Decision Science og kunstig intelligens (AI) i detailbranchen

Apr 24, 2019 • 6 min.

Detailhandlere opererer på en massiv skala. De skal holde styr på milliarder af forecasts, kontrollere millioner af lager flows, samt håndtere adskillige medarbejdere i butikker og i distributionen.

Derudover er detail også meget dynamisk. Hver eneste dag skal detailhandlere håndtere forskellige afvigelser, såsom forsinkede forsendelser og kvalitetsproblemer. Samtidig, er der en vedvarende transformering i branchen, som påvirker alle dele af virksomheden. Detailhandlere udvikler løbende nye måder hvorpå de kan servicere forbrugerne og håndtere ordrer, eksperimentere med nye butiks formater og investere i teknologi og robotter. Derudover så er der nye megatrends, såsom urbanisering og forbrugerens voksende interesse i sundere og mere bæredygtige produkter, hvilket forandrer kundens shopping-mønster

For at imødekomme disse forhindringer, så er detailhandlere tvunget til at tage en massiv mængde hurtige beslutninger. Velvidende, at for at tage rigtige beslutninger, så skal deres data fungere optimalt. Men dette kan være en stor udfordring for alle. Selvom de fleste detailhandlere er rig på data, så har mange problemer med at analysere på det. At man har tilgang til data gør nemlig ikke automatisk, at detailhandlere bliver bedre til at tage hurtige og bedre beslutninger. Det er her at Decision Science kommer ind i billedet.

Detail vinderne omdanner data til bedre og hurtigere beslutninger

Detailhandlere skal blive bedre til at bearbejde store mængder af data og omdanne det til præcise, hurtige og automatiserede beslutninger. Netop derfor er der også på nuværende tidspunkt et voksende fokus på AI i detailbranchen. Desværre, så findes der ikke nogen magisk ‘Black Box’ som kan løse alle detailhandlerens komplekse planlægningsproblemer.

*Figur 1:* Detailhandlere må kombinere pragmatisk AI med effektiv støtte til menneskelige beslutningstagere, for at opnå mere nøjagtige, rettidige, og automatiserede beslutninger. Løsningen er systematisk bearbejdning af data.

Detailhandlere vil opnå de bedste resultater ved at udnytte pragmatisk AI til fulde. De skal kombinere AI og maskinindlæring med statistisk modellering og optimering, simulering, klassificering samt regler og heuristik.

Den rette tilgang til AI vil komme an på typen af problemer (for eksempel om det er forudsigelse eller optimering) samt hvilket data der er tilgængelig. Andre vigtige faktorer vil være beregningsmæssig effektivitet og tilgængelig databehandling. Hvis data behandlingstiden er for lang, så vil det resultere i forældede anbefalinger og i værste tilfælde, så vil man blive nødt til at tage beslutningerne før beregningerne er klar og dermed sætte AI ud af processen.

Data og matematik er vigtige redskaber, men computere er endnu ikke i stand til at lave en kompleks planlægningsproces helt af sig selv. Det er især sandheden i den turbulente detail verden vi lever i, og derfor er der fortsat en vigtig rolle for menneskelig intelligens.

Vi har især behov for ekspertise når vi definerer prioriteter og forsøger at løser nytilkomne problemer. Intelligence amplification (IA) er en del af Decision Science som leverer en menneskelig ekspertise og det er mindste lige så vigtigt som AI.

Pragmatisk AI for nøjagtighed og automatisering

Detailplanlægning omfatter adskillige typer af situationer og beslutninger, og derfor er der også meget forskellige typer af problemer såsom; langsigtede forecasts, udredelse af lager flows og optimeret ordrebestillinger af ferske produkter, og der er ingen enkel metode eller algoritme som passer til alle disse situationer.

Man skal have den fulde forståelse for pragmatisk AI for at kunne gøre detail data forståeligt og lave det om til velovervejede anbefalinger og uafhængige beslutninger. Det inkluderer AI og maskinindlæring algoritmer, men også mere avancerede statistiske modellering, optimering, simulering, klassificering samt regler og heuristik (Se figur 2 for konkrete eksempler på disse tilgange).

*Figur 2: Pragmatisk AI omfatter adskillige metoder med forskellige anvendelsesområder, som illustreret ved ovenstående eksempler (Se referencelisten for mere information).*

Når pragmatisk AI er implementeret korrekt, så er resultaterne forbløffende: Forbedret profitmargin, forøget salg, formindsket spild, og mere effektivt lager og kapacitetsudnyttelse. Fordelene for detailhandleren, deres kunder og planeten er enorme (Læs mere om de resultater den tyske detailhandler Bünting har opnået for inspiration).

Brugen af pragmatisk AI, skal dog designes varsomt:

De rigtige metoder og algoritmer skal udvælges automatisk og baseres på den tilgængelige data og problemtype
Alle AI strategier skal være redegjort og revideret sideløbende med at teknologier udvikles og nye data bliver gjort tilgængelig
Metoden og algoritmen skal operere effektivt og pålideligt på en detail skala, så de mange milliarder forecasts og lagertransaktioner bliver effektivt håndteret
Alle pragmatisk AI strategier skal arbejde perfekt sammen og supportere planlægning på tværs af funktioner
Den logik som AI benytter skal være transparent, og gøre det muligt for brugerne at forstå, stole på og somme tider justere beregninger og resultater, uden at de behøver at være data eksperter

Beslutningssupport og analyser for at levere menneskelig ekspertise

Tilgang til mere data, bedre algoritmer og styrket databearbejdning gør beslutningstagelse mere kompleks, mere præcis og mere automatiseret. Dog efterspørges der stadig planlægnings ekspertise.

Nye situationer med begrænset data opstår efterhånden som detailhandlere genopfinder sig selv, og i dette tilfælde er menneskelig ekspertise yderst vigtigt. Når detailhandlere planlægger nye store formater og nye ydelser, så er der ligeledes mange komplekse problemer. Disse kan løses mere fordelagtigt når menneskelige planlæggere diskuterer de tilgængelige løsninger sammen med kategoriafdelingen eller leverandører. Derudover er planlægnings ekspertise essentiel for at oversætte enhver detailhandlers unikke virksomhedsstrategi til mere detaljerede mål som kontrollerer hvordan AI optimerer det endelige slutresultat.

Detailhandlere har brug for støtte til at forandre data til information og anbefalinger, og de har brug for IA til at få det største udbytte af planlæggerens ekspertise. Det gør også planlæggerens arbejde mere meningsfuldt, da det giver dem mulighed for at bruge mindre tid på klargøring af rutine data, og dermed giver dem mere tid til at finpudse deres beslutninger. Det er derfor vigtigt at planlægningsredskaberne har stærke analyse egenskaber indbygget, og at der ikke spildes tid på at skifte mellem systemer eller vente på at rapporter bliver færdigskrevet og beslutningerne bliver taget.

IA i detailplanlægning betyder at planlæggere kan:

Stole på at systemet vil advare om problemer som det ikke selv kan løse
Få adgang til alt data i det system som planlægningsarbejdet finder sted i
Analysere data ved at gå i detaljen eller ved at se efter mere generelle mønstre efter behov, med kompleks fleksibilitet, i real-time data og understøttet af stærke visualiseringer
Spontant udføre og sammenligne ‘hvad-nu-hvis’ scenarier for at teste konsekvenserne af komplekse beslutninger på hver del af forsyningskæden og på tværs af funktionerne

*Figur 3. Detailhandlere bør kombinere AI med fulendte analyser og beslutningssupport*

Detail vinderne tænker udover AI

Der vil ikke ske nogen virksomheds transformation som følge af at tilføje få isolerede AI løsninger til en detailhandlers planlægningsproces. Hurtigere og bedre beslutninger kræver at en detailhandler drager fordel af den fulde bredde af Decision Science. Data science som blot fokuserer på at klargøre data ved at bruge statistiske analyser og algoritmer er ikke nok. For at tage bedre beslutninger er der brug for interdisciplinær brug af business, matematik, teknologi, design thinking og behavioral science – og Decision Science er et must.

Til slut så skal dette orginale argument fra Dhiraj Rajaram fremhæves: “Decision science enables addressing business problems that are ill defined and shifting and where the factors affecting the problem are not completely understood. It facilitates the design thinking paradigm: Taking business problems that start off as a hunch or as mysteries to becoming heuristic, rules and judgment based, to becoming algorithm as one starts to see patterns, to becoming codified and tool-ified in parts before being operationalized in systems. Further it enables the on-going creation, translation and consumption of data-driven insights to help organizations make better decisions. Decision science integrates and builds on data sciences by adding the aspects of business context, design thinking and behavioral sciences”. Præcis hvad lægen ordinerede, ikke?

Referenceliste

“Pushing the boundaries of data processing requires specialization” explains the technology behind high-performance analytics and discussed its use in retail planning.

Winning the Food Fight: Best Practices for Managing Grocery Retail Supply Chains presents several real-life examples of pragmatic AI.

Why some data scientists should really be called decision scientists by Dhiraj Rajaram discusses the difference between data science and decision science.