AI pentru aprovizionarea magazinelor: ce decide algoritmul, ce decide achizitorul și cum afli dacă ajută

Aprovizionarea automată a magazinelor nu e nouă. Nou este că i se spune agent AI și că i se cere să preia mai mult din muncă: nu doar să calculeze o cantitate, ci să pregătească comanda, să o explice și, la un moment dat, să o trimită. Înainte să decizi cât din toate acestea îi încredințezi, merită să te uiți la ce se întâmplă în lanțurile care comandă deja așa, pentru că oamenii care folosesc aceste sisteme le corectează mereu propunerile, iar studiile de teren recente au măsurat ce efect au corecțiile.

1. Din ce e făcută o comandă și cine ar trebui să decidă fiecare parte

O comandă pentru un magazin este un calcul mic, învelit în mai multe judecăți. Calculul e mecanic: vânzările așteptate până când următoarea livrare ajunge și e pusă pe raft, plus un stoc de siguranță pentru variabilitate, minus stocul existent și stocul deja comandat. Judecățile nu sunt mecanice: ce furnizor, dacă o promoție sau un eveniment local va ridica cererea, dacă un produs nou merită loc pe raft, dacă stocul din depozitul magazinului chiar există. Dacă împarți munca de-a lungul acestei linii, fiecare parte primește ce face bine:

2. Ce spun dovezile despre corecții

Cel mai detaliat studiu recent urmărește un lanț european de supermarketuri din segmentul premium, care folosea aprovizionarea automată de peste trei ani, în două grupe de produse perisabile, carne preambalată și mâncare gata preparată¹. Personalul magazinelor putea accepta sau modifica fiecare propunere. Reducerile nu erau întâmplătoare: după ce un produs rămăsese recent fără stoc, oamenii reduceau comanda propusă vizibil mai des, pentru că citeau vânzările mici înregistrate în zilele cu raftul gol drept cerere mică. Aceste reduceri făceau apoi mult mai probabilă o nouă ruptură de stoc la același produs. Autorii o numesc ruptură de stoc autoprovocată.

Corecțiile în celălalt sens pot fi justificate. Într-un lanț de magazine de proximitate care a introdus un sistem de recomandare pentru aprovizionare în unele magazine și în altele nu, managerii au mărit sau au devansat comenzile la produsele căutate, înaintea unei cereri pe care sistemul nu o detectase încă, și s-au abținut la produsele care se vând greu². Cele două tipuri de corecție, alăturate:

Introducerea sistemului în lanțul de proximitate a arătat și ce a făcut recomandarea însăși: pragurile de reaprovizionare au crescut, comenzile au devenit mai mici și mai dese, nivelul de serviciu s-a îmbunătățit cu 2,9% fără stoc în plus și fără vânzări pierdute, iar managerii au petrecut zilnic cu 36,5% mai puțin timp cu comenzile². Lecția celor două studii e aceeași. Întrebarea nu este dacă oamenii ar trebui să corecteze, ci care corecții aduc informații pe care sistemul nu le are.

3. Ce îi ajută pe oameni să folosească bine recomandările

Recomandările sunt rareori urmate în proporție mare, chiar și când instrumentul e bun. La Zara, al cărei instrument de prețuri pentru lichidarea stocurilor crescuse veniturile într-un pilot, managerii de țară i-au urmat recomandările de preț în 61,0% din cazuri în magazinele proprii și în 46,4% din cazuri la francize; acolo unde instrumentul nu recomanda nicio ieftinire, managerii au ieftinit totuși produsele cu o mediană de 19,9%³. Studiul e despre prețuri, nu despre comenzi, dar tiparul îi e cunoscut oricui a introdus un sistem de aprovizionare.

Trei rezultate arată ce ajută. Când pe ecranul Zara s-a adăugat un punct de referință, ca managerii să vadă ce ar însemna să urmeze instrumentul, proporția recomandărilor urmate la francize a crescut cu aproximativ nouă puncte procentuale și jumătate³. În experimente online, oamenii care își combină propria prognoză cu cea a unui algoritm după o pondere fixă fac erori cu 20% până la 61% mai mari decât ar fi necesar, iar arătarea datelor de intrare pe care le folosește algoritmul, fără a deschide modelul, a redus erorile cu un sfert⁴. În două experimente de teren despre comenzile de stoc, managerii cărora li s-a arătat cum s-a descurcat algoritmul au comandat mai bine, iar a le arăta unde greșise algoritmul a ajutat mai mult decât a le arăta unde reușise⁵.

Pentru un instrument de aprovizionare, de aici rezultă trei reguli de proiectare: arată cifrele pe care e construită fiecare linie, arată propriul istoric al instrumentului, inclusiv greșelile, și semnalează corecțiile despre care dovezile spun că ies prost. Studiul din supermarketuri a estimat că simpla blocare a reducerilor făcute imediat după o ruptură de stoc ar fi eliminat o treime din rupturile autoprovocate și ar fi crescut profitul cu aproximativ 1%, cu o creștere de aceeași mărime a costului de stocare, și a sugerat că o alertă ar putea obține mare parte din acest efect¹.

4. Autoritate acordată pe bază de dovezi

Aceeași logică stabilește cât ar trebui să aibă voie să facă un agent AI de aprovizionare. Ar trebui să înceapă prin a recomanda, ca propunerile lui să poată fi comparate cu ce au comandat efectiv achizitorii. Poate trece la pregătirea ciornelor pentru aprobare când recomandările lui sunt în mare parte acceptate și la execuție după o singură confirmare când oamenii îi corectează rar ciornele. Fiecare pas se acordă pe tip de acțiune, separat pentru o comandă pentru magazin și pentru o comandă la furnizor, și doar după o perioadă de probă cu praguri scrise. Ghidul despre agenții AI prezintă întreaga scară. Unele comenzi ar trebui să rămână la un om la orice nivel:

5. Măsurarea efectului

Rapoartele comercianților arată de ce e nevoie de grijă aici. Ahold Delhaize spune că folosește „algoritmi de comandă bazați pe AI” ca să echilibreze disponibilitatea cu reducerea risipei⁶ și raportează o scădere a risipei alimentare, dar nu atribuie nicio cifră algoritmilor; închiderile de magazine, donațiile și un control mai bun al pierderilor au mișcat aceeași cifră. Totalurile de grup nu pot separa un instrument de comandă de tot ce s-a mai schimbat în acel an.

Comparația care le poate separa este cea între magazine. Păstrează o parte din magazinele comparabile în regimul în care AI-ul doar recomandă, măsoară disponibilitatea la raft în ambele grupuri în aceleași săptămâni și citește efectul ca schimbarea diferenței dintre ele. Măsoară în același timp valoarea stocului, pentru că o disponibilitate cumpărată cu mai mult stoc nu e o îmbunătățire; ghidul despre rupturile de stoc și ghidul despre stocul mort arată cum citești ambele părți magazin cu magazin.

6. O notă despre reglementare

În UE, un sistem de recomandare pentru aprovizionare folosit de achizitorii unui lanț nu se numără, în general, printre sistemele vizate de articolul despre transparență din AI Act; acel articol privește AI-ul care interacționează direct cu oamenii, cum ar fi un asistent de chat, care trebuie să arate clar că este un AI. Alte două prevederi sunt mai aproape de practica unui lanț: cei care pun în funcțiune sisteme AI trebuie să se asigure că personalul lor are suficiente cunoștințe despre AI, iar sistemele folosite pentru monitorizarea și evaluarea performanței lucrătorilor sunt clasificate ca sisteme cu risc ridicat⁷. Un clasament al achizitorilor după cum le-au ieșit corecțiile s-ar apropia de a doua prevedere; măsurarea instrumentului față de magazine de control nu se apropie.

7. Limite

Studiul din supermarketuri acoperă cinci magazine, două grupe de produse perisabile și nicio promoție, iar cifrele lui de profit vin dintr-o simulare a unor politici care nu au fost aplicate în realitate. Două dintre experimente sunt cunoscute aici doar din rezumatele publicate, care nu dau mărimea eșantioanelor. Datele Zara provin din anii 2010 până în 2013 și privesc prețurile. Luate împreună, studiile sunt de acord mai ferm asupra direcției decât asupra mărimii efectului.

Cum lucrează agentul AI de aprovizionare marql

La marql, agentul AI de aprovizionare urmează acest model. În fiecare dimineață, de la ora șase, citește coșurile de comandă din spațiul de lucru pentru aprovizionare al marql, unde cantitățile vin dintr-un motor de calcul al stocului tampon, nu din modelul de limbaj. La nivelul „Recomandă” face propuneri; când are voie să pregătească, la nivelul „Pregătește”, scrie o ciornă pe care achizitorul o modifică, o aprobă sau o respinge ca pe oricare alta, marcată „Pregătit de angajatul AI de aprovizionare marql”. O ciornă pe care n-a atins-o nimeni este retrasă a doua zi dimineață și refăcută din date proaspete. Un coș care are nevoie de un om rămâne la achizitor, cu motivul: prea mare, un furnizor cunoscut doar din facturi sau o zi care nu e ziua de comandă a furnizorului.

Fiecare propunere se deschide pe cardul „De ce a fost făcută această propunere”, cu acoperirea de acum și de după livrare și cu termenul de livrare din spatele fiecărei linii. Cât timp doar recomandă, propunerile lui sunt comparate cu ce au comandat oamenii singuri. KPI-ul lui este „Disponibilitate la raft” în magazinele în care lucrează, față de magazine de control în care doar recomandă, iar valoarea stocului e limita pe care nu o poate depăși ca să ajungă acolo. Ca să lucreze la nivelul „Execută după confirmare”, trebuie mai întâi să promoveze un examen pe un simulator de retail; nivelul „Execută în limite” nu e deschis pentru niciun client.