Einzelhändler müssen in der Lage sein, bis zu einem wirklich niedrigen Detaillierungsgrad zu verstehen, welche Produkte sie in welchen Geschäften lagern müssen, damit ihre Kunden zufrieden sind; sie müssen sicherstellen, dass die Produkte im Regal stehen, damit die Kundennachfrage bedient werden kann. Das talentierte Supply-Chain-Team von Tesco half bei der Implementierung neuer Algorithmen für maschinelles Lernen, die die Möglichkeit bieten, über 3.000 Filialen und über 30 Millionen Produkte über einen Zeitraum von 21 Tagen zu verwalten. – Rob Armstrong, Director of Data Science, Tesco
Bedarfsprognosen Walmart beispielsweise hat mit RAPIDS™-Open-Source-Datenverarbeitung und Bibliotheken für maschinelles Lernen die maschinellen Lernalgorithmen 20-mal schneller trainiert. Auf Basis von CUDA-X AI™ und dank der Nutzung von NVIDIA GPUs ermöglicht RAPIDS es Walmart, die richtigen Produkte effizienter in die richtigen Geschäfte zu bringen, in Echtzeit auf Käufertrends zu reagieren und Kosteneinsparungen bei der Inventur zu realisieren. Video ansehen: Wie Walmart die Prognose verbessert (40:27)
Prognose für Nachbestellungen von Kunden Das Einkaufsverhalten der Verbraucher ändert sich rapide, und immer mehr Einzelhändler wollen tägliche Prognosen für Millionen von Artikel- und Laden-Kombinationen durchführen und die Genauigkeit ihrer Prognosen verbessern. Für Einzelhändler ist es wichtig, die Agilität ihrer Lieferketten durch schnellere, zuverlässigere Prognosen zu erhöhen und das Inventurmanagement zu optimieren. Eine Möglichkeit, die Agilität zu erhöhen, besteht darin, Lebensmittelnachbestellungen angesichts der Kaufhistorie eines Kunden vorherzusagen. Blog lesen: Best Practices für die Verwendung von KI zur Entwicklung der genauesten Prognose-Lösung im Einzelhandel (März 2021)
Prognose am selben Tag für Quick-Service-Restaurants (QSRs) Eine führende Restaurantkette mit mehr als 2.000 Restaurants hatte Probleme mit ihrem Prognosemodellierungsansatz, um die Produktbereitschaft für Bestellungen am selben Tag sicherzustellen. Die frühere Prognose-Engine war ungenau, verzögerte Umsatztrends, konnte externe Einflüsse oder Saisonalitäten nicht berücksichtigen und konnte nicht an maßgeschneiderte Modelle angepasst werden. Quantiphi lieferte eine Prognose-Engine, die Deep Learning mit NVIDIA GPUs nutzt. Sie hat die Genauigkeit um über 20 Prozent verbessert und ermöglicht Visualisierung, Analyse, Warnungen und die Einrichtung von Steuerungsvariablen. Video ansehen: Wie Quantiphis Lösung die Prognose bei QSRs automatisiert (19:47)