تازه شدن: چگونه سوپرمارکت ها از هوش مصنوعی برای پیش بینی فروش استفاده می کنند

یک سوپرمارکت در اعماق روستاهای آلمان مشکل داشت. دور از نیروی کار فراوان نزدیکترین شهر، این مغازه عمدتاً توسط نوجوانان محلی هنوز در مدرسه کار می کرد. آویک موخیجا، یکی از بنیانگذاران فناوری خرده فروشی، می گوید که بچه ها با انگیزه اما بی تجربه بودند. استارت آپ Freshflow. او از افشای محل دقیق مغازه خودداری می کند.

هنگامی که هر روز محصولات تازه سفارش می‌دهند، کارمندان نوجوان از ترس کمبود میوه و سبزیجات، تمایل به خرید بیش از حد دارند. این منجر به ضایعات غیر ضروری شد زیرا برخی از محصولات فروخته نشده به ناچار در فروشگاه خراب شدند.

اما سپس مدیران فروشگاه به یک سیستم یادگیری ماشینی از Freshflow روی آوردند که می‌تواند پیش‌بینی کند که مشتریان چقدر مواد غذایی تازه را در روزهای آینده می‌خرند – و بر این اساس پیشنهاد می‌کند چه موجودی را وارد کنند. با در دست داشتن این ابزار، میزان هدر رفت محصول در سوپرمارکت به شدت کاهش یافت، نزدیک به ۳۰٪.

موخیجا می‌گوید: «اینها بهترین نرخ‌های کاهش زباله هستند که تاکنون به دست آورده‌ایم. Freshflow در حال حاضر ۱۵ کارمند دارد و ۳ میلیون یورو جذب کرده است. نرم افزار این شرکت در چندین فروشگاه متعلق به دو خواربار زنجیره ای منطقه ای در آلمان فعال است و استقرار آزمایشی در فرانسه نیز در حال انجام است.

ضایعات (غذا) خود را حذف کنید

مدیران محصولات تازه در سوپرمارکت‌ها و مغازه‌های کوچک محلی مدت‌هاست که باید خودشان تصمیم بگیرند که چه تعداد سیب، توت‌فرنگی یا سیب‌زمینی باید سفارش دهند، صرفاً برای اینکه با تقاضا مطابقت داشته باشند. اما تقاضا دائماً در نوسان است. تبلیغات در فروشگاه، تعطیلات رسمی، وضعیت موجودی موجود در قفسه ها و آب و هوا – همه این موارد می توانند فروش را شکل دهند. شخصی که کالای تازه سفارش می دهد باید هر روز شماره خود را به درستی دریافت کند.

در اتحادیه اروپا، حدود ۶۰ میلیون تن ضایعات غذایی – با ارزش بازار بیش از ۱ میلیارد یورو – هر سال تولید می شود. اکثریت قریب به اتفاق زباله‌ها از خانواده‌ها می‌آیند و خرده‌فروشانی مانند سوپرمارکت‌ها یک تکه نسبتا کوچکی از پای. با این حال، همچنان انتظار می رود خرده فروشان سهم خود را در معضل ضایعات مواد غذایی کاهش دهند. به گفته کمیسیون اروپا.

ناوگان جدیدی از استارت‌آپ‌ها ادعا می‌کنند که راه بهتری برای مدیریت جریان میوه، سبزیجات، گوشت و ماهی به داخل و خارج از فروشگاه‌ها وجود دارد – فناوری که هم می‌تواند ضایعات را کاهش دهد و هم سود را افزایش دهد. این شرکت ها استدلال می کنند که هوش مصنوعی (AI) و داده های دقیق در مورد ماندگاری انبار می تواند صنعت خرده فروشی مواد غذایی را متزلزل کند.

داده ها، داده ها و داده های بیشتر

موخیجا می گوید: «به طور متوسط ​​می توانیم ضایعات را بین ۲۰ تا ۲۵ درصد کاهش دهیم و می توانیم درآمد را تا ۳ درصد افزایش دهیم. Freshflow همچنین تعداد دفعات پیروی مدیران محصول از توصیه های ارائه شده توسط آن را پیگیری می کند نرم افزار – به گفته موخیجا، در حال حاضر نزدیک به ۹۰ درصد مواقع.

این سیستم هر داده ای را که Freshflow می تواند در اختیار داشته باشد جذب می کند. نه تنها آب و هوا، بلکه اعداد فروش تقریباً واقعی، یا نحوه عملکرد برخی از تبلیغات، مانند پیشنهادات خرید-یک-دریافت-یک-رایگان در گذشته. این نرم‌افزار می‌تواند عملکرد فروشگاه‌ها را از نظر هدر رفتن مقایسه کند و همچنین مشخص کند که کدام محصولات در هر زمان بیشترین فروش را دارند.

موخیجا ادعا می کند که Freshflow را برای به عهده گرفتن نقش انسانی مدیر محصولات تازه طراحی نکرده اند. او می گوید: «این چیزی است که ما به شدت نسبت به آن احساس می کنیم. “ما هرگز جایگزین مدیر تولید تازه نخواهیم شد. ما فقط توانایی های آنها را ارتقا خواهیم داد.”

او اضافه می‌کند که این شغلی به «هنر» نیاز دارد – بیش از آن چیزی که او و یکی از بنیان‌گذاران کارمین پائولینو در زمان راه‌اندازی شرکت خود متوجه شدند. به عنوان مثال، مدیر محصولات تازه اغلب راه‌های جدیدی را برای نمایش یا تبلیغ میوه و سبزی در فروش ارائه می‌کند تا بتواند مشتریان محلی خود را جذب کند. این از فروشگاهی به فروشگاه دیگر متفاوت است و نرم افزار Freshflow برای ایفای این نقش طراحی نشده است – فقط به این منظور است که تصمیم گیری در مورد سفارش محصول را آسان تر کند، زیرا عوامل مختلفی وجود دارد که باید در نظر گرفته شوند.

بوی گاز می دهی؟

استارت آپ های دیگر بر چگونگی ردیابی تازه بودن غذا به صورت خودکار تمرکز می کنند. مکس گرل، یکی از بنیانگذاران و مدیر اجرایی BlakBear، یک شرکت مستقر در لندن با ۱۱ کارمند که ۲٫۳ میلیون پوند بودجه جمع آوری کرده است، می گوید: “ما یک فناوری سنجش گاز اختراع کردیم.”

گرل توضیح می‌دهد که حسگرهای کوچک BlakBear، که به گفته او برای ساخت آن‌ها صرفاً چند پنی هزینه دارد، در داخل غذای بسته‌بندی شده قرار می‌گیرند – به بسته‌هایی از ماهی یا گوشت تازه فکر کنید، منابع کلیدی پروتئین. حسگرها با افزایش سن محصولات، تغییرات ظریف جو را در بسته های مهر و موم شده تشخیص می دهند.

گرل از مشخص کردن دقیق گازهایی که حسگر تشخیص می دهد خودداری می کند، غیر از اینکه بگوییم که شامل آمونیاک، ترکیبات آلی فرار و دی اکسید کربن است. اگر حسگرها افزایش گازها را که نشان دهنده خرابی است تشخیص دهند، می توانند از طریق ارتباطات بی سیم RFID یا بلوتوث، خرابی احتمالی محصول را اعلام کنند.

گرل می‌گوید: «ما زمان زیادی را صرف کار روی پروتئین کرده‌ایم، زیرا پروتئین بسیار گران است. “این می تواند مردم را مریض کند. وقتی بد است بوی بسیار بدی می دهد.”

گرل می‌گوید در حال حاضر، بلک‌بیر با دو خرده‌فروش بزرگ در بریتانیا کار می‌کند، اگرچه از ذکر نام آنها خودداری می‌کند. این شرکت همچنین در حال استقرار فناوری خود در ایالات متحده است. تا سال ۲۰۲۵، گرل قصد دارد «میلیون‌ها» حسگر در بسته‌هایی داشته باشد که در زنجیره‌های تامین مواد غذایی حرکت می‌کنند.

جایگزینی تاریخ مصرف

در حال حاضر، سنسورها به جای هر یک از بسته‌ها، به نمونه‌ای از بسته‌ها می‌روند تا راهی برای خرده‌فروشان برای نظارت بر کیفیت کلی محموله‌ها. اما گرل می گوید که هدف نهایی شرکت او بسیار بزرگتر است: “چشم انداز ما این است که تاریخ مصرف را جایگزین کنیم.”

این بدان معناست که برای مثال، هر بسته ماهی یا گوشت تازه با حسگری بارگیری می شود که می تواند – از طریق اسکن سریع با یک برنامه تلفن هوشمند – به مشتری تأیید کند که محصول تازه است. چنین سیستمی همچنین می‌تواند تخمین بسته‌ای را ارائه دهد که چند روز قبل از خراب شدن آن باقی مانده است.

گرل می‌گوید که مجبور نبودن به زباله‌دانی اقلام صرفاً به این دلیل که تاریخ مصرفشان گذشته است، زمانی که ممکن است کاملاً خوراکی باشند، می‌تواند نحوه مدیریت خرده‌فروشان را تا حد زیادی بهبود بخشد و به آنها در کاهش ضایعات کمک کند. “اگر می توانید یک روز به محصول خود اضافه کنید […]شما ضایعات را یک چهارم کاهش می دهید – این بسیار بزرگ است.

پاتریک برانتنر، از دانشگاه علوم کاربردی اتریش بالا، با اشاره به ظهور ابزارهای با فناوری پیشرفته که پیش بینی تقاضا در خرده فروشی مواد غذایی را هدف قرار می دهد، می گوید: «این یک تغییر بزرگ است که در حال ظهور است. او توضیح می‌دهد که کووید-۱۹، تورم و تسلط غول‌هایی مانند آمازون، همگی دلایلی هستند که چرا بسیاری از خرده‌فروشان در حال حاضر احساس می‌کنند باید بازی خود را ارتقا دهند.

پیش بینی تقاضا

برندتنر و همکارانش دارند فناوری های تحلیل پیش بینی خود را برای خرده فروشی آزمایش کردنداز جمله در فضای محصولات تازه. براندتنر اشاره می کند که برای مثال با سوپرمارکت های زنجیره ای بزرگ Aldi کار کرده است. داده‌هایی که او و همکارانش در سال‌های اخیر جمع‌آوری کردند، تغییرات بزرگی را در رفتار خرید در طول قرنطینه‌های کووید-۱۹ نشان داد. این قابل انتظار است، اما او خاطرنشان می کند که در صورت ظهور یک بیماری همه گیر یا همه گیر جدید، به طور مشابه، می توان از چنین اطلاعاتی برای پیش بینی فعالیت مصرف کننده در آینده استفاده کرد.

برندتنر Freshflow و BlakBear را به دلیل تلاش‌هایشان در پیش‌بینی دقیق‌تر تقاضای واقعی و ردیابی تازگی غذا تحسین می‌کند. با این حال، او خاطرنشان می کند که کاربران باید با ابزارهای هوش مصنوعی با احتیاط رفتار کنند. سیستم‌های پیش‌بینی تقاضا ممکن است در بیشتر مواقع پیش‌بینی‌های خود را درست انجام دهند، اما اگر در شرایطی شکست بخورند که رفتار مشتری یا رفتار مشتری از هنجار متفاوت باشد، مزایای آن‌ها محدود می‌شود.

براندتنر می‌گوید: «پس از اجرا، به این معنا نیست که همیشه بدون مشکل اجرا می‌شود، بلکه باید دائماً نظارت شود.

کرایه برداشت

ابزارهای یادگیری ماشین نه تنها بر آنچه خرده فروشان تصمیم به خرید می گیرند، تأثیر می گذارد، بلکه در دست تأمین کنندگان نیز است. Mihai Ciobanu بنیانگذار و مدیر Fresh4cast است که در حال حاضر دو نفر پرسنل دارد. این شرکت تاکنون ۸۰۰۰۰۰ پوند جمع آوری کرده است.

Fresh4cast در اروپا و ایالات متحده فعال است و Ciobanu می گوید تامین کنندگانی که سالانه ۳۵۰۰۰۰ تن غذا را جابجا می کنند از فناوری آن استفاده می کنند. این شامل توت سیاه تازه گرفته تا سوپ و سالاد آماده است. Ciobanu می‌گوید: سیستم Fresh4cast به کاربران اجازه می‌دهد تا با «چه می‌شد» آزمایش کنند.

یک تامین‌کننده ممکن است از این سیستم برای شبیه‌سازی استفاده کند که برای مثال، اگر یک تبلیغ خرده‌فروشی را به موقع به جلو بیاورد، چه اتفاقی می‌افتد. سپس تامین کننده ممکن است این رویکرد را به مشتری خود، خود خرده فروش، پیشنهاد دهد.

برخی از داده‌هایی که می‌توانند بر فروش تأثیر بگذارند، مانند پیش‌بینی آب‌وهوا، نرم‌افزار به‌طور خودکار جذب می‌شود، در حالی که اطلاعات مربوط به شکست ناگهانی یک محصول، کاربر نرم‌افزار ممکن است در حین پرواز در نظر بگیرد.

برای مثال، بگویید برداشت کمتر از حد انتظار تمشک وجود دارد. تامین کننده ممکن است از Fresh4cast استفاده کند تا تخمین بزند که فروش تمشک های موجود در قالب های کوچکتر برای ماه های باقی مانده از فصل چقدر موثرتر خواهد بود، در نتیجه با وجود داشتن میوه کمتر از آنچه که فکر می کردند، به تعداد بیشتری از مشتریان فردی دست پیدا می کند.

Ciobanu می‌گوید: «این تصمیم‌ها باید به قدری سریع در محصولات تازه گرفته شوند که بدون یک مدل خوب و قوی، همه باید تا حد زیادی به خواسته‌های خود تکیه کنند.»

در حالی که خرده فروشان در نهایت تصمیم می گیرند که چقدر بخرند و چگونه آن را تبلیغ کنند، تامین کنندگان می توانند بر این تصمیم گیری تاثیر بگذارند. همانطور که Ciobanu می گوید، دلیل خوبی نیز وجود دارد: “همه برنده می شوند اگر شما آن را درست انجام دهید.”