Одним из ключей к итоговой прибыльности в индустрии потребительских товаров (CPG) является эффективный оборот запасов. То есть сокращение времени между производством товаров на фабрике и их потреблением потребителями. Каждый день пребывания товаров в цепочке поставок приводит к увеличению затрат (складирование, скидки, возвраты и утилизация). Кроме того, несоответствие между доступными запасами и потребительским спросом приводит к упущенным продажам и переключению потребителей.

Для большинства мировых брендов потребительских товаров поиск материалов, производство продукции, логистика распределения и потребление могут происходить в разных странах. Таким образом, модели прогнозирования продаж («определение спроса») за 3, 6 или 12 месяцев назад могут упустить изменения в предпочтениях потребителей или сбои в цепочке поставок. Как показали последние два года, макро- и микросилы могут превратить избыток в нехватку и обратно быстрее, чем могли обнаружить исходные модели машинного обучения.

Некоторые бренды потребительских товаров инвестируют в науку о данных, чтобы создавать точные и детализированные прогнозы своих продаж, используя возможности ИИ и машинного обучения для анализа гораздо большего объема данных, чем это было возможно ранее. Но в наших беседах с техническими директорами, ИТ-директорами и директорами по информационным технологиям мы постоянно слышим один и тот же вопрос: они нанимают больше специалистов по данным, чем когда-либо, и все же они не видят отдачи от инвестиций.

По нашему опыту, препятствием для создания устойчивой ценности ИИ является не отсутствие специалистов по данным, создающих точные модели машинного обучения. Скорее, это неспособность инструментов машинного обучения идти в ногу с быстро меняющейся eсредой. Когда среда меняется (будь то шок в цепочке поставок вверх по течению, например, контейнеровоз, блокирующий крупный морской путь, или шок спроса ниже по течению из-за инфляции или непостоянных потребительских предпочтений), эти модели быстро деградируют. Чтобы машинное обучение приносило устойчивую и существенную прибыль, CPG нужны производственные операции машинного обучения, которые могут адаптироваться так же быстро, как и окружающая среда. Здесь может помочь Agile ML от Wallaroo.

Wallaroo предоставляет все инструменты для развертывания, тестирования, наблюдения и управления машинным обучением в производстве в любом масштабе. Гибкое машинное обучение и масштабируемые модели могут очень быстро адаптироваться к меняющейся среде и, следовательно, обеспечивают гораздо большую точность для будущего потребительского спроса.

Клиент Wallaroo тестировал динамическое ценообразование на основе ИИ. Сначала они начали видеть дополнительный доход. Однако они также обнаружили, что поддержание моделей в соответствии с изменяющимися рыночными условиями (например, конкурент выпустил новую рекламную акцию) было почти невозможно для их команды по обработке данных. Обновления модели могут создаваться за недели, но последний этап тестирования, проверки и развертывания в рабочей среде может занять много месяцев. Кроме того, настройка модели для каждого региона требовала значительных ресурсов и времени, что не позволяло команде специалистов по обработке и анализу данных масштабировать результаты на национальном уровне. Работая с Wallaroo, они сократили время выхода на рынок более чем на две трети за счет упрощения развертывания и тестирования. Что еще более важно, они смогли быстро создать и развернуть конвейеры машинного обучения для оптимизации цен, адаптированных для каждого из сотен регионов. Упростив и ускорив «последнюю милю» машинного обучения, они смогли масштабировать свою динамическую модель ценообразования с дюжины тестовых локаций до тысяч локаций по всей стране без увеличения численности персонала.

Если вам интересно узнать, как Wallaroo может помочь вам раскрыть потенциал машинного обучения, чтобы доставить правильный артикул нужному покупателю через лучший и наиболее устойчивый канал распространения (сторонний или напрямую потребителю, в Интернете или в магазине), обратитесь к напишите нам по адресу [email protected] для специалиста.