Uczenie maszynowe w FMCG

Branża FMCG zmienia się szybciej niż kiedykolwiek wcześniej. W ostatnich latach coraz większą część rynku FMCG przejmują mniejsi, lokalni gracze[1]. W efekcie międzynarodowe koncerny, takie jak Unilever, Nestle czy P&G zmuszone są do zmiany swojego sposobu działania i poszukiwania nowych przewag konkurencyjnych. Dlaczego tak się dzieje? Odpowiedź jest prosta – brakuje im zwinności mniejszych podmiotów.

Jak zatem duże, międzynarodowe podmioty mają nadążyć za dynamicznie zmieniającymi się przyzwyczajeniami konsumentów, wzrostem znaczenia D2C czy rozwojem kanałów e-commerce? Gdyby tego było mało, problematyczne są również różnice występujące pomiędzy lokalnymi rynkami zbytu dla poszczególnych krajów.

Jedną z przewag, jaką globalne podmioty posiadają nad podmiotami o lokalnym zasięgu, jest dostęp do nieprzebranych zasobów danych (wewnętrznych danych sprzedażowych, danych logistycznych, danych klientów, danych marketingowych czy też danych zakupionych od zewnętrznych dostawców). Dane te zgromadzono na podstawie setek tysięcy transakcji przeprowadzonych przez ostatnie lata lub nawet dekady. Dzięki tak dużej ilości danych oraz różnych obszarów przez nie opisywanych, branża FMCG wydaje się naturalnym miejscem dla wdrażania rozwiązań bazujących na Machine Learningu (“uczenie maszynowe”).

W szerszym kontekście branża FMCG sprzyja rozwojowi uczenia maszynowego ze względu na:

  • wspomniane już wcześniej łatwo dostępne dane zebrane na podstawie tysięcy transakcji;
  • problemy z określaniem zwrotów z inwestycji w wielu obszarach, m.in. w marketingu, który jest siłą napędową branży;
  • szerokie grono konsumentów i portfolio produktów podatne na segmentacje;
  • infrastrukturę IT, która często nie nadąża za biznesem i zmianami na rynku;
  • natłok danych często uniemożliwiający skuteczne wnioskowanie zespołom BI czy analitykom w działach biznesowych.

Czym jest Machine Learning?

Machine Learning to obecnie bardzo popularny temat, swego rodzaju „magiczne słowo klucz”, które otwiera drzwi u potencjalnych klientów i inwestorów.

Machine Learning to obszar wiedzy zajmujący się algorytmami komputerowymi, które automatycznie poprawiają swoje działanie wraz z doświadczeniem[2]. ML jest również często stosowany zamiennie z określeniem Artifcial Intelligence (“AI”). Jednak w zależności od kontekstu może to być błędne – Machine Learning jest bowiem podzbiorem obszaru sztucznej inteligencji.

Uczenie maszynowe można również rozumieć jako zbiór metod i narzędzi, które pozwalają komputerom/aplikacjom uczyć się na podstawie danych, pozwalając na tworzenie programów działających coraz lepiej bez konieczności zaprogramowania dokładnych zasad. Można również rozumieć Machine Learning jako wykorzystanie algorytmów do automatycznego przetwarzania danych, wyciągania z nich wniosków i na ich podstawie dokonywanie predykcji dotyczących danego aspektu w biznesie.

Warto również wspomnieć o pojęciu Deep Learning, które bywa mylone lub stosowane zamiennie z pojęciem Machine Learning. Deep Learning jest podzbiorem Machine Learningu, który w uproszczeniu zajmuje się tworzeniem algorytmów bazujących na sieciach neuronowych. Do niedawna sieci neuronowe nie były szeroko wykorzystywane ze względu na ich bardzo wysokie wymagania względem mocy obliczeniowej.

Zastosowanie uczenia maszynowego w branży FMCG

Wiedząc już czym jest Machine Learning, należy również powiedzieć, że może być on świetnym rozwiązaniem dla firm działających w branży FMCG. Na podstawie doświadczeń z Enky Consulting oraz publicznie dostępnych informacji zebraliśmy zastosowania uczenia maszynowego w poszczególnych obszarach:

Obszarami w łańcuchu wartości FMCG, w których ML może przynieść najwięcej korzyści są z jednej strony marketing i sprzedaż, z drugiej natomiast łańcuch dostaw – w szczególności obszary planowania i produkcji. Są to sektory, w których część globalnych podmiotów stosuje już dedykowane, specjalistyczne oprogramowanie zwiększające dokładność prognoz oraz mierzące efekty m.in. kampanii marketingowych. Natomiast spora część tych rozwiązań jest dopiero testowana lub nie została jeszcze wdrożona globalnie.

W ramach ponad 50 projektów zrealizowanych dla największych firm FMCG na polskim rynku przeprowadziliśmy wiele wdrożeń opartych w całości lub w części o uczenie maszynowe. W następnych kilku akapitach przybliżymy najciekawsze, oczywiście naszym zdaniem, przykłady wdrożeń tej technologii.

Ustalanie cen produktów i koordynowanie kampanii pomiędzy kategoriami

Scenariusz: Ceny produktów ustalane przez działy sprzedaży często bazują na wiedzy, która dostępna jest jedynie w „głowach” sprzedawców. W efekcie nie jest ona zebrana w ramach żadnego systemu. I kiedy taki pracownik odchodzi z pracy wiedza ta jest tracona. W wyniku tego może nastąpić obniżenie marż i realny spadek rentowności na danym kliencie. Dodatkowo trudno jest uchwycić zależności pomiędzy poszczególnymi produktami i ich wzajemną kanibalizacją – wprowadzenie promocji na jednym produkcie może spowodować spadek sprzedaży produktu w tej samej lub innej kategorii i w efekcie przynieść odwrotny od zamierzonego skutek.

Wyzwania:

  • brak zgromadzonej i ustrukturyzowanej wiedzy odnośnie ustalania wysokości cen w firmie;
  • trudny do przewidzenia realny wpływ cen na poziom sprzedaży;
  • brak uwzględnienia kanibalizacji produktów w ramach procesu ustalania cen i upustów.

Zastosowanie technologii: Stworzenie algorytmu przewidującego wpływ danej grupy promocji i upustów na wysokość sprzedaży danego produktu, dzięki wykorzystaniu danych klienta (danych sprzedażowych oraz danych dotyczących promocji i upustów). Algorytm, wykorzystując dane historyczne, jest również w stanie przewidywać kanibalizację sprzedaży produktów w ramach danej kategorii.

Dodatkowo, dzięki zebraniu wiedzy historycznej i jej usystematyzowaniu, proces ustalania cen stanie się przynajmniej częściowo niezależny od zmian w zespołach sprzedaży.

Wykorzystanie algorytmów uczenia maszynowego do sterowania siecią ciepłowniczą w fabryce

Scenariusz: Współczesne zakłady produkcyjne wymagają ciągłego nadzoru. W zależności od poziomu modernizacji danego zakładu, jego wielkości i zastosowanych technologii może on wymagać ciągłego zaangażowania zespołu zarządzającego obiektem do weryfikacji odczytów z czujników, ręcznej kontroli poszczególnych urządzeń czy ręcznego ustawiania danych parametrów.

Wyzwania:

  • konieczność utrzymywania dużej załogi;
  • sterowanie odbywa się doraźnie;
  • brak danych odnośnie funkcjonowania obiektów jako całości;
  • wysoka awaryjność.

Zastosowanie technologii: Zastosowanie algorytmów uczenia maszynowego wraz z odpowiednimi czujnikami i siłownikami wspierającymi działanie poszczególnych obszarów w obiektach produkcyjnych i magazynach. Dzięki bieżącemu zbieraniu danych i bieżącemu polepszaniu się skuteczności algorytmu, kadra zarządzająca ma do dyspozycji więcej informacji w procesie decyzyjnym. Algorytm może również automatyzować część czynności zarządzania obiektem, w tym siłownikami i zaworami, np. ustawiając odpowiednią temperaturę produkcji lub centralnego ogrzewania w zależności od warunków atmosferycznych i warunków panujących w zakładzie.

Rozpoznawanie produktów na półkach sklepowych

Scenariusz: Polowe sieci sprzedaży dużych firm FMCG dużo czasu poświęcają na analizę półek sklepowych, przeprowadzając audyty „w terenie”. Proces ten jest czasochłonny, a przez to bardzo często wykonywany jest niedokładnie. Ponadto często kluczowym elementem procesu, poza sprawdzeniem stanu półki, jest wypełnienie ankiety oceniającej dany sklep – co również zabiera sporo cennego czasu pracy przedstawiciela handlowego.

Wyzwania:

  • długi czas trwania wizyty przedstawiciela w sklepie;
  • możliwość zafałszowania wyników audytu sklepowego;
  • rosnące koszty zatrudnienia.

Zastosowanie technologii: Algorytm uczenia maszynowego może zostać wykorzystany do wykrywania obiektów na półkach za pomocą tzw. Optical Image Recognition. Algorytmy tego typu „uczą się” rozpoznawania produktów na podstawie zdjęć i już przy stosunkowo niedużej ilości danych osiągają dość dużą skuteczność. Dodatkowo algorytmy zwiększają swoją skuteczność wraz z każdym wykonanym zdjęciem. Rozwiązania tego typu są w stanie skrócić czas jednej wizyty handlowej od kilku do nawet kilkunastu minut, co w skali setek przedstawicieli handlowych przekłada się na wysokie, policzalne korzyści finansowe.

Dlaczego Machine Learning nie jest jeszcze szeroko wykorzystywany w branży FMCG?

Powyższe przykłady jednoznacznie wskazują na duże korzyści z wdrożenia algorytmów uczenia maszynowego. I choć pierwsze algorytmy tego typu powstały jeszcze w latach 50 ubiegłego wieku, to i tak w branży FMCG uczenie maszynowe zaczęło zdobywać popularność dopiero w ostatnich latach. Pomimo łatwego dostępu do ogromnej ilości danych, na drodze do skutecznego wdrażania tego typu algorytmów stoi wiele przeszkód.

Główne wyzwania w skalowaniu rozwiązań opartych o uczenie maszynowe

Czy Twoja organizacja jest zainteresowana rozwiązaniami z obszaru Machine Learning? Czy zmagasz się z problemami, które rozwiązaliśmy dla naszych klientów? Jeżeli tak – zapraszamy do kontaktu i krótkiego spotkania, na którym opowiemy, w jaki sposób Enky może pomóc we wdrożeniu uczenia maszynowego w Twojej firmie.

Enky Consulting – skutecznie poszukujemy i wdrażamy innowacje

W Enky Consulting od lat wykorzystujemy zaawansowane metody zarządzania projektami do skutecznego wdrażania innowacji. Nasze programy innowacji opierają się o systematyczne poszukiwanie impulsów do innowacji, selekcję i analizę potencjalnych projektów do realizacji oraz zarządzanie ich wdrożeniami.