लगभग 3,500 SKUs चलाने वाले एक मध्यम आकार के ब्यूटी रिटेलर को एक लगातार बनी रहने वाली समस्या थी। हर महीने, उनके सबसे ज़्यादा बिकने वाले उत्पादों में से 8-12% की इन्वेंट्री रीप्लेनिशमेंट आने से पहले ही शून्य हो जाती थी। किसी लोकप्रिय उत्पाद पर हर स्टॉकआउट से उन्हें प्रतिदिन अनुमानित $2,800 की बिक्री का नुकसान होता था, इसमें ग्राहकों की सद्भावना को हुए नुकसान और आउट-ऑफ-स्टॉक प्रोडक्ट पेजों पर ट्रैफ़िक लाने में खर्च हुए विज्ञापन बजट की गिनती अलग है।
उनकी इन्वेंट्री टीम रोज़ाना स्टॉक लेवल चेक करती थी और जब इन्वेंट्री एक पूर्व निर्धारित थ्रेशोल्ड पर पहुँचती तो रीऑर्डर करती थी। समस्या यह थी कि थ्रेशोल्ड स्टैटिक था — पिछले 90 दिनों की औसत दैनिक बिक्री पर आधारित एक निश्चित यूनिट संख्या। जब किसी वायरल TikTok मेंशन या किसी प्रतिस्पर्धी के समान उत्पाद पर आउट ऑफ स्टॉक होने के कारण माँग अचानक बढ़ जाती, तो स्टैटिक थ्रेशोल्ड इतनी तेज़ी से प्रतिक्रिया नहीं कर पाता था।
स्टैटिक रीऑर्डर पॉइंट क्यों विफल होते हैं
एक स्टैटिक रीऑर्डर पॉइंट यह मानता है कि भविष्य की माँग पिछली माँग जैसी दिखेगी और सप्लायर लीड टाइम एक समान रहेगा। दोनों धारणाएँ नियमित रूप से टूटती हैं। ईकॉमर्स में अलग-अलग SKUs की माँग असमान होती है। कोई उत्पाद तीन सप्ताह तक प्रतिदिन 20 यूनिट बिक सकता है और फिर अचानक प्रतिदिन 60 यूनिट बिकने लगता है क्योंकि किसी इन्फ्लुएंसर ने इसका ज़िक्र किया, किसी प्रतिस्पर्धी ने अपनी कीमत बढ़ा दी, या मौसमी बदलाव शुरू हो गया। जब तक आप अपनी दैनिक इन्वेंट्री जाँच में तेज़ी को नोटिस करते हैं, तब तक आप बढ़ी हुई माँग के दो सप्ताह में हो सकते हैं और आगे तीन सप्ताह का सप्लायर लीड टाइम बाकी होता है।
सप्लायर लीड टाइम भी उतना ही परिवर्तनशील होता है। एक सप्लायर जो सामान्यतः 14 दिनों में डिलीवर करता है, अपने व्यस्त सीज़न में, कच्चे माल की कमी के बाद, या शिपिंग देरी के कारण 21 दिन ले सकता है। यदि आपका रीऑर्डर पॉइंट 14-दिन के लीड टाइम पर आधारित है और वास्तविक लीड टाइम 21 दिन है, तो आपके पास सात दिनों का अंतर है जहाँ आप वह इन्वेंट्री बेच रहे हैं जो आपको लगता था कि पहले ही रीप्लेनिश हो चुकी होगी।
ML मॉडल क्या देखता है
एक स्टॉकआउट प्रेडिक्शन मॉडल एक साथ कई डेटा स्ट्रीम प्रोसेस करता है। प्राथमिक इनपुट सेल्स वेलोसिटी है — एक साधारण औसत के रूप में नहीं बल्कि ट्रेंड और सीज़नैलिटी कंपोनेंट्स के साथ एक टाइम-सीरीज़ के रूप में। मॉडल एक्सेलेरेशन (पिछले सप्ताह से तेज़ बिक्री), डिसेलेरेशन, और प्रत्येक SKU के लिए विशिष्ट चक्रीय पैटर्न का पता लगाता है।
इन्वेंट्री पोज़िशन (वर्तमान स्टॉक ऑन हैंड प्लस ट्रांज़िट में यूनिट्स माइनस पेंडिंग ऑर्डर्स को आवंटित यूनिट्स) मॉडल को समीकरण का सप्लाई पक्ष देती है। अनुमानित माँग के साथ मिलाकर, मॉडल एक अनुमानित डेज़-ऑफ-सप्लाई मेट्रिक की गणना करता है जो गतिशील रूप से अपडेट होती है।
सप्लायर परफॉर्मेंस डेटा एक महत्वपूर्ण आयाम जोड़ता है। समय के साथ प्रत्येक सप्लायर के लिए वास्तविक बनाम अपेक्षित डिलीवरी तिथियों को ट्रैक करके, मॉडल एकल पॉइंट एस्टिमेट के बजाय संभावित लीड टाइम का एक डिस्ट्रीब्यूशन बनाता है। यदि सप्लायर A 12-18 दिनों में 14 के मीडियन के साथ डिलीवर करता है, तो मॉडल स्टॉकआउट प्रोबेबिलिटी की गणना करते समय पूरे डिस्ट्रीब्यूशन का उपयोग करता है।
बाहरी सिग्नल माँग में बदलाव की प्रारंभिक चेतावनी प्रदान करते हैं। Google पर उत्पाद या कैटेगरी के लिए सर्च वॉल्यूम, सोशल मीडिया पर मेंशन, प्रतिस्पर्धी स्टॉक लेवल (अक्सर उनके प्रोडक्ट पेजों पर सीमित उपलब्धता दिखाने से पता लगाया जा सकता है), और सीज़नल कैलेंडर सभी डिमांड फोरकास्ट में फीड होते हैं। किसी उत्पाद के लिए Google सर्च वॉल्यूम में अचानक स्पाइक अक्सर बिक्री स्पाइक से 5-10 दिन पहले आता है, जो मॉडल को एक प्रारंभिक सिग्नल देता है कि वर्तमान इन्वेंट्री ट्रैजेक्टरी शायद टिक न पाए।
तीन-सप्ताह की चेतावनी विंडो
मॉडल विभिन्न समय सीमाओं पर प्रत्येक SKU के लिए स्टॉकआउट प्रोबेबिलिटी आउटपुट करता है: 7 दिन, 14 दिन, और 21 दिन आगे। एक सामान्य अलर्ट कुछ इस तरह दिख सकता है: SKU #4892 (विटामिन C सीरम 30ml) के पास वर्तमान में 340 यूनिट स्टॉक में हैं। प्रतिदिन 28 यूनिट की वर्तमान सेल्स वेलोसिटी पर, स्टॉक लगभग 12 दिनों में समाप्त हो जाएगा। हालाँकि, डिमांड ट्रेंड सप्ताह-दर-सप्ताह 15% एक्सेलेरेशन दिखाता है। समायोजित डिप्लीशन अनुमान 9 दिन है। 500 यूनिट की अगली रीप्लेनिशमेंट शिपमेंट का सप्लायर लीड टाइम डिस्ट्रीब्यूशन के आधार पर अपेक्षित आगमन 16 दिनों में है। 14 दिनों में स्टॉकआउट प्रोबेबिलिटी 78% है।
इस तीन-सप्ताह की विंडो के साथ, इन्वेंट्री टीम के पास विकल्प होते हैं। वे सप्लायर के साथ मौजूदा ऑर्डर को एक्सपेडाइट कर सकते हैं, संभवतः तेज़ शिपिंग के लिए प्रीमियम भुगतान करके। वे कम लीड टाइम वाले वैकल्पिक सप्लायर से एक छोटा ब्रिज ऑर्डर दे सकते हैं। वे ऑर्गेनिक बिक्री बनाए रखते हुए माँग को धीमा करने के लिए उत्पाद पर मार्केटिंग खर्च कम कर सकते हैं। वे किसी भी स्टॉकआउट अवधि के दौरान माँग को कैप्चर करने के लिए बैक-इन-स्टॉक नोटिफिकेशन सेट कर सकते हैं।
प्रारंभिक चेतावनी के बिना, इनमें से कोई भी शमन विकल्प उपलब्ध नहीं होता। जब तक कोई व्यक्ति मैनुअल चेक के माध्यम से नोटिस करता है कि इन्वेंट्री कम है, तब तक लीड टाइम पहले ही शेष स्टॉक को खा चुका होता है।
मॉडल बनाना
तकनीकी कार्यान्वयन डिमांड के लिए टाइम-सीरीज़ फोरकास्टिंग (आमतौर पर Prophet या एक कस्टम LSTM मॉडल) और स्टॉकआउट प्रोबेबिलिटी के लिए एक क्लासिफिकेशन मॉडल के संयोजन का उपयोग करता है। क्लासिफिकेशन मॉडल डिमांड फोरकास्ट, वर्तमान इन्वेंट्री पोज़िशन, और सप्लायर लीड टाइम डिस्ट्रीब्यूशन को इनपुट के रूप में लेता है और प्रत्येक समय विंडो के भीतर स्टॉकआउट की प्रोबेबिलिटी आउटपुट करता है।
ट्रेनिंग डेटा आपके ऐतिहासिक इन्वेंट्री रिकॉर्ड से आता है। हर पिछला स्टॉकआउट एक पॉज़िटिव उदाहरण है, और हर SKU जिसने किसी दी गई अवधि में पर्याप्त स्टॉक बनाए रखा वह एक नेगेटिव उदाहरण है। एक उपयोगी मॉडल को ट्रेन करने के लिए आपको संबंधित बिक्री डेटा के साथ कम से कम 12-18 महीनों के दैनिक इन्वेंट्री स्नैपशॉट की आवश्यकता है। यदि आप दैनिक इन्वेंट्री लेवल स्टोर नहीं कर रहे हैं, तो अभी शुरू करें क्योंकि इस डेटा को पूर्वव्यापी रूप से पुनर्निर्मित करना आश्चर्यजनक रूप से कठिन है।
फीचर इंजीनियरिंग वह जगह है जहाँ अधिकांश मूल्य बनता है। कच्चे बिक्री नंबर व्युत्पन्न फीचर्स की तुलना में कम उपयोगी होते हैं जैसे 7-दिन की रोलिंग एवरेज वेलोसिटी, सप्ताह-दर-सप्ताह वेलोसिटी परिवर्तन, दैनिक बिक्री में कोएफिशिएंट ऑफ वेरिएशन (डिमांड वोलैटिलिटी का एक माप), और वर्तमान वेलोसिटी का 90-दिन के औसत से अनुपात। ये व्युत्पन्न फीचर्स मॉडल को एक स्थिर बिक्री वाले उत्पाद जो अपने रीऑर्डर पॉइंट के करीब पहुँच रहा है और एक ऐसे उत्पाद के बीच अंतर करने में मदद करते हैं जो डिमांड स्पाइक का अनुभव कर रहा है और अपेक्षा से बहुत तेज़ी से इन्वेंट्री खत्म कर देगा।
मौजूदा सिस्टम के साथ इंटीग्रेशन
मॉडल को आपके इन्वेंट्री मैनेजमेंट वर्कफ़्लो में प्लग इन होना चाहिए, उसे रिप्लेस नहीं करना चाहिए। सबसे आम दृष्टिकोण एक दैनिक अलर्ट डैशबोर्ड है जो स्टॉकआउट रिस्क के अनुसार रैंक किए गए SKUs दिखाता है, प्रत्येक के लिए अनुशंसित कार्रवाइयों के साथ। इन्वेंट्री प्लानर्स हर सुबह डैशबोर्ड की समीक्षा करते हैं और उच्च-जोखिम वाले आइटम्स पर कार्रवाई करते हैं।
अधिक उन्नत कार्यान्वयन कम-जोखिम वाली कार्रवाइयों के लिए प्रतिक्रिया को स्वचालित करते हैं। यदि मॉडल स्टॉकआउट की भविष्यवाणी करता है और अनुशंसित कार्रवाई मौजूदा सप्लायर के साथ एक मानक रीऑर्डर देना है, तो सिस्टम स्वचालित रूप से परचेज़ ऑर्डर जनरेट कर सकता है और इसे इन्वेंट्री मैनेजर द्वारा वन-क्लिक अप्रूवल के लिए कतार में लगा सकता है। यह निर्णय के लिए एक मानव को लूप में रखता है जबकि ऑर्डर बनाने के मैनुअल काम को समाप्त करता है।
हज़ारों SKUs चलाने वाले ईकॉमर्स रिटेलर्स के लिए, मैनुअल इन्वेंट्री मॉनिटरिंग बस स्केल नहीं कर सकती। प्रतिदिन 3,500 SKUs चेक करने वाला व्यक्ति अनिवार्य रूप से उन्हें मिस कर देगा जो चुपचाप स्टॉकआउट की ओर तेज़ी से बढ़ रहे हैं। ML मॉडल हर घंटे हर SKU की जाँच करता है, सूक्ष्म पैटर्न पकड़ता है, और उन्हें सामने लाता है जिन पर ध्यान देने की ज़रूरत है। जिस ब्यूटी रिटेलर से इस बातचीत की शुरुआत हुई, उसने अपने प्रेडिक्शन मॉडल को डिप्लॉय करने के छह महीने के भीतर अपनी स्टॉकआउट दर को 8-12% से घटाकर 3% से कम कर दिया, जो लगभग $940,000 की वार्षिक राजस्व रिकवरी में तब्दील हुआ।