Importer i hurtownik samochodów oraz części zamiennych stanął przed wyzwaniem związanym z zarządzaniem zapasami. Tradycyjnie za konfigurację produktów i składanie zamówień odpowiadały poszczególne punkty sprzedaży. Wiele decyzji było podejmowanych w sposób subiektywny ze względu na brak danych i kompetencji wymaganych do kompleksowej analizy. W rezultacie obrót zapasami nie był optymalny.
Zarządzanie zapasami
Wyzwanie
Rozwiązanie
W celu wskazania oczekiwanego czasu potrzebnego na znalezienie klienta dla danego produktu w zależności od lokalizacji punktu sprzedaży, zlecono wykonanie silnika uczenia maszynowego opartego na sztucznej inteligencji.
W pierwszym etapie projektu dokonano analizy danych. Obejmowała ona historię setek tysięcy produktów, które rotowały w ramach zapasów klienta na przestrzeni dwóch poprzednich lat. Analiza ujawniła kilka problemów związanych z danymi, które wynikały z niedoskonałości procesu wprowadzania danych. Warsztaty ze specjalistami biznesowymi pozwoliły wszystkim uczestnikom uzyskać wgląd umożliwiający przygotowanie danych do dalszych kroków projektu.
W kolejnym etapie zespół skoncentrował się na dalszej analizie danych, tworzeniu i testowaniu poszczególnych modeli. Przygotowaliśmy różne modele, w tym bazujące na regresji, klasyfikacji i grupowani, które wykorzystywały zestawy danych o różnym stopniu złożoności.
Okazało się, iż największa wartość oferują modele klasyfikacyjne, wskazujące, które produkty będą sprzedawane z największym prawdopodobieństwem w danym przedziale czasowym. Wybrany model został zaimplementowany z wykorzystaniem oprogramowania BRAINHINT AI Farm, które jest platformą do zarządzania silnikami uczenia maszynowego i integracji ich z procesami biznesowymi.
Rezultaty
Sprzedawca, podczas konfiguracji samochodu, może zlecić modelowi decyzyjnemu ocenę produktu pod kątem potencjału sprzedaży. W zależności od parametrów wskazanych podczas składania zamówienia, model dostarcza sugestie dotyczące poprawienia konfiguracji poprzez zmianę niektórych parametrów lub rezygnację z danej konfiguracji całkowicie.
Zastosowanie rekomendacji zawartych w modelu zaowocowało poprawą rotacji zapasów. Dodatkowo zmniejszyło liczbę produktów znajdujących się w magazynie o 34%.
-
34%
mniej produktów zalegających w magazynach
-
lepszy obrót zapasami
Skontaktuj się z nami
Odezwiemy się w ciągu 24 godzin