Analyse von Geschäftsmetriken | Machine Learning

Eine genaue Prognose der Nachfrage ist die Grundlage einer effizienten Lieferkette. Mit einer genauen Bedarfsprognose können Sie sicherstellen, dass die richtige Ressource zur richtigen Zeit am richtigen Ort ist. In den Bereichen Einzelhandel und Konsumgüter können Sie durch die Optimierung Ihres Inventars Lagerbestände und kostspielige Werbeaktionen minimieren, teure Transfers innerhalb von Geschäften reduzieren und Ihr Betriebskapital minimieren, sodass Sie Ihre Barmittel effizienter einsetzen können. Die Analyse großer Datenmengen zur Prognose ihrer zukünftigen Werte kann jedoch komplex, zeitaufwändig und nicht immer genau sein.

Die KI/ML-Services von Amazon, darunter Amazon Forecast, Amazon SageMaker Canvas und SageMaker JumpStart, unterstützen Geschäftsanalysten und Datenwissenschaftler durch eine Kombination aus No-Code- und Low-Code-Lösungen, für die kein ML-Fachwissen erforderlich ist.

Vorteile

Informationen, die sich Veränderungen anpassen

Die Prognoseservices von Amazon nutzen Machine Learning, um große Datenmengen zu analysieren, subtile Muster und Beziehungen zwischen Posten zu verstehen und die zukünftige Nachfrage genau vorherzusagen. Die KI- und ML-Prognoseservices von AWS wurden auf der Grundlage von mehr als 20 Jahren Erfahrung bei Amazon perfektioniert.

Ihre Datenwissenschaftsfähigkeiten skalieren

Sie benötigen kein ML-Fachwissen, um hochgenaue Prognosen zu erstellen. Das bedeutet, dass Ihre Geschäftsanalysten ML auf Ihre Prognoseprobleme anwenden können, sodass sich Ihre Datenwissenschaftler auf die Lösung zusätzlicher Geschäftsprobleme konzentrieren können.

Prognose zu Ihren eigenen Bedingungen

AWS bietet mehrere Services, die auf Ihren spezifischen Anwendungsfall zugeschnitten sind: Canvas bietet einen grafischen Service ohne Code, der es Geschäftsanalysten ermöglicht, ML einfach auf Prognoseprobleme anzuwenden; Amazon Forecast ermöglicht es Entwicklern, direkt für APIs zu programmieren, und SageMaker JumpStart ermöglicht es Benutzern, ihre eigenen Modelle zu erstellen und zusammenzustellen.

Fundiertere Geschäftsentscheidungen treffen

Testen Sie Ihre Prognosen mithilfe von Was-wäre-wenn-Analysen, um die Auswirkungen von Geschäftsentscheidungen wie Werbeaktionen oder unterschiedlichen Öffnungszeiten auf Ihre Verkäufe zu ermitteln.

Erfahrungsberichte von Kunden

The Very Group ist Großbritanniens größter integrierter digitaler Einzelhändler und Finanzdienstleister – mit einem Jahresumsatz von über 2,2 Milliarden GBP und mehr als 1,8 Millionen Website-Besuchen täglich. Mit seinen eigenen Marken, darunter Very.co.uk, Littlewoods.com und LittlewoodsIreland.ie, verkauft das Unternehmen mehr als 1 800 bekannte Marken, hat 4,4 Millionen Kunden und liefert jedes Jahr 49 Millionen Produkte aus.

„Wir haben mit AWS zusammengearbeitet, um AWS-Prognose- und KI/ML-Lösungen zu nutzen, um neue Möglichkeiten zur Prognose der Einzelhandelsnachfrage zu beschleunigen und zu entwickeln. Durch den Einsatz eines internationalen Teams und umfassender Zusammenarbeit war The Very Group unglaublich erfolgreich darin, eine Verbesserung des SKU-Managements um 9,9 % im Wert von mehr als 110 Millionen GBP zu erzielen. Diese Ergebnisse sind auf mehr als 800 Stunden, die in das Programm investiert wurden, zurückzuführen, wobei über 70 Experimente abgeschlossen wurden, die über 8 Millionen Vorhersagen generiert haben. Wir dehnen das Modell jetzt auf weitere Kategorien aus. Es erfolgt ein Iterieren mit weiteren Anwendungsfälle im gesamten Unternehmen und wir pflegen neuere Daten in Amazon Forecast ein, um die Genauigkeit des Modells fortlaufend zu verbessern.“

Steve Pimblett, Chief Data Office – The Very Group

„Mit Amazon Forecast konnten wir die Genauigkeit unserer Prognosen von 27 % auf 76 % steigern und den Ausschuss in der Kategorie von frischem Obst und Gemüse um 20 % senken. Amazon Forecast liefert eine Verteilung der Prognosen, mit der wir unsere Kosten für zu geringe und zu hohe Prognosen optimieren konnten. Dies führte zu Kosten durch Fehlbestände von 3 % und verbesserte Bruttomargen. Damit können die Filialleiter mit Blick auf die täglichen Prognosen genauer bestellen. Wir dehnen das Modell jetzt auf weitere Kategorien aus. Es erfolgt ein Iterieren mit weiteren einschlägigen Datensätzen und wir pflegen neuere Daten in Amazon Forecast ein, um die Genauigkeit des Modells fortlaufend zu verbessern.“

Supratim Banerjee, Chief Transformation Officer – More Retail

„Ich war sehr beeindruckt von dem Weltklasse-Team für Machine Learning bei AWS. Mein Team arbeitete eng mit dem Amazon Machine Learning Solutions Lab zusammen, um innerhalb weniger Wochen mithilfe von Amazon Forecast ein Nachfrageprognosemodell zu entwickeln. Unsere Lösung hat unsere Prognosegenauigkeit um 8 % erhöht. Aufgrund der Verwendung dieser Lösung rechnen mit jährlichen Einsparungen in Höhe von 553.000 USD für unser Werk in Mexiko. Ein zusätzlicher Bonus ist, dass diese Lösung einfach in unseren Cloud-Workflow zu integrieren sein wird, sobald wir unsere Dateninfrastruktur zu AWS migrieren. Die Zusammenarbeit mit AWS hat dazu beigetragen, verschwendete Arbeitskosten zu minimieren und die Kundenzufriedenheit zu maximieren.“

Azim Siddique, Technical Advisor und CoE Architect - Foxconn

Anwendungsfälle

Bestandsplanung

Verbessern Sie die Bedarfsplanung auf detaillierter Ebene. Reduzieren Sie Abfall, erhöhen Sie den Lagerumschlag und verbessern Sie die Lagerverfügbarkeit.

Mitarbeiterplanung

Effektiveres Personal, um unterschiedliche Nachfrageniveaus zu erfüllen, die Auslastung, die Servicezeit und die Kundenzufriedenheit zu verbessern.

Kapazitätsplanung

Treffen Sie längerfristige Entscheidungen mit mehr Vertrauen und verbessern Sie die Kapitalauslastung.

Finanzplanung

Planen Sie Vertrieb und Umsatz und verwalten Sie den Bargeldumlauf effektiv.

Analytikplattformintegration

Für Unternehmen, die bereits über Business-Intelligence- und Analytikanwendungen verfügen, bieten die Partnerlösungen von AI for Data Analytics (AIDA) die Möglichkeit, ML innerhalb der von ihnen bereits verwendeten Analytiktools zu nutzen.