Machine Learning: uma solução para o problema de pedidos em espera e otimização de estoque
Para qualquer empresa, o pior cenário é ficar sem estoque de produtos quando os clientes estiverem comprando seus produtos. Manter um estoque de cada item na loja é outro fardo que cada negócio carrega. Este trade off tem sido ainda mais problemático nos tempos atuais, quando as empresas de manufatura estão inundandos com SKUs (Stock Keeping Unit) variando de tamanhos de produtos, sabores, estilos etc.
Para atender empresas de demanda personalizadas estão personalizando produtos adicionando vários recursos a ele e este está tornando a vida ainda mais complexa para todas as partes das empresas envolvidas em toda a cadeia de suprimentos.
Para entender esse problema, vamos dar um exemplo de uma pasta de dente. Existem mais de 6 a 7 marcas populares, como Colgate, Close up, Oral B, etc., e cada uma com tem entre 4-5 embalagens de diferentes tamanhos, variando de 50 a 300 gramas e 4-5 variantes diferentes, como Sensitive, Germi, clareamento etc.
Manter um inventário para todos os SKUs é uma experiência problemática para qualquer loja de esquina. Mas se um cliente sai sem comprar apenas porque a loja não tem um tipo/tamanho específico de pasta de dente, isso é ainda mais doloroso para o proprietário da empresa. Nesse cenário específico, o cliente pode estar pronto para comprar outro creme dental, mas o luxo de escolher outra opção não está disponível para todos os produtos.
Quando o produto não está prontamente disponível e o cliente pode não ter paciência para esperar, isso leva a perda de vendas e baixa satisfação do cliente. Quando um cliente faz um pedido para um inventário futuro e espera que ele seja chamado de pedido em espera. Os pedidos em atraso são bons e ruins para os negócios. A demanda trará atrasos, mas não o melhor planejamento pode causar problemas. Aprendizado de máquina é o caminho para tirar o máximo proveito dessa troca. Vamos seguir em frente para maximizar o lucro e melhorar a satisfação do cliente.
O Predictive Analytics pode ajudar a distinguir os itens que podem ter tendência para ajudar a organização, fornecendo os insights necessários. O cronograma de produção pode ser ajustado para reduzir o atraso na entrega do produto, o que, por sua vez, aumenta a satisfação do cliente.
Fazendo uso de qualquer boa técnica de aprendizado de máquina de classificação, como XgBoost, pode-se prever facilmente a probabilidade de o produto estar na lista de pedidos em espera. Nós cobriremos a técnica de aprendizado de máquina de classificação juntamente com o código em um blog separado. Depois de obter probabilidades de backorder de itens, a otimização é outra parte complicada. Para este problema de classificação, a seleção do valor limite para a probabilidade será a chave para a otimização do estoque. No contexto de negócios, essa seleção de limite fornecerá o equilíbrio entre o custo de inventário do produto incorreto (baixa precisão) v / s custo da receita perdida (baixo recall)
Precisão: Quando o modelo prevê que o item terá backorders e quantas vezes ele tem backorders. se adotássemos a estratégia de negócios com alta precisão (baixo recall), então teríamos que deixar o modelo classificar erroneamente os casos reais de pedidos pendentes para diminuir o número de itens de pedidos em atraso previstos incorretamente.
Lembre-se: quando na verdade os itens têm backorders e com que frequência o modelo prevê que está tendo backorders. Se adotarmos uma estratégia de negócios com alta recordação (baixa precisão), então teríamos que deixar o modelo prever itens não atrasados como itens de backorder.
Ao brincar com o limite de probabilidade, podemos realmente ajustar a estratégia de negócios. A estratégia de negócios muda para uma zona conservadora, na qual muito menos itens são previstos como itens de backorder se aumentarmos o limite de probabilidade.
Ao usar o aprendizado de máquina, podemos facilmente obter os valores de taxas verdadeiro positivo, falso positivo, verdadeiro negativo e falso negativo muito facilmente para um grande conjunto de diferentes valores de limiar. A partir daqui, o primeiro princípio de negócio da análise de custo-benefício nos ajudará na maximização do lucro.
Se tomarmos uma SKU, digamos que prevemos que ela não esteja na lista de pedidos em espera. Se hipoteticamente, o benefício de prever corretamente o pedido em espera é de $ 1000 / unidade e o custo para falso positivo é de $ 50 / unidade (inventariamento acidental).
A equação do valor esperado pode ser generalizada para
Expected_Value = ∑pi * vi em que i varia de 1 a N observações para cada SKU.
p é a probabilidade de backorder para qualquer SKU
v é o valor associado ao SKU
A partir da forma geral de equação acima, a equação de lucro global esperada pode ser gerada combinando as duas matrizes, isto é, a matriz de custo-benefício e a matriz de probabilidade esperada.
Expected_Profit = p (p) ∗ [p (Y | p) ∗ b (Y, p) + p (N | p) ∗ c (N, p)] + p (n) ∗ [p (N | n) ∗ b (N, n) + p (Yn) c (Y, n)]
p (p) é a classe positiva anterior (probabilidade de retroatividade / total real) da matriz de confusão
p (n) é a classe negativa anterior (probabilidade de não real / total = 1 - classe positiva anterior)
p (Y | p) é a taxa positiva verdadeira (TPR)
p (N | p) é a taxa negativa falsa (FNR)
p (N | n) é a taxa negativa verdadeira (TNR)
p (Y | n) é a taxa positiva falsa (FPR)
b (Y, p) é o benefício do verdadeiro positivo (TP_CB)
c (N, p) é o custo de falso negativo (FN_CB)
b (N, n) é o benefício do verdadeiro negativo (TN_CB)
c (Y, n) é o custo de falso positivo (FP_CB)
Para o exemplo hipotético tomado, esta equação simplifica ainda mais como TN_CB e FN_CB são ambos zero.
Expected_Profit = p (p) ∗ [p (Y | p) ∗ b (Y, p)] + p (n) ∗ [p (Yn) c (Y, n)]
Para atender empresas de demanda personalizadas estão personalizando produtos adicionando vários recursos a ele e este está tornando a vida ainda mais complexa para todas as partes das empresas envolvidas em toda a cadeia de suprimentos.
Para entender esse problema, vamos dar um exemplo de uma pasta de dente. Existem mais de 6 a 7 marcas populares, como Colgate, Close up, Oral B, etc., e cada uma com tem entre 4-5 embalagens de diferentes tamanhos, variando de 50 a 300 gramas e 4-5 variantes diferentes, como Sensitive, Germi, clareamento etc.
Manter um inventário para todos os SKUs é uma experiência problemática para qualquer loja de esquina. Mas se um cliente sai sem comprar apenas porque a loja não tem um tipo/tamanho específico de pasta de dente, isso é ainda mais doloroso para o proprietário da empresa. Nesse cenário específico, o cliente pode estar pronto para comprar outro creme dental, mas o luxo de escolher outra opção não está disponível para todos os produtos.
Definição de pendências
Quando o produto não está prontamente disponível e o cliente pode não ter paciência para esperar, isso leva a perda de vendas e baixa satisfação do cliente. Quando um cliente faz um pedido para um inventário futuro e espera que ele seja chamado de pedido em espera. Os pedidos em atraso são bons e ruins para os negócios. A demanda trará atrasos, mas não o melhor planejamento pode causar problemas. Aprendizado de máquina é o caminho para tirar o máximo proveito dessa troca. Vamos seguir em frente para maximizar o lucro e melhorar a satisfação do cliente.
O Predictive Analytics pode ajudar a distinguir os itens que podem ter tendência para ajudar a organização, fornecendo os insights necessários. O cronograma de produção pode ser ajustado para reduzir o atraso na entrega do produto, o que, por sua vez, aumenta a satisfação do cliente.
Desafios da Gestão de estoque
Fazendo uso de qualquer boa técnica de aprendizado de máquina de classificação, como XgBoost, pode-se prever facilmente a probabilidade de o produto estar na lista de pedidos em espera. Nós cobriremos a técnica de aprendizado de máquina de classificação juntamente com o código em um blog separado. Depois de obter probabilidades de backorder de itens, a otimização é outra parte complicada. Para este problema de classificação, a seleção do valor limite para a probabilidade será a chave para a otimização do estoque. No contexto de negócios, essa seleção de limite fornecerá o equilíbrio entre o custo de inventário do produto incorreto (baixa precisão) v / s custo da receita perdida (baixo recall)
Precisão: Quando o modelo prevê que o item terá backorders e quantas vezes ele tem backorders. se adotássemos a estratégia de negócios com alta precisão (baixo recall), então teríamos que deixar o modelo classificar erroneamente os casos reais de pedidos pendentes para diminuir o número de itens de pedidos em atraso previstos incorretamente.
Lembre-se: quando na verdade os itens têm backorders e com que frequência o modelo prevê que está tendo backorders. Se adotarmos uma estratégia de negócios com alta recordação (baixa precisão), então teríamos que deixar o modelo prever itens não atrasados como itens de backorder.
Ao brincar com o limite de probabilidade, podemos realmente ajustar a estratégia de negócios. A estratégia de negócios muda para uma zona conservadora, na qual muito menos itens são previstos como itens de backorder se aumentarmos o limite de probabilidade.
Ao usar o aprendizado de máquina, podemos facilmente obter os valores de taxas verdadeiro positivo, falso positivo, verdadeiro negativo e falso negativo muito facilmente para um grande conjunto de diferentes valores de limiar. A partir daqui, o primeiro princípio de negócio da análise de custo-benefício nos ajudará na maximização do lucro.
Análise de custo-benefício
Benefícios
- Verdadeiro positivo: Beneficie-se prevendo corretamente as SKUs de pedidos pendentes. O lucro gerado por esses itens é benefício.
- Verdadeiro negativo: aproveite prevendo as SKUs que não estão na lista de pedidos em espera corretamente. Embora o benefício disso seja zero, pois o cliente não comprou o item, o custo de armazenamento economizado além do custo de oportunidade para não fabricar esses itens também é um benefício.
- Falso positivo: Esse custo se deve ao fato de que previmos alguns itens como itens de backorder, mas eles não estavam na lista de itens em atraso. O custo de armazenamento para esses itens é o custo associado a falsos positivos.
- Falso negativo: o custo associado a itens ausentes incorretamente quando a demanda real estava lá para o item.
Otimização de SKU
Se tomarmos uma SKU, digamos que prevemos que ela não esteja na lista de pedidos em espera. Se hipoteticamente, o benefício de prever corretamente o pedido em espera é de $ 1000 / unidade e o custo para falso positivo é de $ 50 / unidade (inventariamento acidental).
A equação do valor esperado pode ser generalizada para
Expected_Value = ∑pi * vi em que i varia de 1 a N observações para cada SKU.
p é a probabilidade de backorder para qualquer SKU
v é o valor associado ao SKU
A partir da forma geral de equação acima, a equação de lucro global esperada pode ser gerada combinando as duas matrizes, isto é, a matriz de custo-benefício e a matriz de probabilidade esperada.
Expected_Profit = p (p) ∗ [p (Y | p) ∗ b (Y, p) + p (N | p) ∗ c (N, p)] + p (n) ∗ [p (N | n) ∗ b (N, n) + p (Yn) c (Y, n)]
p (p) é a classe positiva anterior (probabilidade de retroatividade / total real) da matriz de confusão
p (n) é a classe negativa anterior (probabilidade de não real / total = 1 - classe positiva anterior)
p (Y | p) é a taxa positiva verdadeira (TPR)
p (N | p) é a taxa negativa falsa (FNR)
p (N | n) é a taxa negativa verdadeira (TNR)
p (Y | n) é a taxa positiva falsa (FPR)
b (Y, p) é o benefício do verdadeiro positivo (TP_CB)
c (N, p) é o custo de falso negativo (FN_CB)
b (N, n) é o benefício do verdadeiro negativo (TN_CB)
c (Y, n) é o custo de falso positivo (FP_CB)
Para o exemplo hipotético tomado, esta equação simplifica ainda mais como TN_CB e FN_CB são ambos zero.
Expected_Profit = p (p) ∗ [p (Y | p) ∗ b (Y, p)] + p (n) ∗ [p (Yn) c (Y, n)]
Implicações de negócios
Vamos verificar a equação acima enquanto tomamos uma previsão hipotética para um item que não tenha backorder. Vamos supor modelo previu 0.01 probabilidade de ser backorder para um item. O exemplo hipotético anterior em que o custo de estoque de $ 1000 / unidade e de estoque de $ 50 / unidade assumiu. a partir da visualização, podemos calcular que o limite ideal é 0,48. Manter todos os itens na estratégia de estoque com limite como zero fará com que a empresa perca dinheiro com baixa probabilidade de item em atraso e nenhuma estratégia de inventário levaria a nenhum benefício, mas sem perda.
Por outro lado, se verificarmos o item de probabilidade de alta prioridade, é vantajoso ter uma estratégia solta do que a estratégia conservadora. O lucro será reduzido a zero se tivermos uma estratégia conservadora para manter o estoque de tal item.
Em suma, itens com baixa probabilidade de pedido em atraso tentarão aumentar o limite e os itens de alta probabilidade de pedidos em atraso estão tentando diminuir o limite. Precisamos nos ajustar e jogar com essa troca para maximizar o lucro total. Cada item com um limite diferente pode ser agregado para obter o valor do limite geral e, ao mesmo tempo, obter o máximo lucro do gerenciamento de estoque e de pedidos pendentes. Utilizando técnicas de aprendizado de máquina discutidas, as empresas podem otimizar melhor o gerenciamento de estoques, sem sacrificar o objetivo mais importante de maximização de lucro.
Este post originalmente publicado na página oficial do blog DataToBiz. O DataToBiz conecta empresas a dados e se destaca nas tecnologias de última geração da ML para resolver a maioria dos problemas simples e triviais dos proprietários de empresas com a ajuda de dados.
Por outro lado, se verificarmos o item de probabilidade de alta prioridade, é vantajoso ter uma estratégia solta do que a estratégia conservadora. O lucro será reduzido a zero se tivermos uma estratégia conservadora para manter o estoque de tal item.
Em suma, itens com baixa probabilidade de pedido em atraso tentarão aumentar o limite e os itens de alta probabilidade de pedidos em atraso estão tentando diminuir o limite. Precisamos nos ajustar e jogar com essa troca para maximizar o lucro total. Cada item com um limite diferente pode ser agregado para obter o valor do limite geral e, ao mesmo tempo, obter o máximo lucro do gerenciamento de estoque e de pedidos pendentes. Utilizando técnicas de aprendizado de máquina discutidas, as empresas podem otimizar melhor o gerenciamento de estoques, sem sacrificar o objetivo mais importante de maximização de lucro.
Este post originalmente publicado na página oficial do blog DataToBiz. O DataToBiz conecta empresas a dados e se destaca nas tecnologias de última geração da ML para resolver a maioria dos problemas simples e triviais dos proprietários de empresas com a ajuda de dados.
Nenhum comentário:
Postar um comentário