Искусственный интеллект в логистике и управлении ассортиментом: сферы применения, плюсы и недостатки

Искусственный интеллект стал неотъемлемой частью современного мира и находит свое применение во многих отраслях и подразделениях бизнеса, включая логистику и управление ассортиментом. Использование инструментов ИИ в этих областях позволяет улучшить эффективность и оптимизировать ряд процессов. Это, в свою очередь, приводит к улучшению качества обслуживания клиентов и увеличению прибыли. 

В качестве бизнес-кейса Юрий Жуков - директор по аналитике ГК “Сантехника-Онлайн” с 10-летним опытом работы в сфере данных, в частности в разработке моделей машинного обучения и моделей искусственного интеллекта, предлагает рассмотреть единую платформу управления ассортиментом, напрямую связанную со складской логистикой в группе компаний.

Модель прогнозирования продаж

Центральным ядром этой системы является модель прогнозирования продаж. Детали построения модели выходят за рамки данной статья, отмечу лишь два основных тезиса:

1. Количество данных играет большую роль. В случае если отсутствует статистика продаж хотя за 3 предыдущих года, тогда не имеет смысла применять современные нейросетевые архитектуры модели, лучше обойтись более простыми классическими алгоритмами машинного обучения (по качеству классика в данном сценариии будет даже выигрывать).
2. Качество данных играет еще большую роль: даже лучшая с точки зрения архитектуры модель будет уступать простым аналогам, в случае если данные для обучения не были предварительно обработаны и подготовлены (очистка от выбросов, связанных с ошибками в данных/различные маркетинговые активности и т. д.).

При этом все мы прекрасно понимаем, что добиться 100% точности модели никогда не получится, поэтому здесь важно оценивать риски ошибок модели и определить для себя ту стратегию, которая наиболее подходит для конкретного бизнеса. В процесс обучения можно накладывать дополнительные штрафы, с целью достижения нужного поведения модели в зависимости от выбранной стратегии:

1. Минимизация риска out-of-stock — в данном случае модель будет перестраховываться и формировать более оптимистический прогноз продаж, что может привести к ухудшению показателя оборачиваемости складских запасов.
2. Минимизация риска over stock — модель будет формировать прогноз только по тем товарам, в которых она «уверена», что с одной стороны повысит оборачиваемость запасов, с другой стороны снизит долю товаров в наличии.

Модель управления складскими запасами

Имея на руках модель прогнозирования, можно двигаться далее и построить модель хранения оптимального количества товаров на складе (т. е. расчет страхового и нормативного запаса). Управление нормативным запасом позволяет минимизировать риск резкого повышения уровня продаж и обеспечить равномерность поставок товаров от поставщиков.

Модель динамического ценообразования

Немаловажную роль во всей этой цепочке играет модель динамического ценообразования, построенная на алгоритмах обучения с подкреплением. Основная идея модели — оптимизация долгосрочной валовой прибыли за счет анализа цен конкурентов и определения минимальных границ рентабельности продаж. Итеративно модель определяет равновесную цену продажи товаров, и с одной стороны позволяет оперативно реагировать на изменение конъюнктуры рынка, а с другой — сохранять целевые показатели доходности компании, заложенные в процесс обучения.

Интеллектуальные модели управления ассортиментом на сайте

Следующим звеном цепочки является совокупность моделей управления ассортиментом на основном продукте компании — сайте. К этим моделям относятся:

1. Управление поисковой выдачей товаров на сайте.
2. Рекомендательные блоки на карточке товаров.

В логику обучения моделей закладывалась информация по оборачиваемости товаров на складах, поэтому данный инструмент позволяет гибко работать в том числе с низколиквидными товарами, тем самым управляя рисками ошибок модели прогнозирования продаж. 

Выводы: плюсы и недостатки

Внедрение данной системы управления запасами позволило значительно повысить ключевые операционные и стратегические показатели компании, тем самым увеличив совокупный валовой доход. 

1. Сокращение сроков доставки товара клиентам
2. Увеличение оборачиваемости складских запасов 
3. Повышение конверсионной воронки на всех этапах взаимодействия клиента

Однако, помимо плюсов, использование искусственного интеллекта имеет и некоторые недостатки. Один из основных недостатков — высокая стоимость внедрения и поддержки системы. Для многих компаний это может стать серьезным барьером на пути к внедрению ИИ.

1. Основное условие — наличие корпоративного хранилища данных (DWH) с выстроенными ETL-процессами. 
2. Стоимость внедрения — для эффективного построения систем ИИ должна быть сформирована отдельная команда с соответствующими навыками и знаниями. Есть вариант привлечения внешних экспертов, но это также достаточно затратное мероприятие. Сюда стоит отнести стоимость серверного оборудования (либо аренда облачных серверов, либо собственные сервера), на котором будет осуществляться обучение, развертывание и мониторинг всех моделей ИИ.
3. ИИ может быть ограничен в принятии решений в сложных и нестандартных ситуациях, что требует участия человека.