Dự báo tồn kho bán lẻ trong ngành hàng điện tử ứng dụng Deep Learning

Hàng tồn kho trong lĩnh vực bán lẻ điện tử

Trong lĩnh vực bán lẻ điện tử, các sản phẩm điện tử rất đa dạng về mẫu, dòng,… Sản phẩm điện tử thường có vòng đời ngắn vì mỗi năm các doanh nghiệp tung ra thị trường những mẫu mới. Thông số (Vd: Kích thước màn hình, lượng RAM,…) và hãng của sản phẩm điện tử có sự ảnh hưởng mạnh hơn đến quyết định của khách hàng so với các chủng loại sản phẩm khác. Một số loại sản phẩm điện tử như điện thoại thông minh có nhu cầu mua rất cao ngay sau ngày ra mắt rồi giảm dần từ lúc đó trở đi.

Các đặc thù này có sự ảnh hưởng đến nghiệp vụ quản lý hàng tồn kho, đặc biệt là nghiệp vụ dự báo nhu cầu để lấy lượng hàng phù hợp.

Quản lý hàng tồn kho

Một mô hình quản lý bổ sung phải giúp các nhà quản lý tối ưu hóa quá trình bổ sung hàng để giảm thiểu tổng chi phí nhất có thể. Với hàng tồn kho có nhu cầu độc lập như thành phẩm/sản phẩm trong phân phối và bán lẻ, mô hình Điểm đặt hàng lại (Reorder Point hay ROP) hay được dùng. Với hàng tồn kho có nhu cầu phụ thuộc như nguyên vật liệu và bán thành phẩm trong sản xuất, ta có mô hình Hoạch định nhu cầu vật liệu (Material Requirement Planning hay MRP).

Để tăng hiệu quả quản lý, ta cần dự báo lượng dùng (hay còn gọi là nhu cầu) và thời gian bổ sung trong tương lai của các SKU.

Các dữ liệu dùng trong quản lý hàng tồn kho bán lẻ

SKU có thể bị trả về do hỏng hóc, sai sót khi lấy hàng,… Dữ liệu này được dùng để loại bỏ ảnh hưởng của hàng bị trả trong lịch sử nhu cầu. Lịch sử nhu cầu đặt trước của SKU: Là một chuỗi thời gian các số lượng đặt trước xa(t) của SKU ở các thời điểm t > thiện tại. Lịch sử thời gian bổ sung của SKU: Là danh sách các thời gian để giao và nhập kho (lead time) của các lần bổ sung SKU.

Các dữ liệu kinh tế vĩ mô: Khi dự báo, ta có thể sử dụng các dữ liệu kinh tế vĩ mô như tăng trưởng GDP, giá dầu, chỉ số niềm tin tiêu dùng,… để tích hợp ảnh hưởng của điều kiện kinh tế.

DỰ BÁO HÀNG TỒN KHO

Để dự báo chuỗi thời gian nhu cầu của một SKU, trước hết ta cần thu thập chuỗi thời gian nhu cầu quá khứ của SKU đó (như đã định nghĩa ở mục 1.5). Vì một chuỗi thời gian thường sẽ xuất hiện nhiều hình dạng, ta có thể dùng các kỹ thuật như phân rã STL (Phân tích mùa vụ-xu hướng bằng LOESS) để tách mỗi dạng ra thành một đồ thị để cú thể thấy rừ xu hướng, mựa vụ, và cỏc biến động bất thường hơn. Ngoài ra, còn có các thông số như thời điểm mạnh mùa nhất, thời điểm yếu mùa nhất, độ gai của thành phần còn lại, độ tuyến tính và độ cong của xu hướng.

Trung bình trượt (moving average): Ta có các mô hình như Tự hồi quy Kết hợp Trung bình trượt (Autoregresive Integrated Moving Average hay ARIMA) và biến thể hỗ trợ mùa vụ Tự hồi quy Kết hợp Trung bình trượt Mùa vụ (Seasonal ARIMA hay SARIMA). Chúng có thể tích hợp không chỉ các giá trị nhu cầu quá khứ mà còn các giá trị có ảnh hưởng khác như các chỉ số kinh tế, thời tiết, nhu cầu của các SKU khác,…. Để khai thác khối lượng dữ liệu ngày càng lớn, các mô hình học sâu như mạng nơ-ron hồi quy (Recurrent Neural Network hay RNN) và các biến thể của nó như bộ nhớ dài-ngắn hạn (Long Short-Term Memory hay LSTM) cũng đã được áp dụng vào dự báo chuỗi thời gian.

Để thực hiện, ta có thể dự báo nhu cầu của từng SKU trong một nhóm rồi cộng lại để có tổng nhu cầu tương lai (phương pháp từ dưới lên hay bottom-up) hoặc tính các tổng nhu cầu quá khứ và dự báo từ chúng (phương pháp từ trên xuống hay top-down). Dòng sản phẩm (product line): Các SKU của các sản phẩm có liên quan chặt chẽ với nhau vì chúng hoạt động theo cách tương tự và được bán cho cùng một nhóm khách hàng. Lịch sử nhu cầu thường ngắn: Vì các doanh nghiệp thường xuyên ra mắt các sản phẩm điện tử mới, lịch sử nhu cầu của các mặt hàng này thường ngắn gây khó khăn trong dự báo.

Một số phương pháp để giải quyết vấn đề này là sử dụng lịch sử nhu cầu của các sản phẩm đời cũ tương tự, tích hợp các mô hình dự báo của nhiều nhóm sản phẩm ngắn hạn,. Ảnh hưởng của thông số, thương hiệu và ngày ra mắt: Như đã trình bày ở mục 1.3, các yếu tố liên quan đến thông số, thương hiệu và ngày ra mắt có ảnh hưởng mạnh hơn đến nhu cầu của hàng điện tử so với các loại hàng khác.

KHẢO SÁT VÀ ĐÁNH GIÁ MỘT SỐ MÔ HÌNH DỰ BÁO HÀNG TỒN KHO Cể SẴN

Dự báo nhu cầu hàng tồn kho thiết bị cắm trại dùng LSTM

Độ đo MSE của mô hình sau mỗi epoch khi huấn luyện trên tập huấn luyện và kiểm định. Tuy nhiên, nhược điểm của mô hình là việc đào tạo mô hình có thể tốn nhiều thời gian, tài nguyên tính toán và yêu cầu lượng lớn dữ liệu huấn luyện. Ngoài ra còn có nhược điểm không tính lượng hàng đang vận chuyển, xuất kho, bị trả về do không có dữ liệu.

Dự báo tổng nhu cầu hàng tồn kho thiết bị cắm trại của các cửa hàng dùng SARIMA

Mô hình có hiệu quả tốt trong việc nắm bắt các mẫu mùa vụ và xử lý được các dữ liệu không có tính dừng. Tuy nhiên, nhược điểm của mô hình là sự phức tạp trong việc xác định các tham số cho mô hình và cần lượng lớn dữ liệu lịch sử để có thể xây dựng mô hình.

XÂY DỰNG MÔ HÌNH DỰ BÁO HÀNG TỒN KHO HỌC SÂU

 Lọc ra các sản phẩm thuộc các danh mục sản phẩm điện tử (computers_accessories, telephony, tablets_printing_image, fixed_telephony, small_appliances, consoles_games, audio,. air_conditioning, electronics, home_appliances, small_appliances, computers, home_appliances_2, cine_photo).  Gom nhóm các dòng đơn theo mã sản phẩm (product_id), thành phố (city) và tháng đặt đơn (tháng của order_purchase_timestamp) rồi đếm số dòng đơn trong từng nhóm, ta được cột các nhu cầu của các SKU theo tháng. Quan sát các đồ thị nhu cầu theo tháng của 4 SKU với nhu cầu cao nhất, ta thấy mỗi SKU có dạng đồ thị rất khác nhau tuy nhiên đều có sự dâng cao vào tháng 1 năm 2018 và giảm mạnh sau đó.

Sử dụng phân rã STL để phân tích các thành phần xu hướng và mùa vụ của một SKU (d1c427060a0f73f_rio de janeiro), ta thấy thành phần mùa vụ không tồn tại và thành phần xu hướng chiếm ưu thế tuyệt đối. Quan sát đồ thị tự tương quan của cùng SKU, ta thấy các lag càng gần càng tương quan mạnh và không có lag nào cách đều. Ta xây dựng mô hình học sâu mạng nơ-ron hồi quy (RNN) với bộ nhớ dài- ngắn hạn (LSTM) dùng module Keras của thư viện Tensorflow.

Bộ dữ liệu được chia thành các cửa sổ với 3 điểm dữ liệu quá khứ và 3 điểm dữ liệu tương lai trước khi đưa vào mô hình. Hồi quy tuyến tính (LinReg): Ta xây dựng mô hình hồi quy tuyến tính dùng lớp LinearRegressor của thư viện scikit-learn. Trước khi đưa vào mô hình, mã sản phẩm (product_id) và thành phố (city) được mã hóa one-hot, thời gian (time) được chuyển từ dạng yyyy-mm-dd sang dạng ordinal (số ngày tính từ ngày 1 tháng.

Vì lượng nhu cầu thật luôn là một số nguyên không âm, giá trị dự báo từ các mô hình trên được làm tròn thành số nguyên và các giá trị âm được chuyển thành 0. Độ đo RMSE trên tập kiểm tra của các mô hình được xây khi dự báo tổng nhu cầu 3 tháng tương lai của các sản phẩm dùng bottom-up. Độ đo RMSE trên tập kiểm tra của các mô hình được xây khi dự báo nhu cầu 3 tháng tương lai theo sản phẩm dùng bottom-up.

Ngoài ra, còn có các yếu tố bên ngoài như thông tin về các chương trình khuyến mãi, các chỉ số kinh tế, thương hiệu, thông số sản phẩm,… chưa được đưa vào các mô hình.