在庫管理の改善と洞察までの時間の短縮

産業

技術情報

Apache Spark Guided Analytics using KNIME Machine Learning

はじめに

ナッシュテックはSwiggyのGuided Analyticsアプリケーションの開発を支援しました。このアプリケーションの助けを借りて、Swiggyはデータの可視化、インタラクティブでスケジュールされたダッシュボード、在庫予測モデルを作成し、ビジネスの予測をインテリジェントかつ共同で作成します。

Swiggyについて

Swiggyはインドをリードするオンデマンド・デリバリー・プラットフォームで、ロジスティクスに対するテクノロジー・ファーストのアプローチと、消費者の要望に対するソリューション・ファーストのアプローチを持っている。インド国内500都市に拠点を構え、絶え間ないイノベーションによって比類ない利便性を提供している。

2014年にハイパーローカルフードデリバリーサービスとしてスタートし、現在では卓越したロジスティクスハブとなった彼らの能力は、顧客への迅速なデリバリーだけでなく、従業員にとっても生産的で充実した経験となる。

課題非効率で煩雑な手作業に代わるプロセス

Swiggyの分析は、CSV抽出から始まった非効率的で面倒な手作業で毎月行われ、在庫不足や在庫過多を引き起こしていた。在庫過多は、商品価格の値下げなどの判断につながり、販売回転率を上げる。また、在庫に限りがあると、売上を失い、不満を持った顧客が競合他社から購入することになる。

拡張性があり、柔軟で、透明性が高く、更新が容易なソリューションが必要であり、また、洞察に至るまでの時間を大幅に短縮する必要があった。異なる10店舗で50アイテムの少なくとも3ヶ月分の売上を予測したい。

ソリューション在庫予測のためのエンドツーエンドのデータパイプラインと自動化されたデータサイエンスソリューション

上記の問題を解決するために、私たちはKNIMEを使用して構築されたウェブアプリケーションである予測プラットフォームを構築しました。これは、意思決定者や利害関係者が、データエンジニアやデータサイエンティストと同じようにパイプラインの作成に関与できるようにするものです。

このソリューションには、過去の予測ソリューションと比較していくつかの利点がある：

設定可能でダイナミックなプラットフォーム。パラメータ、データセット、モデルを変更することで、基礎となる予測プロセスをカスタマイズすることができます。
ビッグデータをより速く、柔軟に処理。エンド・ツー・エンドのパイプラインは、ほとんどの場合、1日に何度も実行することができ、ユーザーが準備できる計算費用によってのみ制限される。企業は、希望する、あるいは必要とするあらゆる周期で予測を作成することができる。
豊富な予測モデルのセット。機械学習は、企業が予測しようとしているものに適合するモデルを素早く変更することを可能にする。 KNIME、そして結果としてKFPの最大の強みは、ニューラルネットワークやランダムフォレスト・アルゴリズムのような高度なモデルをコードなしでプラグインできることであり（ただし、必要に応じてコーディングは可能）、複雑さを増すことなく高度で正確な予測を可能にする。
精度測定。機械学習システムの原理に従って予測の精度を測定できる。機械学習アルゴリズムには本来、精度の測定、トレーニングデータ、テストデータ、本番データのようなデータのバージョンが付属しており、早い段階で貴重なフィードバックが得られる。
ブラックスワンに対応する能力迅速な変更を可能にすることで、重要なグローバルイベントを見逃すリスクを低減。多くの企業は、外部イベントを統合する簡単な方法がないために、重要なイベントを逃している。

実施された予測プロセスによる規律。予測プロセスは一般的に非常に確立されており、変更するにはあまりに硬直的である。うまく調整されたサプライチェーンのためには、利害関係者のフィードバックを取り入れ、異なる予測パラメーターを設定し、レガシーシステムに統合する柔軟性が必要である。 KFPは独立して管理することも、既存のビジネス・プロセスに統合することもできる。