Dans le but de développer constamment de nouvelles technologies pour notre logiciel SCM et nos clients, nous avons ajouté deux nouveaux modules de Machine Learning dans le module AGR Inventory.

Avant de commencer, passons en revue les bases. Le Machine Learning est une analyse automatique par ordinateur qui utilise des données pour trouver des modèles et créer des prévisions. L’apprentissage machine utilise les données pour créer un programme, le programme apprend de l’expérience et décide en fonction de cette expérience. C’est exactement comme les humains – nous acquérons des connaissances, tirons des leçons de l’expérience et prenons ensuite des décisions fondées sur les connaissances et l’expérience que nous avons. L’un des exemples les plus courants de l’apprentissage machine est le “Compare to similar items” sur Amazon, comme le montre l’image ci-dessous :

machine learning

L’augmentation de la quantité de données et les progrès des logiciels ont récemment permis à l’apprentissage machine( machine learning) de gagner en popularité, mais les données sont essentielles pour pouvoir utiliser les techniques d’apprentissage machine. C’est exactement ce que la plupart de nos clients ont – beaucoup de données !

Nous avons créé deux modèles. Le premier est un modèle qui trouve une corrélation entre les produits, c’est-à-dire qu’il identifie les produits qui se vendent souvent ensemble (comme l’exemple ci-dessus d’Amazon). Et le second est un modèle qui trouve des produits similaires dans la gamme de produits du client.

Ajout d’une corrélation à AGR Inventory

Le premier modèle, le modèle de corrélation, examine l’historique des ventes et identifie la corrélation positive/effet Halo entre différents produits. Les hot-dogs et le pain à hot-dog en sont un exemple typique. Si la vente de hot-dogs augmente, par exemple en raison d’une baisse de prix ou des conditions météorologiques, alors la vente de pain à hot-dogs augmentera presque du même pourcentage. Les données dont nous avions besoin pour cette analyse sont des données transactionnelles simples que tous nos clients ont généralement sous la main.

Les exemples suivants de corrélations identifiées proviennent d’un de nos clients. En examinant leurs données, nous avons constaté que les deux éléments suivants, un flambeau culinaire et un combustible au butane, ont une règle de corrélation de 80 %. Cela signifie que 80% du temps qu’un client achète une torche culinaire, il achète aussi un petit réservoir de butane.

machine learning

Un autre exemple de ce type de corrélation peut être vu entre le câble FireWire suivant et l’adaptateur Apple avec une corrélation de 50 %. Bien que cette corrélation ne soit pas aussi forte que dans l’exemple précédent, cela signifie que 50 % du temps les clients achètent un câble FireWire, ils achètent également un adaptateur pour que le câble soit compatible avec les ordinateurs Apple.

machine learning

Afin d’introduire cette technologie dans notre logiciel, nous avons utilisé notre puissant moteur de planification. Dans le module Inventaire AGR, nous avons utilisé le planificateur pour afficher les résultats du modèle de corrélation d’une manière simple et utile, comme indiqué ci-dessous. Cette vue montre une liste de vos produits, avec les deux premières colonnes contenant leurs numéros et noms, et les deux dernières colonnes montrent un lien vers des éléments corrélés possibles ou des éléments similaires.

machine learning

Lorsque l’on click sur le lien articles corrélés’ d’un des produits, une nouvelle vue s’ouvre. Le produit suivant est une loupe avec une lumière et son numéro et son nom sont dans les deux premières colonnes (case rouge). Dans les deux colonnes suivantes, nous voyons le nombre et le nom des produits qui sont corrélés à la loupe (case verte), et dans la dernière colonne, nous voyons le pourcentage de corrélation. On voit donc que cette loupe est en corrélation avec deux produits : un pack de 4 piles et un pack de 10 piles AA, qui sont exactement les piles utilisées pour la loupe. Environ 29 % des clients achètent un paquet de 4 piles lorsqu’ils achètent la loupe, et 11 % achètent un paquet de 10 piles.

machine learning

Ces deux vues que nous voyons ici sont très simples et ne montrent que la corrélation entre les produits, cependant, nous sommes en mesure de mettre cette fonctionnalité dans tous les plans que vous souhaitez et ainsi utiliser ces informations lors de la planification de la vente des produits.

Plus d’opportunités abondent

L’utilisation de cette technologie d’apprentissage machine au sein de votre installation AGR peut ouvrir beaucoup de nouvelles opportunités pour votre entreprise. Tout d’abord, connaître le lien entre les articles peut être incroyablement utile lors de la planification de promotions, puisqu’une augmentation des ventes d’un certain produit affecte également les produits dans lesquels il est corrélé. Lorsque l’utilisateur planifie une promotion de la loupe, par exemple, avec la lumière, il pourrait voir le réservoir de carburant au butane comme un élément corrélé, l’informant que la vente de la loupe va également augmenter la vente des piles. Bien que cela puisse sembler logique, lorsqu’une entreprise travaille avec des milliers d’UGS, le fait que le logiciel fasse le travail pour vous fera économiser beaucoup de temps et d’argent à votre entreprise. La planification des promotions à l’aide de ces informations avec AGR Inventory peut aider l’utilisateur à voir l’effet global réel de la promotion.

Ces informations peuvent également être utilisées pour la détermination du prix et l’agencement du point de vente. Si nous repensons à la torche culinaire, 80% de corrélation est bien sûr une corrélation considérablement élevée, mais nous pouvons supposer que le combustible n’est pas fourni avec la torche. Le client devra acheter le combustible au butane pour utiliser la torche, ce qui lui permettra de faire plus de ventes et d’augmenter la corrélation de ces deux produits de près de 100 % en examinant la disposition des produits dans le magasin, leur prix, etc.

Connaître les taux de corrélation dans la vente au détail en ligne est aussi incroyablement utile, car lorsque le client ajoute la loupe à son panier, nous pouvons souligner le fait que d’autres clients achètent souvent des piles AA en même temps et ainsi l’encourager à faire de même, tout comme le premier exemple Amazon ‘Frequently bought together’.

Identifier des éléments similaires avec l’apprentissage machine

Le modèle suivant que nous avons créé trouve des produits similaires dans la gamme de produits. Un exemple de ceci, peut être vu ci-dessous avec plusieurs différents types de ketchup :

ketchup similar items

Les données nécessaires pour trouver ces similitudes se trouvent déjà dans le système AGR, par exemple le nom du produit, sa description, son prix, sa couleur, son groupe de produits, etc. Comme les caractéristiques des produits peuvent différencier les entreprises et la façon dont elles définissent ou décrivent leurs produits, nous pouvons également utiliser des informations différentes si nécessaire. En général, plus nous avons d’informations sur les produits, meilleurs seront les résultats.

Lorsque l’on regarde tous les articles d’un magasin de détail typique, on peut également voir des articles similaires dans leur système. Pour un certain produit, en l’occurrence les jumelles Focus noires, le système affiche les trois produits qu’il calcule comme ses produits les plus similaires. Comme nous pouvons le voir, les résultats sont trois jumelles très similaires.

binoculars similar items

En regardant de nouveau notre planificateur, nous avons créé une colonne’Articles similaires’ à côté des’Articles corrélés’ Si nous prenons à nouveau la même loupe comme exemple mais que nous appuyons maintenant sur le bouton’Articles similaires’, une nouvelle fenêtre s’ouvre qui affiche les trois autres loupes avec une lumière, tout comme notre produit original.

machine learning

L’ajout de nouveaux articles est simple

L’utilisation de cette technologie d’apprentissage machine dans le logiciel AGR offre de nombreuses nouvelles fonctionnalités à nos clients. Tout d’abord, ces informations peuvent être utilisées pour créer un historique des ventes de nouveaux produits. Lorsqu’un nouveau produit sans historique des ventes entre dans AGR, le système montre à l’utilisateur les trois produits les plus similaires à ce nouveau produit et l’utilisateur peut choisir un de ces produits et son historique des ventes pour créer une prévision pour ce nouveau produit.

Ce modèle pourrait également être utilisé pour la planification des promotions. Les produits similaires ont souvent une corrélation négative entre eux, par exemple si vous avez deux produits similaires de deux fabricants différents, et que vous en mettez un en promotion, sa vente augmentera alors que la vente du produit similaire diminuera simultanément. Le savoir vous permettra de voir et de comprendre l’effet global de la mise en promotion d’un produit au sein de votre entreprise.

Enfin, cette information peut également être utilisée pour traiter les changements de prix, car lorsque des changements à long terme sont apportés au prix d’un produit, ils influent généralement sur les habitudes d’achat du produit et des produits qui lui sont similaires. Ainsi, par exemple, si le prix du ketchup de Hunt chuterait soudainement et serait moins cher que celui du ketchup Euroshopper ou du ketchup Coop, il est très probable que les habitudes d’achat de ces produits changeront définitivement.

Adoptez les nouvelles technologies

L’apprentissage machine peut être utilisé de différentes manières dans la planification des ventes et des stocks. Chez AGR Dynamics, nous croyons que cette technologie peut être d’une valeur inestimable pour nos clients et nous nous efforçons de rester au fait des changements technologiques et de les intégrer à notre logiciel de gestion de supply chain. Ces nouveaux développements peuvent faciliter grandement le travail de nos clients, en leur donnant des suggestions et en les informant des causes des décisions qu’ils prennent. Ces deux nouvelles fonctionnalités permettront à nos clients d’avoir une meilleure vue d’ensemble de leurs produits et d’accroître leur efficacité dans la gestion des stocks.

Pour en savoir plus sur ces nouvelles fonctionnalités et les ajouter à votre système AGR actuel, vous pouvez nous contacter ici ou être en contact avec votre conseiller AGR Dynamics.

[gdfrm_form id=”2″]