Мы в Data Acquisition ежедневно сталкиваемся с задачами, требующими разработки новых программных решений с использованием искусственного интеллекта (ИИ). Так произошло и на встрече с нашими заказчиками — представителями менеджмента сети аптек «Фарма».

Перед нами поставили задачу автоматизировать расчет наценки. Раньше с учетом сложной номенклатуры и множества параметров, влияющих на этот процесс, при ручном выполнении, принятие решений в сфере эффективного ценообразования занимало очень много времени.

Сложность задачи заключалась в том, что процесс расчета наценки — это не просто математические вычисления, а ещё и комплекс логических умозаключений менеджера, основанных на опыте и учете внешних факторов, влияющих на спрос.

Оптимизация процесса ценообразования возможна при постоянном отслеживании реализованной наценки, факторов, на нее влияющих, а также отклонений, к которым эти факторы приводят.

Чем точнее расчеты, тем меньше погрешность в прогнозировании наценки будущих периодов.

Ручная работа с применением математических формул и правил вычисления наценки — процесс трудоемкий даже при нескольких десятках наименований товара. Что и говорить об аптеках, где таких наименований десятки тысяч!

Менеджеру приходилось заблаговременно планировать наценку, экстраполируя показатели, опираясь на статистику прошлых лет. А это сопряжено с риском высокой степени погрешности, так как не учитываются реальные факторы, ведущие к повышению спроса на медикаменты.

Как известно, машинный интеллект может выполнять тысячи вычислений в секунду, поэтому вычисление наценки с учетом входящих данных даже по сотням тысяч позиций занимает в тысячи раз меньше времени, чем это требуется человеку.

Оптимизировать процесс вычисления наценки, в таком случае, возможно. Загвоздка только в одном: нужно реализовать программную разработку, которая бы учла все нюансы и обучила ИИ не только выполнять определенную цепочку математических действий, но и учитывать логику принятия решений менеджером.

Разработка программного обеспечения с использованием ИИ, которое берёт на себя рутинные процессы в сфере ценообразования и учитывает возможные варианты логического принятия решений. Такую сложную задачу поставил перед нами менеджмент сети аптек «Фарма».

Мы обычные люди и не можем знать абсолютно всего. Но для получения правильно функционирующего блока ИИ не нужно быть экспертом в области, для которой разрабатывается программное обеспечение, достаточно сотрудничества с профессионалами.

Нам повезло работать с опытными специалистами в этой области, которые смогли объяснить основные принципы и нюансы этого процесса разработчикам. Результатом такого сотрудничества стала разработка блока ИИ, который обеспечивает автоматизацию вычисления наценки на товарные позиции и ускоряет процессы принятия решений с целью повышения конкурентоспособности и активизации спроса.

В этом кейсе автоматизация вычисления наценки позволяет:

01. Ускорить процесс реагирования аптечных сетей на спрос;
02. Сократить время, затрачиваемое на анализ данных и определение наценки следующего периода, до недели;
03. Оптимизировать прибыль клиента в результате более быстрой смены системы наценок на продукцию с учетом спроса, сезонности, эпидемиологической обстановки и других факторов.

Учитывая ассортимент предлагаемой продукции и количество аптек в сети, использование искусственного интеллекта позволило автоматизировать трудоемкий процесс ценообразования с учетом реализованной наценки прошлых периодов.

В реализации проекта не обошлось и без проблем. Недостаточно обучить машину следовать принципам ценообразования, нужно вложить в нее логику действий в той или иной ситуации.

Было ли сложно? Да, было. Но поэтапно мы постигали премудрости вычисления наценки с учетом многофакторности этого процесса и формировали программу, которая смогла бы выполнять функции менеджера по ценообразованию “без сучка и задоринки”.

Посмотрите, как нам удалось решить поставленную задачу.

Как строится работа нейронной сети

В функции искусственного интеллекта входит отслеживание параметров, прямо влияющих на процесс ценообразования.

Параметры для определения истории вычисления наценки для обучения нейронной сети и выработки ее самостоятельной поведенческой системы при изменении отслеживаемых показателей, изначально берутся из базы данных клиента (БД Firebird).

Учитываются следующие параметры:
— целевая реализованная наценка;
— фактическая реализованная наценка неделю назад;
— фактическая реализованная наценка две недели назад;
— доля интернет-продаж;
— доля скидки;
— доля высокомаржинальных товаров;
— доля красных позиций.

Модель оценивает предыдущие периоды и, основываясь на полученных данных, прогнозирует целевое значение (уровень входящей наценки). Новый уровень целевой реализованной наценки ограничен изменением не более чем на 7 пунктов.

Блок ИИ вычисляет и предлагает наценку, а менеджер утверждает или изменяет её с учётом других (непостоянных) факторов. Например, проводимых акций по случаю дня рождения покупателя и т.д.

Реализация разработки с учетом тестирования и контроля результатов

Модуль, обеспечивающий функционирование ИИ, мы писали на языке программирования Python.

Нейронная сеть в процессе анализа предыдущего опыта вычисления наценки обучалась, а в процессе своего функционирования строила собственную базу данных, на основании которых впоследствии оптимизировала процесс своей работы.

Для интеграции машинных вычислений и логики принятия решений человеком в процесс обучения ИИ нами был включён блок построения дерева решений. Логика принятия решений специалистом в истории назначения наценки изучалась блоком машинного интеллекта.

В результате принятия решений нейронной сетью предлагается дерево решений в виде таблицы, которую может просматривать и корректировать менеджер. В результате такого обучения ИИ не только вычисляет оптимальную прогнозную наценку, но и учитывает другие факторы, влияющие на принятие решений.

Для проекта определяющим значением является эффект от реализации разработки. Насколько ИИ помог в решении задач, позволил высвободить время сотрудников, сократить время принятия управленческих решений и так далее.

Результат не может не радовать.

Судите сами:

01. Автоматизация процесса вычисления наценки с использованием многофакторной модели исключает длительные периоды действия неэффективной наценки, снижающей спрос. Вручную отслеживать такой фактор сложно, так как используются обычные математические вычисления на основании набора простых правил и формул. Этот трудоемкий процесс занимает много времени, поэтому невозможно проводить его вручную постоянно по всем номенклатурным позициям аптек, входящих в сеть.

02. Внедрение блока ИИ в процесс вычисления наценки оптимизирует зависимость устанавливаемых цен от спроса с учетом временных параметров, на которые невозможно влиять (эпидемиологическая обстановка, повышение/снижение уровня заболеваемости населения конкретными видами недугов).

03. Исключается необходимость заблаговременно прогнозировать изменение в наценке товара для конкретных категорий продукции.

04. Повышается точность вычисления наценки, которая непосредственно влияет на эффективность принимаемых решений.

“Данный алгоритм мы внедряли для сокращения временных и человеческих затрат на анализ данных. За счет алгоритма работу, которую раньше делали 3 человека в течение дня, теперь может делать 1 работник в течение 4 часов. Если учесть что эту работу мы делали 1 раз в неделю, то благодаря внедрению данной технологии мы высвободили около 20 часов рабочего времени в неделю”, – так прокомментировал результат использования нашего “детища” начальник отдела разработки компании “Фарма” Михаил Цыбулько.

Ну, и в заключении...

Уверены, что задача, которую мы решили для сети аптек «Фарма», актуальна и в других сетях – аптечных, продуктовых, салонах предоставления услуг и других точках, где стоит проблема ценообразования с использованием принципа реализованной наценки. Конечно, специфика номенклатуры и сферы деятельности накладывает определенный отпечаток, требующий внесения изменений в разработку, но у нас это теперь не вызывает затруднений, - говорит Максим Антоненко коммерческий директор Data Acquisition.

Благодаря тщательному планированию, тесному сотрудничеству с экспертами в области ценообразования и использованию передовых технологий в разработке программного обеспечения, Data Acquisition успешно реализовала проект для сети аптек “Фарма”. Качественно и в короткие сроки.
Заполните форму ниже и запишитесь на бесплатную консультацию.
Нам есть, что Вам предложить.

Благодаря тщательному планированию, тесному сотрудничеству с экспертами в области ценообразования и использованию передовых технологий в разработке программного обеспечения, Data Acquisition успешно реализовала проект для сети аптек “Фарма”. Качественно и в короткие сроки.

Заполните форму ниже и запишитесь на бесплатную консультацию.
Нам есть, что Вам предложить.