新闻中心

创新奇智用数据智能打通零售企业全价值

零售业内人士常说:“这是个‘弯腰捡硬币’的行当”,因为快消品的单个利润极低,需要大量的出货才能维持企业运转。零售品牌商若想盈利,有两种方法:一、开源(加大货物售卖量);二、节流(提高供应链效率,减少不必要的损失)。

img1

创新奇智基于自主知识产权的Orion自动化机器学习平台,在业务层面为品牌商和零售商搭建的智能供应链优化系统,为某世界顶级零售品牌商的多个环节进行了优化,针对其旗下多个品牌商品的规划——研发——生产——需求预测——智能配货——零售终端的全价值链进行“开源节流”,为该世界500强零售品牌商平均每年节省约3000万元的退货成本,增加约1.5亿元的销售总额。

img2

把握零售商品运筹逻辑基点:需求预测

在零售领域,“需求预测”这个指标十分重要——如果对某商品的需求量预测得过高,就意味着工厂产能过剩、库存积压、广告投入过多而售货量不达标,造成相应的损失;如果需求预测过低,则会造成工厂供货不充足,被竞品抢占市场等风险。并且,在传统的供应链中,经常不可避免的出现牛鞭效应,导致对商品需求量的预测出现偏差。一般以专家团队进行专业统计学计算为基础的需求预测,准确率通常只在60%左右。

img3

创新奇智使用AI深度学习算法,挖掘商品的历史数据,并结合更多维、更全面的外部数据(如宏观经济波动、人群消费偏好变迁,甚至气温、降水、节日等),建立模型因地制宜、因时制宜、因人制宜的预测出更精准的市场需求,目前可以帮助零售品牌企业达到76.43%的平均预测准确率,进而更加有的放矢的优化产业链结构,降低成本,并且有效降低供应链的牛鞭效应,提升可靠性。

细粒度分级预测 让需求规划更精准

零售品牌商若想运筹得当,不仅仅要做好“需求预测”,而是要更细粒度的去分配和解决问题。作为品牌商,至少要面对近千家经销商,这些经销商分布在各地,面对着不同消费风格的群体,要做到对各地、各家经销商的出货量进行精准的预测,还要预测到每种商品在各地的需求量——这无疑是一个运算量巨大的工程,更遑论每家经销商的补货周期和库存结构也不尽相同,面对不同的外部条件,品牌方想要做出完善的补货策略更是难上加难。

在大型品牌商内部存在着这样一个部门,专门针对各地、各种商品的受众进行需求预测,并给各地经销商进行各种商品的配货。这个部门通常需要数十位在零售快消品领域拥有多年经验的专业人员组成,这样一支专家团队需要花数周的时间才能计算出一家经销商所需的配货。

img4

如今,创新奇智的人工智能深度学习算法,可以同时对各个经销商、各个品牌商品的需求量进行预测,从而更细粒度得将需求总量匹配到每一个经销环节。而这一切在AI算法模型的测算下,仅仅需要1-2个工作人员提供数据给到算法模型,并利用非工作时间(比如夜晚)无感知进行模型训练、测算,即可得到准确度高于专家团队的数据,第二天工作人员上班时便可一键获得预测结果。

优化供货路径 提高供应链效率

深度学习算法不仅可以完成工厂仓储端和经销端的运筹优化,端到端之间的路径也可以通过算法进行优化。

首先,创新奇智为品牌商打造了“无感知商品全链条追踪系统”,可以在供应链仓储工作人员在无需进行额外操作、盘点的情况下,使货物可时时追踪。该系统采用先进的人工智能图像检测、识别技术,仅需在仓库配备一台无感知扫码设备便能让每件货物可追踪溯源。相比传统的人工盘点、RFID解决方案,更高效、成本更低。

另外,从货品离开仓库通过物流等运输途径来到经销商手中,再从经销商手中发往每一个零售商店的货架上,无数段路程叠加在一起将产生巨大的能源消耗。算法模型可以根据道路情况,迅速测算出最优的运输道路,缩短运输时间,提高运输效率。

同时,创新奇智还提供订单满足率和集装箱利用率的追踪服务,可为大型跨国零售品牌商的各个港口的资源进行优化配置。

在研发和零售终端 亦有合理优化方案

在研发端, 创新奇智还利用智能大数据预测+生物学原理,相对准确的预测品牌商原料仓库中花生的黄曲霉菌的生长情况,以预警整个仓库中花生的霉菌是否超标,并通过生物学手段改善仓库环境以确保黄曲霉菌在安全范围内,为研发端降低损失。

而在历来都是“兵家必争之地”的零售终端,创新奇智的人工智能技术为品牌商实现了渠道陈列的全面监控。仅需对着货架拍张照片,随即上传到管理软件中,即可一秒识别出商品是否摆放合理,降低了人力和审核成本。

在可预见的未来,创新奇智数据智能算法可以帮助企业做出更高效、更精准的预测。这正是深度学习的优势所在,它拥有自我学习的能力,在不断的运算过程中快速的进化,迅速适应新的场景,赋能更广阔的商业未来。

精彩推荐