AI 如何重新定义直接商店交付

易腐烂的良好补货需要精确的库存计划。这就是为什么预测性订购AI/ML算法可能是自切片面包以来最好的创新之一。了解它们的工作原理。

我们经常谈论如何使商店员工的零售货架补货更容易。但是，随着这些责任越来越多地转移到消费品 （CPG） 公司或制造商派遣的直接商店交付 （DSD） 司机身上，我们必须考虑他们需要什么才能更有效地完成端到端工作——从他们从送货卡车上推下托盘的那一刻到他们完成补货的那一刻，向商店员工开具收据，然后前往常规路线的下一站。

更好地储存卡车，使货架保持充足的库存

由于卡车上的空间有限，并且影响不同商店的可变需求模式，您必须优化您的交付系统，以确保每个零售店在每个 SKU 中始终保持合适的数量或最佳库存位置，尤其是对于易腐食品。

例如，让我们考虑一个主要杂货类别（面包）中面临的挑战：

新鲜面包的保质期相对较短。大型面包公司通常承认其产品的内在（或者我敢说，烘烤？）退货率为6-7%，因为它在商店货架上超过了保质期。由于杂货产品的利润微薄，减少浪费——尽可能降低腐败率——已成为该领域重要的关键绩效指标 （KPI）。

在这个即时满足的时代，新产品类别迅速重新定义市场，面包消费者往往非常挑剔。那些对品牌不非常忠诚的人可能仍然被健康驱动的选择所激励——全麦、有机、非转基因等等。当他们的首选选择在一家杂货店长期库存不足时，他们最终会在竞争对手中寻找他们。杂货零售商依靠 DSD CPG 的效率来留住客户和收入。

烘焙食品的需求模式是超本地化的，在很大程度上受到消费者人口统计和商店属性的影响。其他关键变量——季节性、节假日、事件、价格变化、产品转型和新产品推出——使得预测真实、不受约束的消费者需求变得更加困难。

面对如此多的变量，高级 AI/机器学习 （ML） 数据科学可以在哪些方面纳入预测排序工具？您如何成功利用大量数据集来优化每个零售店的货架可用性，同时最大限度地减少浪费？

根据我的经验，理想的解决方案应围绕五个关键点：

在日/商店粒度级别生成不受约束的统计预测，使用 AI 可以实时跟踪的新兴需求变量来增强统计基线。这可能包括季节性（就面包而言，返校期间对三明治的需求），零售商促销时间表，甚至当地的天气条件。

利用业务规则和固有的 DSD 约束（如托盘舍入、服务天数和材料可用性），自动将这些预测转换为最佳/建议的订单数量。

执行基于异常的审查，涵盖客户和路线等各个维度，并激励驾驶员在速度和效率方面的表现。

包括根据永续盘点建议和现场最后一刻洞察即时调整的功能。

通过在产品的整个生命周期中衡量 KPI 来提高业务绩效。促进围绕业务决策或模型调整的快速纠正措施。

证据在布丁（或馅饼）中

DSD预测订购背后的技术已经取得了巨大的进步，这在很大程度上要归功于领先的AI/ML创新。具体来说，利用云规模计算能力的动态聚合算法正在时间序列级别成功提炼大量数据。这最终将最可操作的数据点收集到我们所说的最佳订单中，即每个DSD交付路线的合适数量。它由 AI 预测和对基础、促销、季节性等组件的可见性驱动。

送货司机和其他一线人员可以通过基于平板电脑的用户界面直接访问这些数据，这是每个司机的必备工具，因为他们可以有效地为日常送货路线上的每一个站点提供服务。

在过去的几年里，我们亲眼目睹了杂货DSD的持续发展，因为 antuit.ai 客户已经占据了北美零售面包市场的绝大多数，涵盖标志性品牌以及流行的利基产品。人工智能驱动的预测性订购的创新已经帮助重新定义了烘焙食品领域，也可以成功地应用于多个其他消费品类别。