From forecasting demand to ordering: An automated machine learning approach with Amazon Forecast to decrease stockouts, excess inventory, and costs

Кейс-стади о том, как More Retail Ltd. (MRL), крупнейший Индийский ритейлер, сократил потери до 30% в категории Fruits&Vegetables с помощью увеличения точности прогнозирования с 24% до 76%. Как AI помог компании достичь свои цели по сокращению потерь и автоматизации внутренних процессов?
Суть проблемы была разбита на три простых вопроса:

1. Каков ожидаемый спрос?
Было сформулировано около 80 гипотез для изучения влияния факторов на спрос потребительских продуктов. Команда провела комплексную проверку гипотез, используя такие методы, как корреляция, двумерный и одномерный анализ, а также тесты статистической значимости (Student's t-test, Z-test), чтобы установить взаимосвязь между спросом и соответствующими факторами, такими как даты фестивалей (что обозначает выбросы количества закупа в торговых точках), погода, рекламные акции и многие другие. Используя ABC/XYZ анализ, где ABC указывает вклад продаж (A — самый высокий), а XYZ — легкость прогнозирования (Z — самый низкий), для каждой пары Store/SKU (Точка сети/Штрих-код товара) была выбрана модель с наибольшим процентом точности.

2. Сколько товара необходимо заказать?
Сценарии занижения и завышения спроса по свежим историческим данным были учтены при прогнозировании количества товара, который необходимо закупить. При разработке модели были созданы три показателя (квантили) для закупа - p40, p50 и p60 - более высокие квантили выбирались автоматически, если в конкретной паре Store/SKU в течение последних 3 дней наблюдался постоянный дефицит товаров, а более низкие квантили выбирались, если в данном Store/SKU наблюдались высокие потери (wastage). Величина увеличения и уменьшения квантилей основывалась на величине дефицита или потери запасов в магазине.

3. Как масштабировать это во всей компании?
MRL интегрировали системы прогнозирования и системы формирования заказов на производстве с ERP-системой Oracle, которую они используют для размещения заказов. Воркфлоу строится следующим образом: выводы из прогностической модели для каждой пары Store/SKU помещаются хранилище, обрабатываются скриптами Python для преобразования в заказы, и размещаются в ERP-системе для заказов. Команда настроила уведомления по электронной почте для каждого процесса, чтобы уведомлять команду об успешном завершении или сбое.

В результате, простота интеграции между системами привела к созданию полностью автоматизированной системы заказов с нулевым вмешательством человека, а точность прогнозов возросла с 24% до 76%, что привело к:
1) Сокращению потерь до 30% в категории Fruits&Vegetables
2) Повышению уровня наличия на складе с 80% до 90%
3) Увеличению валовой прибыли на 25%

Bringing a New Platform Experience to Intuit Mailchimp with Built-In, Generative AI

Нововведение Mailchimp: как маркетинговая платформа помогает создавать персонализированные рассылочные кампании посредством интеграции AI. Intuit Assist, AI-ассистент внедренный в платформу для маркетинговых рассылок MailChimp, включает в себя функционал автоматического создания пользовательских сегментов на основе параметров базы, автоматизацию рассылок, и генерацию контента.
Вот какие задачи интеграция с AI помогает решить маркетологам:

- Создание сегментов контактов используя промпт на естественном языке
Для этого пользователю достаточно вбить запрос на примере «создать сегмент для клиентов, которые посетили мой веб-сайт, посмотрели одежду, но не купили ее в прошлом месяце» в строку запроса для AI-ассистента. Это позволит обеспечить масштабную персонализацию маркетинга и, по историческим данным, увеличит click rate на 33%.

- Использование сгенерированного медиа и email-контента
На основе пользовательского промпта, Intuit Assist имеет возможность генерировать email-шаблоны для дальнейшего редактирования. Это в разы сокращает время на формирование блок-структуры рассылочных кампаний, редактирования текста, и подборку royalty-free изображений с кастомными фонами и полями.

- Автоматизация e-commerce рассылок
AI-ассистент умеет генерировать автоматизацию таких рассылок, как приветственные сообщения, follow-up'ы сегментам с "заброшенной корзиной" и т.п. на основе статистики с прошлых рассылочных кампаний с целью ретаргетинга и повышения конверсий. А на этапе квалификации лидов процессе CRM, Intuit Assist генерирует авто-ответы для потенциальных клиентов.

По словам Эмили Райан, партнера Mailchimp Pro, возможность использования встроенного AI-ассистента устраняет самый утомительный аспект ее бизнеса - составление персонализированных ответов каждому клиенту.

Unleashing the power of generative AI: Verisk’s journey to an Instant Insight Engine for enhanced customer support

Verisk, компания, предоставляющая аналитические и технологические услуги в сфере страхования, сократила product time-to-market на 75%, IT-затраты на 90% и затраты на поддержку на 60% при помощи встроенного механизма Instant Insights Engine службы поддержки клиентов. В статье описаны технические подробности того, как компании удалось повысить точность своей LLM-модели с 40% до 70% за несколько месяцев благодаря:

- Процессу RAG (Retrieval Augmented Generation)
Метод улучшения LLM-моделей RAG умеет получать доступ к часто-обновляемым актуальным данным из разных источников, что делает ее адаптируемой к изменениям. Помимо актуальности данных, еще одним важным аспектом является активное снижение риска галлюцинаций модели по сравнению с генерацией текста в свободной форме, поскольку ответы модели вытекают непосредственно из предоставленных отрывков информации.

- Упорному Data Harvesting (Сбор данных)
Первоначальный набор данных включал 10,000 вопросов и соответствующих ответов, которые были тщательно собраны и проверены для подтверждения точности и актуальности. Это, однако, не было единоразовым усилием. Компания добавила еще 15,000 вопросов, убедившись, что они охватывают менее часто встречающиеся сценарии. Среди дополнительных данных были также руководство пользователя, техническая документация и прочая текстовая информация. Эти данные охватывали несколько категорий: от бизнес-обработки до конфигурации и подхода к доставке. Это обогатило знания ИИ и понимание разнообразных запросов пользователей, что позволило ему давать более точные ответы.

- Конфигурация модели LLM и ее параметров
Эксперименты со структурой, длиной, параметром temperature (параметр варьируемости ответа от модели: от более предсказуемого до более креативного), и контекстом промптов, "скармливаемых" модели критически важны для повышения точности модели. Компания пользовалась лучшими практиками по Prompt Engineering и установила temperature модели = 0.5, для уменьшения случайности и повторения генерируемых ответов.

- Тестирование всевозможных моделей
Компания тестировала предлагаемые Amazon Bedrock LLM-модели под различные бизнес-кейсы. В результате критической оценки ответов, некоторые модели оказались наиболее подходящими для генерации текста, однако, в соответствии с целями компании была выбрана модель Claude Instant, наиболее быстро подсказывающая корпоративные инструменты пользователю.

Deriv Boosts Productivity and Reduces Onboarding Time by 45% with

Amazon Q Business

45%, 45% и 50% - три основных показателя, свидетельствующие о повышении продуктивности сотрудников компании Deriv, одного из крупнейших брокеров в мире. Компания внедрила Amazon Q Business, инструмент GenAI для получения и обработки данных из нескольких источников. Настроив подключения к Slack, Google Docs, Google Drive, Web Crawler и GitHub, Amazon Q Business стал неотъемлемой частью всех отделов, включая поддержку клиентов, маркетинг, создание контента и подбор персонала.

- Сокращение времени, затрачиваемого на адаптацию новых сотрудников на 45%
Для новых сотрудников, присоединяющихся к команде поддержки, компания предоставляет обширные руководства, документирующие процессы ее контакт-центра. Используя Amazon Q Business для индексации всех материалов поддержки клиентов, новые сотрудники могут задавать конкретные вопросы по решению и находить ответы на 45% быстрее, чем раньше. Вместо ручного поиска информации о процессе в документации, Amazon Q Business быстро находит самую свежую и актуальную информацию. Раньше новым сотрудникам требовался месяц, чтобы войти в курс дела. После внедрения Amazon Q Business им потребуется около недели.

- Оптимизация времени, затрачиваемого на получение информации сотрудниками на 45%
Инструменты AWS Global Accelerator и Amazon CloudFront, наряду с Amazon Q Business помогли Deriv повысить доступность, производительность и безопасность своих приложений, а также сократить workload latency на 45% — с 1,5 секунды до менее 200 миллисекунд. Эта настройка помогла быстрее доставлять контент клиентам Deriv, а в сочетании с Amazon Q Business ускорила доставку данных сотрудникам.

- Сокращение времени выполнения задач по подбору персонала на 50%
Часть процесса найма команды по подбору персонала включает в себя просмотр 10-страничных анкет кандидатов, чтение и оценка которых занимает 20 минут. Теперь, когда рекрутер загружает одну из анкет в Amazon Q Business, инструмент считывает и обобщает данные менее чем за минуту. Такая эффективность сократила время, необходимое для просмотра контента, на 50%.