Prever a procura do cliente com o Acelerador de Soluções de Previsão de Procura

Artigo
07/11/2023

Solução ponto a ponto com modelos de machine learning consolidados

O ecossistema global de retalho é um reflexo do nosso ambiente moderno acelerado em que vivemos. Tem de conseguir alterar rapidamente e ajustar-se com base nas exigências do momento. As empresas não conseguem satisfazer a procura dos seus clientes num mercado de retalho cada vez mais competitivo, onde as preferências dos consumidores mudam frequentemente e presumem as experiências dos clientes que são pessoais, entre plataformas, fornecidas em qualquer meio.

Os retalhistas estão à procura de uma abordagem para compreender onde existe algum défice, atraso ou desagregação na cadeia de abastecimento. No ecossistema de retalho sobrecarregado e competitivo nestes tempos difíceis, é necessário ter uma visão de 360 graus de todas as dimensões do percurso do cliente ( da produção à entrega) ao longo da cadeia de fornecimento. As equipas de operações e de fabrico têm de remover silos e antipastas de dados na organização, para libertar recursos e evitar resíduos ao longo da cadeia de fornecimento.

Para o ajudar a satisfazer as exigências do seu mercado altamente sensível ao tempo, recomendamos o Acelerador de Soluções de Previsão de Procura. O Acelerador de Soluções de Previsão de Procura mostra-lhe como criar um modelo de previsão de vendas personalizado. Este acelerador irá ajudar ao reduzir o tempo de desenvolvimento através de recursos pré-criados e pré-configurados. Implementar a Solução de Previsão da Procura pode ajudá-lo a devolver resultados em semanas e a proporcionar-lhe a capacidade de dimensionar à medida que os seus requisitos empresariais aumentam.

Melhorar a precisão com a abordagem "muitos modelos"

O Padrão de muitos modelos é muito comum numa grande variedade de indústrias e aplicável a muitos casos de utilização no mundo real. No sector do retalho, a abordagem de muitos modelos é geralmente vista em:

Organizações de retalho que criam modelos de otimização da força de trabalho para milhares de lojas
Modelos de propensão de promoção de campanha
Modelos de otimização de preços para centenas de milhares de produtos a serem vendidos
Cadeias de restaurantes que criam modelos de previsão da procura em muitos pontos de venda

Exemplos do Cliente

Carhartt

Para se manter competitivo, Carhartt procurou uma solução abrangente baseada em dados. Uma vez que as máquinas virtuais no local criaram um estrangulamento de memória, a empresa trabalhou com a Microsoft para expandir o seu modelo com soluções de alto desempenho do Azure Machine Learning. As informações de dados sobrecarregadas ajudaram a Carhartt a otimizar as vendas em sites de comércio eletrónico, retalhistas de grandes caixas e as suas 33 lojas físicas. Leia a história completa do cliente carhartt.

Walgreens

A Walgreens processa grandes quantidades de dados, contando com informações de comparação de transações de ponto de venda com dados históricos em toda a cadeia de fornecimento, e tinha adquirido outras farmácias, adicionando mais pontos de dados para analisar. Com o Azure, a Walgreens conseguiu utilizar o machine learning para ligar as diferentes origens de dados para otimizar o seu inventário e promoções para direcionar os clientes certos no momento certo. Leia a história completa do cliente walgreens

Saiba como configurar o seu ambiente, preparar o seu conjunto de dados, preparar mais de 10 000 modelos e prever vendas. Em seguida, pode personalizar o acelerador para os seus desafios empresariais.

Introdução à implementação do MVP

Localize o código no repositório gitHub do Acelerador de Soluções de Previsão de Procura.
Implementar machine learning e recursos do Azure no Azure.
Configure o ambiente de desenvolvimento com uma máquina virtual do Bloco de Notas.
Execute o Jupyter Notebooks. Assim que o ambiente de desenvolvimento estiver configurado, execute o Jupyter Notebooks passo a passo, seguindo os passos para o Acelerador de Soluções Muitos Modelos.

Partilhar via