Ile kiełbasek na weekend?

Winweb opracowuje opartą na AI prognozę sprzedaży

Wiedza programistów, znajomość branży po stronie klientów oraz perspektywa naukowców łączą się w najnowszym projekcie firmy informatycznej Winweb: Wspólnie opracowano metodykę opartą na sztucznej inteligencji (SI), która pozwala zrozumieć przyczyny określonych wyników sprzedaży i wykorzystać je do sporządzania przyszłych prognoz.

„Ile kiełbasek potrzebujemy na weekend?“ To pytanie z pewnością zadaje sobie każde przedsiębiorstwo z branży mięsnej. Jeśli produkcja jest zbyt duża, część wyrobów trzeba zutylizować, a jeśli zbyt mała, przedsiębiorstwo traci zyski. Obecnie wiele firm podczas planowania produkcji polega na wiedzy specjalistycznej i intuicji doświadczonych pracowników. „Jednak ta zależność wiąże się ze znacznym ryzykiem“, mówi Jan Schummers, starszy inżynier oprogramowania w Winweb: „Utrata doświadczonego kierownika produkcji może zagrozić stabilności finansowej całego przedsiębiorstwa.“ Z tego powodu systemy prognostyczne zyskują w branży coraz większe znaczenie i rośnie zapotrzebowanie na zautomatyzowane i precyzyjne metody prognozowania.

Dlaczego tradycyjne prognozy osiągają granice swoich możliwości

Podkreśla to również Andreas Mayer, odpowiedzialny za IT w Michael Kleiber GmbH, zakładzie mięsnym w Szwabii posiadającym własne filie: „Na wielkość sprzedaży wpływa wiele różnorodnych czynników.” Należą do nich wahania sezonowe – zimą kiełbaski wiedeńskie cieszą się większym popytem niż w miesiącach letnich. Również bieżące promocje wpływają jednak na sprzedaż: jeśli kiełbaski są promowane, sprzedaje się ich więcej i trzeba z wyprzedzeniem zwiększyć produkcję. Oczywiście na sprzedaż wpływają także pogoda oraz dni tygodnia i święta. „Z dzisiejszej perspektywy nie jesteśmy jednak w stanie uwzględnić w prognozie sprzedaży zależności między podobnymi produktami, które są ze sobą skorelowane dodatnio lub ujemnie, zachowań konsumpcyjnych klientów ani wielu innych czynników”, mówi Mayer. Ponadto ręcznie można analizować jedynie niewielkie ilości danych.

System ERP, który przetwarza dane sprzedażowe i operacyjne i w postaci winweb-food jest również wykorzystywany w firmie Kleiber, ma już bardzo duże znaczenie jako podstawa prognozowania. Umożliwia precyzyjne kalkulacje cen, strategiczne planowanie sprzedaży i działalności operacyjnej oraz oferuje specjalne analizy dla klientów, pomagające sterować sprzedażą w ich placówkach. Konwencjonalne analizy szeregów czasowych wykazują jednak słabości w prognozowaniu sprzedaży. Są wprawdzie przydatne w planowaniu, ale nie wystarczają do wyjaśnienia przyczyn gwałtownych wzrostów lub spadków sprzedaży oraz trendów sezonowych. Szczególnie istotne z punktu widzenia sprzedaży dni można za ich pomocą prognozować na potrzeby planowania produkcji i placówek jedynie w niewystarczającym stopniu.

Również nowoczesne metody uczenia maszynowego nie przynoszą jeszcze zadowalających rezultatów. „Nie wynika to z jakości danych ani z braku danych historycznych”, mówi Schummers. „Uczenie maszynowe po prostu nie rozróżnia korelacji od związku przyczynowo-skutkowego”. Na przykład sprzedaż mięsa na grilla jest powiązana z częstszym występowaniem oparzeń słonecznych. „Wynika to jednak wyłącznie ze wspólnego czynnika wpływającego – słońca – i nie ma między nimi żadnego innego związku”. Zrozumienie możliwych zależności i ich prawidłowe modelowanie jest jednak niezbędne do tworzenia wiarygodnych prognoz sprzedaży na przyszłość.

Dlatego Schummers wspólnie z Uniwersytetem w Maastricht i Michael Kleiber GmbH zbadał nową metodę. Ma ona wyjaśniać wyniki sprzedaży, a tym samym zwiększać trafność prognoz. W ramach badania inżynier oprogramowania wykorzystał w tym celu przyczynową sztuczną inteligencję, w skrócie Causal AI, wraz z dużymi modelami językowymi (LLM), aby zidentyfikować czynniki wpływające na wielkość sprzedaży, a następnie wytrenować na ich podstawie model sztucznej inteligencji. „Jako dostawca systemu ERP do obsługi całego przepływu towarów Winweb dysponuje kluczowymi danymi, które pozwalają nam tworzyć szczegółowe prognozy dla poszczególnych produktów i porównywać je z rzeczywistymi wynikami sprzedaży“, wyjaśnia Schummers. W firmie Kleiber wdrożył i przetestował swoją nową metodę w realistycznym środowisku.

Konkretnie chodziło o ustalenie, czy Causal AI i LLMs można skutecznie wykorzystywać w praktyce do wspierania i usprawniania procesów decyzyjnych. „Chcemy wypełnić lukę między teorią a praktycznym zastosowaniem oraz zapewnić naszym klientom możliwości podejmowania decyzji na podstawie danych“, mówi Schummers. Jako podstawę wykorzystano diagramy drzewiaste, które opracowano wspólnie z Kleiber i które przedstawiają związki przyczynowe między czynnikami wpływającymi na sztuczną inteligencję. W praktyce Causal AI ma jeszcze w tym roku wspierać oddziały firmy Kleiber w szacowaniu wielkości sprzedaży oraz z wyprzedzeniem wskazywać czynniki wpływające na sprzedaż.

Według przedstawicieli uniwersytetu praktyczne zastosowanie Causal AI do prognozowania wielkości sprzedaży żywności nie zostało dotychczas przetestowane i jest w tym kontekście unikatowe. „Pierwsze wyniki są bardzo obiecujące i przewyższają wszystkie dotychczasowe próby prognozowania sprzedaży“, wyjaśnia Schummers. Połączenie LLMs i wiedzy specjalistycznej umożliwia tworzenie dokładniejszych prognoz, istotnych z operacyjnego punktu widzenia. „Utorowało to drogę do opracowania zbioru reguł, który może posłużyć jako wzorzec wdrażania prognoz u naszych klientów“, podkreśla Schummers.