BLOG
More Retail Ltd. (MRL)는 수익이 수십억 달러에 달하는 인도의 4 대 식료품 소매 업체 중 하나입니다. 인도 전역에 걸쳐 22 개의 대형 슈퍼마켓과 624 개의 슈퍼마켓으로 구성된 매장 네트워크를 보유하고 있으며 13 개의 유통 센터, 7 개의 과일 및 채소 수거 센터, 6 개의 스테이플 가공 센터의 공급망을 통해 지원됩니다.
이러한 대규모 네트워크에서 MRL은 적절한 경제적 가치로 적절한 제품 품질을 제공하는 동시에 고객 요구를 충족하고 운영 비용을 최소화하는 것이 중요합니다. MRL은 AI 분석 파트너로서 Ganit과 협력하여 더 정확하게 수요를 예측하고 자동 주문 시스템을 구축하여 매장 관리자의 수동 판단의 병목 현상과 결함을 극복했습니다. MRL은 Amazon Forecast 를 사용 하여 예측 정확도를 24 %에서 76 %로 높임으로써 신선 농산물 범주에서 낭비를 최대 30 %까지 줄이고 재고 비율을 80 %에서 90 %로 높이고 총 수익을 25 %.우리는 두 가지 주요 이유 때문에 이러한 비즈니스 결과를 달성하고 자동화 된 주문 시스템을 구축하는 데 성공했습니다.
- 실험 능력 – Forecast는 기존 모델과 ML 모델을 모두 포함하는 다양한 회귀 변수 및 모델 유형을 사용하여 200 개 이상의 실험을 실행하는 유연한 모듈 식 플랫폼을 제공합니다. 팀은 Kaizen 접근 방식을 따랐으며 이전에는 실패한 모델에서 학습하고 성공했을 때만 모델을 배포했습니다. 우승 모델이 배포되는 동안 측면에서 실험이 계속되었습니다.
- 변경 관리 – 비즈니스 판단을 사용하여 주문하는 데 익숙한 카테고리 소유자에게 ML 기반 주문 시스템을 신뢰하도록 요청했습니다. 체계적인 채택 계획을 통해 도구의 결과가 저장되고 도구가 체계화 된 케이던스로 작동되어 채워진 현재 재고가 제 시간에 식별되고 기록됩니다.
- 각 상점 -SKU 조합에 대한 수요 예측
- 주문 수량 계산 (들여 쓰기)
다음 섹션에서 각 항목에 대해 자세히 설명하겠습니다.

- 수많은 결 측값의 존재
- 어떤 날에는 청구서 수준에서 판매량이 매우 높거나 낮았으며 데이터에 특이 치가 있음을 나타냅니다.





연구팀은 자동주문 시스템의 최소주문량, 서비스단위계수, 최소마감재고, 최소디스플레이재고(플랜그램 기준), 충진율 조정 등 다른 들여쓰기 조정 파라미터도 고려, 기계와 인간의 지능 격차를 해소했습니다.

- 예측 엔진 :
- Amazon Redshift에있는 과거 수요 데이터 (1 일 수요 지연) 사용
- 마지막 청구 시간, 가격 및 축제와 같은 다른 회귀 변수 입력은 Amazon Redshift에서 유지되었습니다.
- 아마존 엘라스틱 컴퓨 트 클라우드 (아마존 EC2) 인스턴스는 논쟁 거래, 회귀 및 기타 메타 데이터에 대한 사용자 정의 파이썬 스크립트와 설정
- 데이터 랭 글링 후 데이터는 Amazon Simple Storage Service (Amazon S3) 버킷으로 이동하여 예측을 생성합니다 (모든 상점 -SKU 조합에 대한 T + 2 예측).
- 최종 예측 출력은 S3 버킷의 별도 폴더에 저장되었습니다.
- 주문 (들여 쓰기) 엔진 :
- 예측을 주문으로 변환하는 데 필요한 모든 데이터 (예 : 보유 재고, 저장 수량, 입고 주문의 최근 2 일, 서비스 단위 계수, 플래 노 그램 기반 최소 개장 및 마감 재고)는 Amazon Redshift에 저장 및 유지되었습니다.
- 주문 수량은 EC2 인스턴스에서 실행되는 Python 스크립트를 통해 계산되었습니다.
- 그런 다음 주문을 Oracle의 ERP 시스템으로 이동하여 공급 업체에 주문했습니다.
전체 주문 시스템은 여러 핵심 세그먼트로 분리되었습니다. 팀은 각 프로세스에 대해 Apache Airflow의 스케줄러 이메일 알림을 설정하여 각 이해 관계자가 성공적으로 완료 또는 실패하면 즉시 조치를 취할 수 있도록 알립니다. ERP 시스템을 통해 접수 된 주문은 다음 날 주문을 계산하기 위해 Amazon Redshift 테이블로 이동되었습니다. AWS와 ERP 시스템 간의 통합 용이성 덕분에 사람의 개입없이 완전한 엔드 투 엔드 자동 주문 시스템이 탄생했습니다.
저자 정보


메가존 클라우드 TechBlog는 AWS BLOG 영문 게재 글이나 관련 기사 중에서 한국 사용자들에게 유용한 정보 및 콘텐츠를 우선적으로 번역하여 내부 엔지니어 검수를 받아 정기적으로 게재하고 있습니다. 추가로 번역 및 게재를 희망하는 글에 대해서 관리자에게 메일 또는 SNS 페이지에 댓글을 남겨주시면, 우선적으로 번역해서 전달해드리도록 하겠습니다.