AI за снабдяването на магазините: какво да решава алгоритъмът, какво закупчикът и как да разберете дали помага

Автоматизираното снабдяване на магазините не е нещо ново. Новото е, че го наричаме AI агент и искаме от него да поеме повече от работата: не само да изчисли количество, но и да подготви поръчката, да я обясни и в крайна сметка да я изпрати. Преди да решите колко от това да му предадете, си струва да видите какво се случва във веригите, които вече поръчват по този начин, защото хората, които работят с тези системи, постоянно променят резултата им, а последните полеви изследвания са измерили до какво водят тези промени.

1. От какво се състои една поръчка и кой да решава всяка част

Поръчката за магазин е малко изчисление, обвито в няколко преценки. Изчислението е механично: очакваните продажби до момента, в който следващата доставка пристигне и е на рафта, плюс буфер за колебанията, минус наличността в магазина и стоката, която вече е поръчана. Преценките не са механични: кой доставчик, дали промоция или местно събитие ще вдигне търсенето, дали нов продукт заслужава място, дали стоката в склада на магазина наистина я има. Ако разделите работата по тази линия, всяка страна получава това, което прави добре:

2. Какво казват доказателствата за корекциите

Най-подробното от последните изследвания проследява европейска верига супермаркети от горния сегмент, която използва автоматизирано снабдяване от повече от три години, в две групи бързоразвалящи се стоки: пакетирано месо и готови ястия¹. Служителите в магазините можеха да приемат или да променят всяко предложение. Намаленията им не бяха случайни: след като даден продукт наскоро е свършвал, те намаляваха предложената поръчка значително по-често, защото четяха ниските записани продажби от празните дни като слабо търсене. Тези намаления след това правеха новата липса на същия продукт много по-вероятна. Авторите го наричат самопричинена липса на стока.

Корекциите в обратната посока могат да бъдат правилни. Във верига квартални магазини, която въвежда система за препоръки за снабдяване в част от магазините, а в други не, мениджърите увеличаваха или изтегляха по-рано поръчките на популярните артикули преди търсене, което системата още не беше засякла, и се въздържаха при бавнооборотните². Двата вида корекции един до друг:

Въвеждането във веригата квартални магазини показа и какво прави самата система за препоръки: точките за повторна поръчка се вдигнаха, поръчките станаха по-малки и по-чести, нивото на обслужване се подобри с 2,9% без допълнителна наличност и без загубени продажби, а мениджърите отделяха всеки ден с 36,5% по-малко време за поръчки². Поуката от двете изследвания е една и съща. Въпросът не е дали хората трябва да коригират, а кои корекции носят информация, която системата няма.

3. Какво помага на хората да използват препоръките добре

Спазването на препоръките рядко е високо, дори когато инструментът е добър. В Zara, чийто инструмент за цените при разпродажби беше увеличил приходите в пилотен проект, мениджърите по държави следваха препоръките му за цените в 61,0% от случаите в собствените магазини и в 46,4% от случаите при франчайзите; там, където инструментът не препоръчваше никакво намаление, мениджърите намаляваха цените с медиана от 19,9%³. Това изследване е за ценообразуването, а не за поръчките, но картината е позната на всеки, който е внедрявал система за снабдяване.

Три резултата показват какво помага. Добавянето на отправна точка към екрана на Zara, за да виждат мениджърите какво би означавало да следват инструмента, повиши спазването при франчайзите с около девет и половина процентни пункта³. В онлайн експерименти хората, които смесват собствената си прогноза с тази на алгоритъма с фиксирана тежест, допускат грешки с 20% до 61% по-големи от необходимото, а показването на входните данни, които алгоритъмът използва, без да се отваря самият модел, намали грешките с една четвърт⁴. В два полеви експеримента с поръчки на стоки показването на мениджърите как се е представял алгоритъмът подобри поръчките им, а показването къде се е представял зле помогна повече от показването къде се е справил добре⁵.

За инструмент за снабдяване това подсказва три правила за дизайна: показвайте числата, върху които е изграден всеки ред, показвайте собствената история на инструмента, включително пропуските му, и отбелязвайте корекциите, за които доказателствата казват, че водят до грешки. Изследването в супермаркетите изчислява, че самото блокиране на намаленията веднага след липса на стока би премахнало една трета от самопричинените липси и би вдигнало печалбата с около 1%, при увеличение на разходите за съхранение от същия порядък, и предполага, че предупреждение би могло да постигне голяма част от това¹.

4. Правомощия според доказателствата

Същата логика определя колко трябва да може да прави един AI агент за снабдяване. Той трябва да започне със съвети, така че предложенията му да могат да се сравнят с това, което закупчиците реално са поръчали. Може да премине към подготвяне на чернови за одобрение, след като съветите му се приемат в повечето случаи, и към изпълнение след едно потвърждение, след като хората рядко променят черновите му. Всяка стъпка се дава за отделен тип действие, поръчката за магазин отделно от поръчката към доставчик, и само след изпитателен срок с писмени прагове. Цялата стълба е описана в ръководството за AI агентите. Някои поръчки трябва да остават при човек на всяко ниво:

5. Измерване на ефекта

Собствените отчети на търговците показват защо тук е нужно внимание. Ahold Delhaize описва използването на „задвижвани от AI алгоритми за поръчки“, за да балансира наличността с намаляването на отпадъците⁶, и отчита спад на хранителните отпадъци, но не приписва никакво число на алгоритмите; закриванията на магазини, даренията и по-добрият контрол на фирата са движили същото число. Общите стойности за групата не могат да отделят инструмента за поръчки от всичко друго, което се е променило през годината.

Сравнението, което може да ги отдели, е магазин срещу магазин. Запазете дял от сравними магазини, в които AI само съветва, измервайте наличността на рафта в двете групи през едни и същи седмици и четете ефекта като промяната в разликата между тях. Измервайте едновременно и стойността на наличността, защото наличност на рафта, купена с повече запас, не е подобрение; ръководството за липсите на стока и ръководството за мъртвата наличност описват как да четете двете страни магазин по магазин.

6. Бележка за регулацията

В ЕС система за препоръки за снабдяване, която използват собствените закупчици на веригата, по правило не е от системите, към които е насочен членът за прозрачност в Акта на ЕС за изкуствения интелект; този член се отнася до AI, който взаимодейства пряко с хора, например чат асистент, който трябва ясно да показва, че е AI. По-близо до практиката са две други разпоредби: внедрителите трябва да гарантират, че служителите им имат достатъчна грамотност в областта на AI, а системите, използвани за наблюдение и оценка на работата на служителите, са класифицирани като високорискови⁷. Класирането на отделни закупчици според това как са се оказали корекциите им би се доближило до второто; измерването на инструмента спрямо контролни магазини не се доближава.

7. Ограничения

Изследването в супермаркетите обхваща пет магазина, две групи бързоразвалящи се стоки и никакви промоции, а данните му за печалбата идват от симулация на политики, които не са прилагани в реални условия. Два от експериментите са ни известни само от публикуваните им резюмета, които не посочват размера на извадките. Данните на Zara са от периода 2010 до 2013 г. и се отнасят до ценообразуването. Взети заедно, изследванията са по-единодушни за посоката, отколкото за големината на ефекта.

Как работи AI агентът доставки на marql

В marql AI агентът доставки следва този подход. Всяка сутрин от шест часа той чете кошниците с поръчки в работното пространство за снабдяване на marql, където количествата идват от буферен механизъм, а не от езиковия модел. На ниво „Съветва“ той предлага; когато му е позволено да подготвя, пише чернова, която закупчикът редактира, одобрява или отхвърля като всяка друга, с етикет „Подготвено от AI служителя по снабдяване на marql“. Чернова, която никой не е докоснал, се оттегля на следващата сутрин и се изгражда наново от свежи данни. Кошница, която изисква човек, остава при закупчика, с причината: твърде голяма, доставчик, известен само от фактури, или днес не е денят на доставчика за поръчки.

Всяко предложение се отваря на „Защо е направено това предложение“, с покритието сега и след доставката и срока на доставка зад всеки ред. Докато само съветва, агентът се сравнява с това, което хората са поръчали сами. KPI-ят му е „Наличност на рафта“ в неговите магазини спрямо контролни магазини, в които той само съветва, а стойността на наличността е границата, която не бива да надхвърля по пътя дотам. За да стигне до „Изпълнява след потвърждение“, първо трябва да издържи изпит на симулатор за търговия на дребно; „Изпълнява в рамките“ не е отворено за нито един клиент.