التجزئة · RetailGiant Inc

التنبؤ بالمخزون بالذكاء الاصطناعي

توقع للطلب بالتعلم الآلي مدمج في إعادة التعبئة بأودو: توقعات لكل صنف ومتجر، وأثر المواسم والعروض، وأوامر شراء يقترحها الذكاء الاصطناعي يعتمدها المشترون بنقرة واحدة.

العميل
RetailGiant Inc
الفئة
التجزئة
المنصة
مخزون أودو 17 + خدمة تعلم آلي بـPython
المدة
12 أسبوعاً
الفريق
5 متخصصين

0%

حالات نفاد أقل

0%

مخزون فائض أقل

0%

دقة التوقع (أسبوعياً)

التحدي

كان مشترو RetailGiant يحددون نقاط إعادة الطلب بالحدس. نفدت الأصناف الرائجة خلال العروض بينما تكدست الأصناف بطيئة الحركة في المخازن، فجمّدت النقد ومساحة الرفوف.

أرادوا توقعات تتعلم من سجل المبيعات والمواسم والعروض، وتظهر داخل شاشات أودو التي يستخدمها المشترون أصلاً.

النظام

توقعات طلب بالذكاء الاصطناعي مع نطاقات ثقة واقتراحات قابلة للتفسير. جرّب الموافقة على أحدها.

Weekly demand · SKU group Grocery

AI forecast
W1W3W5W7W9W11W13W15forecast →
Actual sales Forecast ±12% confidence

Basmati Rice 5kg

Store 04

+900
Seasonal peak +38%Promo week

Laundry Gel 3L

Store 11

+520
Trend ↑ 6 weeksLow cover: 3 days

Olive Oil 1L

Store 02

+380
Competitor stock-outPrice drop

عرض توضيحي ببيانات تمثيلية.

المشكلات والحلول

المشكلة 1

سجل مبيعات ناقص ومشوّش

أخفت حالات النفاد الطلب الحقيقي، وأُعيدت تسمية أصناف أو دُمجت على مر السنين.

كيف حللناها

نظفنا سجل الأصناف وطابقناه، ثم صححنا الطلب في أيام النفاد ليتعلم النموذج ما أراده العملاء فعلاً، لا ما كان متاحاً فقط.

المشكلة 2

آلاف الأصناف × المتاجر

نموذج لكل صنف كان بطيئاً وغير مستقر للأصناف قليلة المبيعات.

كيف حللناها

نموذج تعزيز تدرجي شامل بخصائص الصنف والفئة والمتجر والموسم والعرض يتوقع كل التركيبات خلال دقائق، مع بدائل للأصناف الجديدة.

المشكلة 3

بناء ثقة المشترين بالذكاء الاصطناعي

تجاهل المشترون الاقتراحات التي لم يفهموها.

كيف حللناها

يعرض كل اقتراح التوقع ومخزون الأمان والعوامل المؤثرة (الموسم والعرض والاتجاه)، ويمكن للمشتري تعديله مع ذكر السبب الذي يعود إلى التدريب.

ما سلّمناه

  • خط بيانات من مبيعات أودو ومخزونه وعروضه
  • توقعات طلب لكل صنف ومتجر مع فترات ثقة
  • مخزون أمان ونقاط إعادة طلب ديناميكية
  • أوامر شراء مقترحة بالذكاء الاصطناعي داخل أودو
  • لوحات دقة التوقع وصحة المخزون
  • إعادة تدريب أسبوعية تلقائية للنموذج

كيف يعمل النظام

  1. 1مزامنة بيانات المبيعات
  2. 2إعادة تدريب النموذج
  3. 3إصدار التوقعات
  4. 4تحديث نقاط إعادة الطلب
  5. 5اقتراح أوامر الشراء
  6. 6اعتماد المشتري
الأثر

مؤشرات التشغيل الرئيسية قبل المشروع وبعد الإطلاق.

معدل نفاد المخزون

-32%
قبل9.5%
بعد6.5%

أيام المخزون المتوفر

-22%
قبل64 يوم
بعد50 يوم

وقت المشترين على إعادة التعبئة

-70%
قبل20 ساعة/أسبوع
بعد6 ساعة/أسبوع
المزيد من الأعمال

تكامل خدمة توصيل J&Tتكامل الواجهات البرمجية

Saksooka

تكامل خدمة توصيل J&T

تكامل أصيل بين أودو وJ&T Express: حجز الشحنات من أوامر التسليم، وطباعة الملصقات بنقرة واحدة، وتحديثات تتبع حية تعود إلى أودو، وتسوية مبالغ الدفع عند الاستلام تلقائياً.

0%

حجز يدوي أقل

0%

توصيلات فاشلة أقل

<0 يوم

تسوية الدفع عند الاستلام

عرض المشروع
العمولات على نقاط البيعنقاط البيع

عدة عملاء

العمولات على نقاط البيع

محرك عمولات مبيعات قابل للتهيئة لنقاط بيع أودو، نُشر لدى عدة عملاء في قطاع التجزئة، يحسب عمولات كل أمين صندوق ومندوب مبيعات لحظياً ويصرفها عبر الرواتب.

0%

حساب مؤتمت للعمولات

0

خلافات نهاية الشهر

0%

زيادة في المبيعات الإضافية

عرض المشروع
تكامل واجهة eBay البرمجيةتكامل الواجهات البرمجية

TonerOne

تكامل واجهة eBay البرمجية

تكامل ثنائي الاتجاه بين أودو وeBay لبائع مستلزمات طابعات: نشر القوائم والأسعار والمخزون من أودو، واستيراد الطلبات تلقائياً، وإعادة أرقام التتبع إلى المشترين.

0

طلبات مباعة فوق المخزون منذ الإطلاق

0%

إدخال يدوي أقل للطلبات

<0 دقيقة

زمن مزامنة المخزون

عرض المشروع

أخبرنا عن التحدي الذي تواجهه، وسيرد عليك مهندس حلول خلال يوم عمل واحد بأفكار عملية، لا بعرض مبيعات.