Bir saha temsilcisi müşterinin sipariş ekranını her açtığında, Suggested Order motoru önerilen miktarlarla sıralanmış bir ürün listesi üretir. Bu basit listenin arkasında yedi ayrı sinyali tek bir optimize edilmiş öneride birleştiren bir makine öğrenimi modeli vardır. Her sinyalin nasıl katkıda bulunduğunu anlamak, önerilere güvenmenize ve sistemi iş stratejinize göre yapılandırmanıza yardımcı olur.
Birinci sinyal satın alma geçmişidir. Bu temeldir. Model, her müşterinin geçmişte ne sipariş verdiğini, ne sıklıkla, hangi miktarlarda ve hangi aralıklarla analiz eder. Düzenli yenileme kalıplarını, tek seferlik satın alımları ve kademeli olarak artan veya azalan trendleri tanımlar. İki haftada bir 10 kasa içecek sipariş eden bir mağaza, o ürünün doğru zamanda doğru miktarda önerildiğini görecektir. Model ayrıca müşterinin daha önce düzenli sipariş verdiği bir ürünü sipariş vermeyi ne zaman bıraktığını tespit ederek SKU düzeyinde potansiyel müşteri kaybını işaretler.
İkinci sinyal mevsimseliktir. FMCG talebi ağır şekilde mevsimseldir. Gazlı içecek siparişleri yazın zirve yapar, çikolata satışları bayramlar öncesinde doruk noktasına ulaşır, temizlik ürünü talebi Ramazan'da artar. Model bu kalıpları birden fazla düzeyde yakalar: ürün düzeyinde mevsimsellik, kategori düzeyinde trendler ve pazar genelinde döngüler. Önerilen miktarları mevsimsel eğrideki konumunuza göre manuel yapılandırma gerektirmeden otomatik olarak ayarlar. Turistik bölgedeki bir mağaza, konut bölgesindekinden farklı mevsimsel profil gösterebilir ve model bu ayrıntıyı yakalar.
Üçüncü sinyal çapraz satış benzerliğidir. Ürünler bağımsız satın alınmaz. Kola alan bir mağaza muhtemelen cips de alır. Çamaşır deterjanı sipariş eden genellikle yumuşatıcı da satın alır. Model bu benzerlikleri işlem verilerinden öğrenir ve müşterinin düşünmemiş olabileceği tamamlayıcı ürünleri önermek için kullanır. Bu özellikle yeni ürün tanıtımlarında güçlüdür; model yeni SKU ile en çok ilişkili mevcut ürünleri belirleyebilir ve bu müşterileri hedefleyebilir.
Dördüncü sinyal promosyon uygunluğudur. Aktif promosyonlar sonradan düşünülen değil, birinci sınıf bir sinyaldir. Model hangi ürünlerin aktif promosyonları olduğunu, müşterinin kademe, bölge veya satın alma geçmişine göre uygun olup olmadığını ve promosyonel fiyatlandırmanın optimum sipariş bileşimini nasıl etkilediğini kontrol eder. Promosyonlu ürünler sıralamada yükseltilir, ancak model satılmadan kalacak promosyonlu ürünlerin fazla sipariş edilmesini önlemek için promosyon kapsamını müşterinin gerçek talep kalıplarıyla dengeler.
Beşinci sinyal kredi limitidir. Her öneri finansal gerçekliğe uymalıdır. Model, müşterinin mevcut kredi bakiyesini kontrol eder ve toplam sipariş değerini buna göre sınırlar. Kredi limiti bağlayıcı olduğunda, model yüksek marjlı ürünleri ve temel yenileme kalemlerini isteğe bağlı eklemelerin önüne alır. Bu, temsilcilerin müşterinin kredi kapasitesini aşan siparişler oluşturmasını ve ardından siparişin karşılanma aşamasında reddedilmesini önler.
Altıncı sinyal stok sağlığıdır. Müşterinin son siparişten önemli miktarda envanteri varsa, aynı üründen daha fazla önermek ters etki yapar. Model, geçmiş tüketim hızı ve son siparişten geçen süreye göre mevcut stok düzeylerini tahmin eder. Sağlıklı tahmini stoğu olan ürünler önceliksizleştirilir, stok tükenmesine yaklaşan ürünler ise öne çıkarılır. Bu sinyal doğrudan fazla sipariş vermeyi ve süresi dolmuş veya hasarlı fazla envanterle ilişkili israfı azaltır.
Yedinci sinyal iade oranıdır. Bu, çoğu sipariş öneri sisteminin göz ardı ettiği sinyaldir ve en etkili olanlardan biridir. Bir ürünün belirli bir müşteri veya mağaza tipi için yüksek iade oranı varsa, model onu öneride cezalandırır. İadeler tedarik zincirindeki herkes için pahalıdır. Geçmiş iade kalıplarını hesaba katarak model, geri dönme olasılığı yüksek ürünleri önermekten kaçınır ve hem distribütör hem de perakendeci için marjları korur.
Harmanama mekanizması bu yedi sinyali ağırlıklı topluluk yöntemiyle birleştirir. Her sinyal, her aday ürün için bir puan üretir ve topluluk bunları nihai öneri puanına birleştirir. Ağırlıklar kiracı düzeyinde yapılandırılabilir ve iş önceliklerinize göre farklı sinyalleri vurgulamanıza olanak tanır. İadeleri azaltmaya odaklanan bir şirket iade oranı sinyal ağırlığını artırabilir, yeni ürün lansmanı yapan ise çapraz satış benzerliği sinyalini güçlendirebilir.
Soğuk başlangıç yönetimi kritik bir yetenektir. Yeni bir müşterinin satın alma geçmişi olmadığında, birinci, altıncı ve yedinci sinyallerin verisi yoktur. Model hiyerarşik yaklaşıma geri döner: önce aynı kanal ve bölgedeki benzer müşterilerin verilerini, ardından kiracı genelindeki kategori düzeyinde kalıpları ve son olarak nüfus düzeyinde en çok satanları kullanır. Müşteri sipariş geçmişi oluşturdukça, model kademeli olarak bu vekil sinyallerden kişiselleştirilmiş sinyallere geçiş yapar. Çoğu müşteri üç ila beş sipariş döngüsü içinde tam kişiselleştirilmiş öneriler görür.
Somut bir örnek sinyallerin nasıl etkileştiğini gösterir. Düzenli olarak içecek ve atıştırmalık sipariş eden bir bakkalı düşünün. Temmuz ortasıdır (mevsimsellik soğuk içecekleri güçlendirir), yeni bir enerji içeceğinde aktif promosyon vardır (promosyon sinyali), mağazanın son kola siparişi sekiz gün önceydi ve genellikle her yedi günde bir sipariş verir (stok sağlığı stokun azaldığını gösterir) ve belirli bir meyve suyu markasında %15 iade oranı vardır (iade sinyali cezalandırır). Model kolada yenileme miktarı önerecek, yeni enerji içeceği önerisini yükseltecek ve sorunlu meyve suyu markasını azaltacak veya hariç tutacaktır; tüm bunları mağazanın kredi limiti dahilinde tutarak.
Açıklanabilirlik her öneriye yerleşiktir. API yanıtı, önerilen her ürün için sinyal bazında katkı puanlarını içerir, böylece temsilci bir ürünün neden önerildiğini ve neden belirli bir miktarda olduğunu tam olarak görebilir. Bu şeffaflık saha ekibinde güven oluşturur ve mağaza sahipleriyle belirli ürünlerin neden önerildiğine dair bilinçli konuşmalar yapılmasını sağlar.