Kundengeschichten
Pionierhafte Lebensmittelkette verbessert Vorhersagegenauigkeit um 5%
Albert Heijn, die größte Supermarktkette in den Benelux-Ländern, rationalisiert seine Abläufe mit einem aktualisierten, auf maschinellem Lernen basierenden Nachfrageprognosesystem.
Regions:
Partners:
Capabilities:
Industries:
Regions:
Partners:
Capabilities:
Industries:
Seit mehr als 130 Jahren, Albert Heijn (AH) , die größte Supermarktkette in den Niederlanden, die niederländischen Verbraucher mit frischen Lebensmitteln und Produkten versorgt. Im Jahr 2011 expandierte das Unternehmen nach Belgien und wurde zum größten Supermarkt in den Benelux-Ländern.
Um seine Logistik und seine Betriebsabläufe nachhaltiger und effizienter zu gestalten, benötigte der Lebensmitteleinzelhändler ein besseres System zur Vorhersage der Nachfrage, das zu einer höheren Verfügbarkeit in den Regalen, geringeren Verlusten und einem effizienteren Transport führen würde.
Sie müssen täglich über eine Milliarde Prognosen verarbeiten, um sicherzustellen, dass mehr als 27.000 Lebensmittelprodukte in mehr als 1.100 Geschäften und über verschiedene Online-Kanäle erhältlich sind.
Warum
Bereitstellung eines benutzerdefinierten Systems zur Nachfrageprognose auf der Grundlage von maschinellem Lernen mit zusätzlichen Funktionen und Merkmalen auf der bestehenden Azure-Cloud-Infrastruktur, die mit Airflow orchestriert wurde
Was
Erstellen Sie ein neues, auf maschinellem Lernen basierendes Nachfrageprognosesystem
Wie
Nachfrageprognose für eine bessere Zukunft
Eine der größten Herausforderungen für Albert Heijn war die genaue Auffüllung der Läden bei gleichzeitiger Reduzierung des Abfalls. Obwohl der Supermarkt eine Bedarfsprognose verwendete, fehlten dem jahrzehntealten System wichtige Funktionen. Es berücksichtigte nicht das (extreme) Wetter, Produktrabatte oder Ereignisse in der Nähe einiger Filialen und erforderte oft arbeitsintensive, manuelle Eingriffe (Korrekturen), die wertvolle Zeit kosteten. Da die Prognosen nicht immer so genau wie nötig waren, unterstützte das System keine kurz- und langfristigen Entscheidungen über die Verteilung der Bestände, die Verfügbarkeit von Transporten und die Personalbesetzung. Mit anderen Worten, es verbesserte die Praktiken des Unternehmens nicht.
Von Eiscreme bis Winterwurst: Präzisere Vorhersagen machen
Um sicherzustellen, dass mehr als 27.000 Lebensmittelprodukte in mehr als 1.100 physischen Geschäften und für mehrere Online-Kanäle verfügbar sind, benötigte Albert Heijn ein neues, auf maschinellem Lernen basierendes Nachfrageprognosesystem - eines mit mehr Funktionen und Merkmalen, das genauere Vorhersagen liefern würde.
Das große Sortiment an verschiedenen Produkten war eine besondere Herausforderung. Einige Produkte sind stark saisonabhängig, wie z.B. Rookworst (eine holländische Wurst, die normalerweise im Winter verzehrt wird) und Eiscreme. Andere Produkte reagieren auf Veränderungen auf dem Markt, wie z.B. die wachsende Nachfrage nach veganen Produkten, was Modelle erfordert, die sich gut an Veränderungen anpassen.
Das Unternehmen wusste, dass eine genauere Bedarfsprognose Zeit für die Korrektur wirklich unerwarteter und unvorhersehbarer Situationen - wie die mit Covid zusammenhängenden Lebensmittelengpässe - bieten und zu einer besseren Verfügbarkeit in den Regalen, weniger Verlusten und einem effizienteren Transport führen würde.
Eine benutzerdefinierte Lösung, die ohne Schluckauf eingesetzt wird
Das Projekt war mit vielen Herausforderungen verbunden, darunter die Qualität der Vorhersagen, die Aktualität, die Systemstabilität und die Sortimentsentwicklung. Es gab auch kritische Anforderungen, wie z.B. die Verfolgung von Unregelmäßigkeiten - Vorhersagen, die außerhalb der Bandbreite der historischen Nachfrage liegen, müssen gekennzeichnet und überprüft werden. Eine genaue Überwachung war also auch für den Erfolg des Projekts von größter Bedeutung. Auch die Zuverlässigkeit war äußerst wichtig. Da die Auffüllung der Geschäfte von den Vorhersagen des Systems abhängt, könnte jeder Schluckauf kritische Prozesse unterbrechen. Und schließlich war es ein ständiger Prozess, das Vertrauen der Beteiligten innerhalb von AH zu gewinnen und zu beweisen, dass das Projekt zuverlässig hochwertige Vorhersagen liefern konnte.
Aber die bei weitem größte Herausforderung war der enorme Umfang des Projekts. Die Anzahl der Prognosen - eine für jeden Artikel im Sortiment, für jede Filiale, bis zu 50 Tage in die Zukunft - belief sich auf über eine Milliarde Prognosen pro Tag. Da für die Verarbeitung dieser Daten und die Erstellung der Prognosen nur wenige Stunden zur Verfügung stehen, würde die enorme Nachfrage selbst die modernsten Cloud-Dienste überfordern.
Gemeinsam mit den internen Machine Learning-Ingenieuren und Data Scientists des Supermarktes hat Xebia eine maßgeschneiderte Lösung auf der Azure-Cloud-Infrastruktur von Albert Heijn implementiert und mit Airflow orchestriert. Die Einrichtung bestand aus drei Phasen: Laden von Daten und Generierung von Merkmalen, Modelltraining und Erstellung von Vorhersagen. Das Laden von Daten und die Generierung von Merkmalen erfolgte mithilfe von dbt (Data Build Tool) mit einer Spark-Engine, die in einer Databricks-Umgebung gehostet wurde.
Das Gesamtergebnis
Jede Nacht werden die Produktionsmodelle mit den neuesten Daten versorgt, um Vorhersagen für die kommenden Tage zu erstellen - bis zu 50 Tage in die Zukunft. Die Modelle des maschinellen Lernens stellen in zweierlei Hinsicht eine enorme Verbesserung gegenüber den bisherigen Prognosemodellen dar: Erstens wurde die Anzahl der erforderlichen manuellen Anpassungen stark reduziert; zweitens sind die neuen Prognosen um mehr als 5 % genauer als zuvor. Die Auswirkungen auf die Regalverfügbarkeit und die Verluste werden noch erfasst, aber insgesamt ist es für die bahnbrechende Supermarktkette der richtige Schritt in die richtige Richtung - ein Schritt, der ihre gesamten Abläufe mit besseren Prognosen verbessert und zu einer besseren Zukunft für die Welt beiträgt.
Contact