薄酒萊如何新鮮準時送到你手中?酒莊用AI預測供需 退貨減80%
作者:SAS台灣總經理 陳愷新
原文刊登自:未來城市@天下
時序入冬,迎來法國的薄酒萊產季,每年11月第三個週四,是薄酒萊新酒全球同步上市的日子,全世界的人們都能一起舉杯品嚐,歡慶年度盛宴。為了不讓葡萄酒供不應求,美國葡萄酒酒莊開始運用AI分析,提高消費者需求預測的準確度。
你是否想過,手上這瓶葡萄酒,是如何從產地的酒莊送到你的手中?酒莊要如何掌握消費者的需求數量,生產相應的葡萄酒數量,才不會供不應求或供過於求?
需求、物流,葡萄酒產地直送大挑戰
對酒莊而言,想將葡萄酒從產地直送給消費者,是一大挑戰。除了預測準確的消費者需求,搭配酒莊的庫存管理,更要透過物流技術,確保葡萄酒在運送過程中維持新鮮。
現在,美國已有酒莊導入AI來解決產地直送的難題。
首先,酒莊採用AI和機器學習技術,分析經銷商POS機及消費者直購記錄,先了解消費者的購買行為和需求,再綜合各種客觀條件,預測採購數量需求。
其次,為優化物流管理,酒莊在運送葡萄酒的冷鏈物流卡車中整合GPS訂位、物聯網和視覺化分析呈現的監控儀表板,維持葡萄酒的最佳溫度,並追蹤送貨卡車的速度及位置,讓酒莊隨時掌控每位消費者的訂單及葡萄酒送達的時間。而消費者用手機或電腦,就能查看所購買的葡萄酒配送進度,包括配送確切日期及時間。
求助AI的起因在於,該酒莊針對部份超過21年的老酒有「簽收」政策;無人簽收的酒,必須退回到最近的倉庫,而超過三次遞送失敗,就得退回酒莊,導致龐大物流浪費。
酒莊找上SAS透過AIoT解題後,送達率達98%,並減少80%的老酒退件,大幅減少營運成本。最重要的是,當處理交易與運送的時間減少,酒莊就能更專注了解客戶偏好與需求,進一步做未來銷售需求預測,制訂促銷和特價優惠的價格,提升客戶服務水準。
預測需求,零售業不能只靠Excel
今年的疫情為全球帶來新常態,不只驅動各地消費行為的改變,更衝擊既有的企業流程。對零售業來說,轉換行銷與通路策略、加速掌握需求預測,成了新興課題。
然而,台灣零售業仍習慣用Excel表格分析過去交易數字,使用平均值或同期推估;再根據今年的業績目標進行銷售預測,管理階層再依據經驗法則進行人工微調。
這種做法的問題在於,很難量化各「事件」的影響程度,也看不出異常的歷史資料,更可能忽略地理因素,如分店人口結構等所造成的影響,導致需求預測結果不精確。
結合AI演算法,已是新一代零售業的必要條件。一個好的AI需求預測模型,有兩個條件:
第一,要匯入銷售和庫存歷史記錄,讓模型學習時間趨勢的變化。
第二,要建立事件資料庫,讓模型學習歷史趨勢變化,除了固定節日促銷活動,還有偶發促銷事件,包括在什麼時間、針對哪些產品、規劃的促銷活動。
在時間和事件之外,還可再納入其他外部資料,包括線上商店流量以理解線下線上轉換情形、經濟指標與總體市場趨勢、社群媒體的網路口碑與情感分析結果,或這次新冠肺炎的個案數量與時間序等。
雀巢靠AI運籌1萬種商品,人機協作管理「狂牛產品」
全球最大食品公司雀巢,即率先導入AI分析創新生產規劃。
雀巢推出超過1萬種產品,生產線每天製造10億份產品。複雜多樣的產品線,加上備貨型(make-to-stock)生產策略,需高度仰賴準確的預測能力,以確保產品皆適量上架,考驗企業的需求和供應鏈規劃能力。
加上食品和飲料產業靠天吃飯,使雀巢的營運規劃面臨極大的挑戰。從季節影響、收成表現對於天候的依賴、需求的波動,其他零售趨勢及眾多產品的易腐性,使生產規劃和物流統籌變得益發困難。
因此,雀巢也導入AI做「主動超前部署」,除了考量客群分層結構、解讀歷史銷售記錄,並將促銷、特惠活動及外部資料的影響因子納入統計模型,也透過AI自動選取適當的統計模型,適時適所提供正確數量的商品,讓消費者隨時都買得到喜愛的食品。
而擁有能提升預測準度的模型,對雀巢還有一個重要意義——有利於內部需求規劃師挪出寶貴的時間,專注於管理難以AI取代人力經驗的「狂牛產品」(mad bulls)——這是雀巢對高產量、高波動產品的暱稱,著名的雀巢咖啡(Nescafé)就是其一。
雀巢咖啡通常是全年定期銷售,但經銷商的促銷活動會造成銷量大幅波動,使得咖啡的需求量變得非常難預測;因此,才需仰賴有經驗的需求規劃師解讀歷史記錄,從中瞭解過去的波動趨勢,來做狂牛產品的生產決策。
總結來說,雀巢的整體策略,是踏實地透過人機協作的AI佈局,達到最佳化效益,這也立下先進零售企業未來走勢的典範。
從葡萄酒酒莊的葡萄酒供應,到雀巢的商品需求預測,突顯零售業藉力AI提高服務水準的趨勢。要讓消費者隨時隨地都能買得到產品,零售業必須擁抱數位轉型,採用AI技術,才能精準掌握消費者需求,妥善規劃供應鏈,掌握未來商機。
推薦閱讀
- Payment fraud evolves fast – can we stay ahead?Payment fraud happens when a criminal steals a person’s private payment information, then uses it for an illegal transaction. As payment trends evolve, so do the fraudsters. Banks and PSPs can fight back with advanced analytics techniques that adapt quickly to spot anomalies in behavior.
- Fraud detection and machine learning: What you need to knowMachine learning and fraud analytics are critical components of a fraud detection toolkit. Here’s what you’ll need to get started – from integrating supervised and unsupervised machine learning in operations to maintaining customer service while defending against fraud.
- When it matters: Safeguarding your organization from the insideWith evolving threats, fraud detection technologies have to be flexible and nimble, and automated risk detection is a crucial component of decision advantage.
準備好訂閱意見領袖觀點了嗎?