Skip to Main Content

Konec plýtvání a vyhazování. Zásoby pohlídá umělá inteligence

Jak zajistit, aby se co nejméně plýtvalo s jídlem a potravinami? Rychloobrátkové zboží má svá specifika a jelikož se rychle kazí, právě ono nejčastěji končí v popelnicích a na skládkách. Obchodníkům s plánováním objednávek potravin nově pomáhá umělá inteligence, aby se plýtvání zamezilo

Neuvěřitelných 88 milionů tun potravin. Tolik jídla se podle Evropské unie každoročně vyhodí. Každý člověk včetně batolat průměrně ročně vyhodí 173 kilogramů potravin, které nespotřebuje. Na celém světě se pak podle statistik Organizace Spojených národů vyhodí 1,3 miliardy tun potravin.

Aby tato zarážející čísla pokud možno dále nerostla, obchodníci zkouší využít moderní technologie – strojové učení a umělou inteligenci. Na východě Slovenska takový projekt pro jeden řetězec supermarketů realizovala společnost AltTag Media, která dostala zajímavé původní zadání: „Potřebovali bychom vědět, kolik máme koupit tatarských omáček. A také chceme snížit množství zeleniny, kterou musíme vyhazovat.“ A tak firma začala pracovat na modelu prediktivního prodeje.

„Marketingu se věnuji od roku 2006, o pět let později jsem v Bratislavě založil agenturuV roce 2016 jsme se začali věnovat datové analytice a hledali nové možnosti, jak pomáhat našim klientům. Postupně jsme do projektů zapojovali také strojové učení a umělou inteligenci. V prosinci roku 2017 nás oslovil Microsoft se zajímavou nabídkou účastnit se jako partner vývoje modelu prediktivního prodeje,“ popisuje historii firmy její majitel Roman Oružinský.

.

Jeho dvacetičlenný tým s tímto projektem loni zvítězil v soutěži Microsoft Awards 2018 v kategorii Umělá inteligence. Ta, jak marketingový specialista vysvětluje, je přitom v celém procesu jen nástrojem: „Umělá inteligence sama zatím s žádnými myšlenkami nepřijde. Společně se strojovým učením je to ale báječný způsob, jak snadno, efektivně a levně dosahovat i velmi odvážných cílů, které bychom si nedávno ani neuměli představit. Naše klienty navíc většinou ani nezajímá, co a jak modelujeme, v jejich hledáčku je jen výsledek. Finančně interpretovatelný výsledek, “ doplňuje.

Když počítač trénuje

Hlavním cílem bylo zabránit plýtvání. Řetězec vyhazoval velké množství rychloobrátkového zboží. Vedoucí totiž objednávali na další dny a týdny většinou s větší rezervou, aby se nestalo, že zboží nebude. Jenže neprodané rychloobrátkové zboží se musí vyhodit. Dalším cílem bylo snížení nákladů na zaměstnance, kteří se věnují přeceňování zboží: jak se blíží datum spotřeby, je třeba zboží zlevňovat a dávat do akcí, aby se prodalo. To ve výsledku znamená snížení marží pro firmu, což byla poslední oblast, kterou chtěl projekt řešit.

Model se zaměřil právě na zmíněné tatarky a zeleninu. Obchodník disponoval poměrně přesnými daty z pokladního systému za poslední tři roky. „Na tomto balíku se náš systém strojového učení trénuje. Postupně se zkouší trefovat do jednotlivých týdnů a předpovídá, kolik zboží se prodá,“ popisuje Oružinský.

Při modelování se často vyskytnou různé anomálie: některé prodejny byly například čerstvě otevřeny a zákazníci na ně nebyli zvyklí. Lidé v AltTagu tuto informaci v počátku neměli a pátrali proto, kde nepřesnosti vznikají. Jakmile klienta napadlo, že by to mohlo být právě kvůli krátké době fungování některých prodejen, informaci do modelu přidali a ten se náhle výrazně zpřesnil.

Ovšem kdyby model obsahoval pouze data z pokladního systému, dosahoval by jen padesáti až šedesátiprocentní přesnosti, což je běžný standard statistických algoritmů. Díky umělé inteligencjsme dosahovali až devadesátiprocentní úspěšnosti v předpovědích množství prodaného zboží

Jeho dvacetičlenný tým s tímto projektem loni zvítězil v soutěži Microsoft Awards 2018 v kategorii Umělá inteligence. Ta, jak marketingový specialista vysvětluje, je přitom v celém procesu jen nástrojem: „Umělá inteligence sama zatím s žádnými myšlenkami nepřijde. Společně se strojovým učením je to ale báječný způsob, jak snadno, efektivně a levně dosahovat i velmi odvážných cílů, které bychom si nedávno ani neuměli představit. Naše klienty navíc většinou ani nezajímá, co a jak modelujeme, v jejich hledáčku je jen výsledek. Finančně interpretovatelný výsledek, “ doplňuje.

Počasí, výplaty i nezaměstnanost

„Ovšem kdyby model obsahoval pouze data z pokladního systému, dosahoval by jen padesáti až šedesátiprocentní přesnosti, což je běžný standard statistických algoritmů. Díky umělé inteligencjsme dosahovali až devadesátiprocentní úspěšnosti v předpovědích množství prodaného zboží,“ popisuje majitel bratislavské agentury.

Jaké vlivy kromě tvrdých dat do hry vstupují? Jsou to externí faktory jako poloha prodejny, průměrná teplota a srážky v daném období nebo výplatní termíny firem ve městě i výplaty důchodů či sociálních dávek. Prodeje — a tudíž i předpovědi — ovlivňuje také třeba výše průměrné mzdy ve městě, míra nezaměstnanosti, termíny školních prázdnin nebo to, jaké slevové akce a marketingové aktivity pořádají konkurenti.

„Jde tedy o analýzy chování lidí. A zde do toho vstupuje naše marketingové know-how. Máme velké objemy dat a máme lidi, kteří je umějí zpracovat a interpretovat. A my přidáváme ten vnější pohled — externí vlivy a nové logické kombinace, které člověka bez marketingových základů nenapadnou,“ doplňuje Oružinský.

Snadno a rychle v cloudu

Celý model běží na technologii strojového učení Microsoft Machine Learning service a v cloudovém prostředí Azure„V dnešní rychlé době je podle mě zbytečné vyvíjet vlastní platformy, mít svůj vlastní server a na něm něco provozovat. Potřebujete stabilní a dostatečný výpočetní výkon, a to je přesně to, co Microsoft nabízí. Pro nás je to ideální, prostředí je intuitivní, člověk se ho rychle naučí ovládat a v podstatě okamžitě může pracovat,“ popisuje majitel AltTagu, a dodává, že si cení především jednoduchosti a rychlosti: „Projít řekněme milion datových položek modelu na této platformě trvá pár vteřin.“