследования операций использует этот прогноз для оптимизации решения.

Новой разработкой в ​​этой области является Умный «Предскажи, затем оптимизируй». Концепция такова: при создании системы машинного обучения, которая обслуживает нижестоящую систему принятия решений, вы должны учитывать свою систему принятия решений при обучении модели машинного обучения.

Например, чтобы помочь водителям грузовиков планировать свои маршруты, в идеале должна быть модель, которая точно предсказывает трафик на каждой дороге в любое время суток. На самом деле, это желаемое за действительное.

Вместо того, чтобы одинаково измерять точность модели на каждой дороге, более эффективно сместить обучение, чтобы получить правильный прогноз на дорогах с более интенсивным использованием. Конечная цель: сосредоточить обучение машинному обучению там, где это важнее всего.

Хотя Afresh не является полностью сквозной, умной системой «Предскажи, затем оптимизируй», тщательное изучение целевой функции ShrinkAware может дать информацию о приоритетах вышестоящих систем, особенно для оценки и прогнозирования срока годности.

Вывод № 1: Границы принятия решения о сроке годности

При изучении того, как ведет себя целевая функция для товаров с разным сроком годности, выявляется полезная закономерность.

Когда срок годности короткий, целевая функция ведет себя как модель Newsvendor: стоимость хранения становится незначительной, а целевая функция представляет собой компромисс между стоимостью порчи и упущенной стоимостью продажи.

При длительном сроке годности порча становится незначительной, и возникает противоречие между упущенной стоимостью продажи и стоимостью хранения.

В продуктах с промежуточным сроком годности все три термина имеют одинаковое значение.

Конвейер Afresh ML to OR очень чувствителен к точности сроков годности в промежуточной категории, такой как вишня, авокадо и яблоки. Модель гораздо больше заботит разница между сроком годности 7 и 9 дней для такого продукта, как лайм, чем разница между сроком годности 15 и 20 дней для такого продукта, как картофель. .

Вывод №2: квантили высокого прогноза

Отсутствующие на складе крайне нежелательны в продуктовой розничной торговле, а это означает, что политика повторных заказов обычно заказывает очень высокий квантиль прогнозируемого спроса.

В дистрибутивных прогнозах политика заботится не только о точности, но и о калибровке. Если политика предсказывает, что спрос на авокадо будет меньше заданного значения в 95% случаев, так ли это на самом деле верно в 95% случаев?

Система принятия решений Afresh намеренно фокусируется на обеспечении калибровки верхних квантилей нашего прогноза, чтобы избежать отсутствия на складе, что означает потерю потенциальных продаж. Как видно на диаграмме ниже, верхние квантили прогноза очень хорошо откалиброваны.

Экспериментальные результаты, извлеченные уроки и будущая работа

Дебют ShrinkAware в начале этого года показал впечатляющие результаты — снижение усадки на 5–10 % больше, чем наша устаревшая политика. Это означает трансформационную экономию для бакалейщиков.

Кроме того, после запуска было сделано несколько выводов, включая необходимые корректировки системы принятия решений для разных партнеров. Мы обнаружили, что, поскольку у разных бакалейщиков разные бизнес-стратегии, универсальный подход не обязательно является лучшей стратегией. Это было особенно верно в прошлом году, когда инфляция изменила поведение клиентов. В то время как некоторые бакалейщики сосредоточены на снижении своих затрат на новом рынке труда, другие видят в этом возможность активно привлекать новый бизнес.

В конечном счете, ShrinkAware лучше определяет компромиссы между различными ключевыми показателями в явной целевой функции. ShrinkAware помогла сократить пищевые отходы на миллионы фунтов пищевых отходов, что является значительным выигрышем для людей, прибыли и планеты. Мы с нетерпением ждем продолжения итерации и улучшения его.

Марк Веледницкий — штатный научный сотрудник компании Afresh, где он разрабатывает алгоритмы для сокращения пищевых отходов. Его исследование Управление запасами скоропортящихся продуктов с помощью прогнозов распределения было представлено на LION17.