Analityka w służbie ESG, czyli jak dane potrafią ograniczyć marnowanie żywności

Analityka w służbie ESG, czyli jak dane potrafią ograniczyć marnowanie żywności

– Modele uczenia maszynowego, z których nasi franczyzobiorcy korzystają na co dzień, opierają się na dziesiątkach cech z obszarów takich, jak historyczna sprzedaż, aktualne i nadchodzące promocje i wydarzenia, prognozy pogody czy lokalizacja. Dzięki nim przygotowujemy rekomendacje na poziomie pojedynczego sklepu, sugerując franczyzobiorcy, ile produktów powinien zamówić do sklepu, ale też chociażby ile bułek powinien upiec w danej porze dnia, aby zmaksymalizować swój zysk i zminimalizować straty – tłumaczy Bartłomiej Przybylski, manager zespołu Data Insights & Analytics w sieci sklepów Żabka.

Bartłomiej Przybylski pełni rolę managera zespołu Data Insights & Analytics w Departamencie Analityki i Data Science w Grupie Żabka. Pracuje też jako adiunkt na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu, gdzie od wielu lat zajmuje się tworzeniem wydajnych algorytmów dla problemów optymalizacyjnych. Jest członkiem Polskiego Towarzystwa Informatycznego oraz rzeczoznawcą Izby Rzeczoznawców PTI.

Dziś prawie każda firma jest po części przedsiębiorstwem technologicznym. W jakich obszarach wykorzystują państwo nowoczesne rozwiązania?

Jeżeli chodzi o wykorzystanie narzędzi analitycznych w naszej codziennej pracy, to w zasadzie trudno wskazać obszar, gdzie tego nie robimy. Mamy bardzo rozwiniętą analitykę, a także rozbudowany zespół data science, który odpowiada za budowę modeli uczenia maszynowego, a obecnie szczególnie mocno skupia się na możliwościach generatywnej sztucznej inteligencji. W zasadzie we wszystkich strategicznych obszarach funkcjonowania Żabki stosujemy algorytmy SI, niezależnie od tego, czy mówimy o aplikacji mobilnej, sprzedaży czy o działaniach na rzecz zrównoważonego rozwoju i ESG (skrót oznaczający czynniki, w oparciu o które tworzone są ratingi i oceny pozafinansowe przedsiębiorstw, państw i innych organizacji. Składają się one z 3 elementów: E – Środowisko, S – Społeczna odpowiedzialność i G – Ład korporacyjny). Te obszary są naszpikowane technologią. Najpowszechniej znanym przykładem zastosowania u nas SI są sklepy Żabka Nano, gdzie wykorzystujemy algorytmy głębokiego uczenia do rozpoznawania, jaki produkt klient zabrał z półki. Można powiedzieć, że gdzie się w Żabce nie obejrzymy, tam jest analityka i sztuczna inteligencja.

Wspomniał pan o ESG – to ostatnio ważne zagadnienie.

Od pewnego czasu jestem szczególnie mocno zaangażowany w działania analityczne związane właśnie z raportowaniem niefinansowym. W tej chwili mamy cztery kluczowe strumienie, w których rozwijamy analitykę dotyczącą ESG. To przeciwdziałanie marnowaniu żywności, dekarbonizacja, czyli zmniejszanie śladu węglowego, cyrkularność i dobre żywienie. Data science stosujemy zwłaszcza w pierwszym obszarze, czyli przeciwdziałaniu marnowaniu żywności. Jeśli chodzi o pozostałe, tam narzędzia sztucznej inteligencji ustępują obecnie głębokiej analityce, ale prawdopodobnie zmieni się to za jakiś czas.

Jak przeciwdziałają państwo marnowaniu żywności w kilku tysiącach sklepów?

Jesteśmy firmą opartą o model franczyzowy. Dajemy naszym franczyzobiorcom pewne narzędzia i możliwości wykorzystania innowacji, ale musimy pamiętać, że są to niezależni przedsiębiorcy, którzy mają prawo do podejmowania własnych decyzji biznesowych. To oni prowadzą sklepy i za nie odpowiadają. Kiedy więc mówimy o przeciwdziałaniu marnotrawieniu żywności, patrzymy na to z dwóch perspektyw. Z jednej strony działamy tak, aby nasze operacje wewnętrzne – np. w centrach logistycznych – generowały tak mało strat żywności, jak to jest tylko możliwe. Z drugiej strony mamy franczyzobiorców, którzy zamawiają u nas towary, ale czasami biorą na siebie ryzyko, że towary nie zostaną sprzedane. Jeżeli tak się stanie, mogą zostać zmuszeni do ich likwidacji, czyli wyrzucenia. Dlatego staramy się wspierać franczyzobiorców w tym, żeby redukować poziom marnotrawienia żywności przy jednoczesnym zachowaniu poziomu potencjalnej sprzedaży, jakiego franczyzobiorcy oczekują.

Jaka jest skuteczność tego typu wdrożeń i jak pozyskujecie dane potrzebne do analiz?

Jak wynika z naszego raportu odpowiedzialności za 2022 rok, udało się zredukować straty żywności w działaniach własnych o ponad 25 proc. r/r. To duże osiągnięcie naszych działów logistycznych. Jeśli zaś chodzi o franczyzobiorców, wspieramy ich i sugerujemy pewne działania, a następnie monitorujemy, co się dzieje w sklepach. Dzięki wykorzystaniu spływających do nas danych wiemy, ile konkretnego produktu zamówił franczyzobiorca, ile go sprzedał, a ile zlikwidował. Staramy się na bieżąco badać straty po stronie sklepów. Po pierwsze, opieramy się na tym, co deklaruje sam franczyzobiorca w tzw. protokołach likwidacji. Po drugie, wykorzystujemy narzędzia analityczne, aby oszacować, jakie są rzeczywiste straty. Co ciekawe, narzędzia pozwalają nam analizować nie tylko straty wynikające z upłynięcia terminu przydatności do spożycia, ale także np. z awarii sprzętu. Ta wiedza bardzo pomaga budować skuteczne rozwiązania na rzecz redukcji strat.

W jaki sposób franczyzobiorca może się o tym wszystkim dowiedzieć?

Umowa franczyzowa między Żabką a franczyzobiorcą niesie za sobą pewne oczekiwania dotyczące systemowego wsparcia franczyzobiorcy w prowadzeniu działalności. W kontekście sztucznej inteligencji, realizujemy to przez narzędzia nazywane Optiplan oraz Cyberstore. Z perspektywy franczyzobiorcy oferujemy dwa szczególnie interesujące komponenty wykorzystujące modele uczenia maszynowego, które mają przeciwdziałać marnotrawieniu żywności. Mam tu na myśli model odpieku pieczywa i model Automated Replenishment. Model odpieku pieczywa wspiera franczyzobiorcę w podejmowaniu decyzji o tym, ile pieczywa powinien przygotować dla swoich klientów. Warto zauważyć, że pieczywo odpiekane jest dosyć “wrażliwą” kategorią produktową. Sprzedaż zmienia się w ciągu dnia, a termin przydatności do spożycia jest względnie krótki. Mamy tu więc do czynienia z dużym ryzykiem strat. Dlatego opracowaliśmy algorytm, który proponuje sprzedawcy, ile i kiedy powinien wstawić bułek do piekarnika, żeby, po pierwsze, zapotrzebowanie czy popyt na to pieczywo został zaspokojony, a po drugie, żeby marnotrawienie żywności było tak małe, jak to jest możliwe. Model, który wykorzystujemy opiera się na około 100 cechach z obszarów takich, jak historyczna sprzedaż, aktualne promocje, warunki pogodowe, czy lokalizacja. Bierzemy więc pod uwagę specyfikę konkretnego sklepu. Same rekomendacje są także przygotowywane na poziomie pojedynczego sklepu.

Jak działa ten algorytm i skąd pobieracie dane?

Algorytm opiera się o LGBM, czyli o drzewa decyzyjne wzmocnione gradientowo. Większość danych, na których się opieramy, to nasze dane wewnętrzne, takie jak informacje o sprzedaży czy promocjach. Mamy też oczywiście dane zewnętrzne, jak np. prognozy pogody. Staramy się być data-driven company, czyli firmą opartą o dane, dlatego korzystamy z wielu źródeł informacji. Mam na myśli chociażby dane typowo statystyczne, ale też właśnie dane pogodowe. Współpracujemy także z zewnętrznymi dostawcami specjalistycznych danych, którzy poszerzają naszą perspektywę na otaczającą nas rzeczywistość. Natomiast decyzje o tym, jakie dane wykorzystujemy w poszczególnych modelach i w jaki sposób to robimy, podejmują już nasi data scientiści.

Jak duży mają państwo zespół pracujący nad danymi?

Ponad 100 osób zajmuje się kwestiami analitycznymi, budową modeli, raportowaniem oraz insightem. Część z tych osób przygotowuje modele uczenia maszynowego albo bada najnowsze trendy w zakresie sztucznej inteligencji.

A co to jest Automated Replenishment, o którym pan wspomniał?

To model uczenia maszynowego, zbudowany przez nasz zespół AR. Jego cel jest bardzo prosty – w momencie, kiedy franczyzobiorca składa zamówienia na produkty, a może to zrobić codziennie, system podpowiada mu, ile sztuk poszczególnych produktów powinien zamówić. Mówiąc precyzyjniej, franczyzobiorca zamawia konkretny produkt, a system podpowiada mu, jaka ilość tego produktu byłaby odpowiednia, biorąc pod uwagę sprzedaż, sezonowość, dzień tygodnia, nadchodzące święta, pogodę czy promocje. Bierzemy też pod uwagę zamówienia, które franczyzobiorca już złożył, ale jeszcze nie otrzymał towaru, dzięki czemu nasze rekomendacje są zawsze osadzone w aktualnej sytuacji. Algorytm jest bardzo rozbudowany, wykorzystuje informacje z kilkunastu obszarów, w tym z zakresu zgodności z wewnętrznymi regulacjami Żabki.

Jak pogodzić oszczędność w magazynach czy centrach logistycznych z oczekiwaniami poszczególnych sklepów?

Wspomniane rekomendacje uwzględniają szereg naszych regulacji wewnętrznych. Kluczowym wyzwaniem tego algorytmu jest, aby działał w interesie franczyzobiorcy, ale równocześnie w interesie całej sieci. Algorytm bierze pod uwagę wszystkie zależności i znajduje złoty środek, który zaspokaja wszystkie potrzeby. Dla potwierdzenia mogę powiedzieć, że franczyzobiorcy w zdecydowanej większości akceptują nasze rekomendacje bez zmian. Żabka analizuje też, jak franczyzobiorcy wchodzą w interakcje z algorytmem Automated Replenishment. Jeśli franczyzobiorca pomimo naszych rekomendacji zamawia mniej albo więcej towaru, zastanawiamy się, dlaczego tak się dzieje i czy jest coś, czego możemy się od tego franczyzobiorcy nauczyć. Mamy w tej chwili ponad 9400 sklepów, ale proszę pamiętać, że nasze sklepy są bardzo zróżnicowane pod względem lokalizacji, wielkości, asortymentu czy otoczenia. Dlatego podczas analizy danych trudno byłoby o wychwycenie pewnych trendów, nawet w poszczególnych podgrupach. Pojedyncze sklepy różnią się w kilkudziesięciu wymiarach, a wszystkie cechy wpływają na to, jak dany sklep się zachowuje. Oczywiście bierzemy te różnice pod uwagę, ale jest to duże wyzwanie.

A co z jakością danych?

Rzeczywiście kolejnym wyzwaniem w modelu franczyzowym jest fakt, że franczyzobiorcy nie mają obowiązku realizowania pewnych działań, których można by oczekiwać w sieciach niefranczyzowych. Przygotowując rekomendacje dla franczyzobiorcy, bierzemy pod uwagę również dane przez niego dostarczone, np. o tym, ile danego produktu zlikwidował i ile jeszcze ma na stanie. Jeżeli z jakiegoś powodu nam tych informacji nie poda albo przesunie te informacje w czasie, jakość naszych rekomendacji pogarsza się. Jednak franczyzobiorcy wkładają dużo pracy, żeby nas w tym wspierać, ponieważ dostrzegają korzyść w jak najlepszych rekomendacjach.

Ale rekomendacje to chyba nie wszystko.

Model funkcjonowania Żabki jest dosyć złożony. Staramy się sprawdzać, weryfikować i testować różnego rodzaju zmiany, a następnie patrzymy, w jaki sposób one wpływają na funkcjonowanie franczyzobiorcy, w tym na sprzedaż, i jak wpływają na straty żywności. Na przykład, możemy sugerować różne sposoby prowadzenia przecen i obserwować, jak to wpływa na sprzedaż i na straty, ale – znowu – decyzja o skorzystaniu z naszej sugestii należy do franczyzobiorcy. Chcielibyśmy oczywiście, żeby te straty były jak najmniejsze, ale żeby franczyzobiorca też nie był stratny finansowo. Obecnie testujemy zmiany w różnych obszarach, a także dostosowania naszych algorytmów uczenia maszynowego. Zastanawiamy się, czy jeśli byśmy wprowadzili pewne zmiany podczas konstrukcji danego modelu, czy wpłynęłoby to pozytywnie, czy negatywnie na poziom sprzedaży i strat. Takie testy odbywają się właściwie przez cały czas w wybranych grupach sklepów. Chcemy, żeby za każdą decyzją, którą podejmiemy w obszarze rekomendacji zawsze stała analiza danych.

Jak Żabka zamierza rozwijać swoją analitykę danych?

Mamy szczęście mieć duże zbiory danych, wiele informacji, których szkoda byłoby nie wykorzystać. W najbliższym czasie w Żabce jeszcze bardziej pogłębimy opieranie naszych decyzji biznesowych o dane i o to, co z tych danych wynika. W naszym Departamencie Analityki i Data Science stawiamy sobie za cel szybko dowiadywać się na podstawie danych o tym, co się stało. Często przyglądamy się szczegółowo zjawiskom, które zaszły w przeszłości, i analizujemy przyczyny. Jeśli je dobrze zrozumiemy, będziemy w stanie wykorzystać tę wiedzę do podejmowania jeszcze lepszych decyzji biznesowych. Trzecia kwestia to perspektywa, co się stanie w przyszłości i tu wchodzimy już w modele predykcyjne uczenia maszynowego, a także w zaawansowane analizy. Staramy się odpowiedzieć na pytanie, jaka będzie przyszłość oraz co należy zrobić, aby z niej dobrze skorzystać.

Udostępnij link

https://www.datasciencerobie.pl/analityka-w-sluzbie-esg/