Verbesserung der Bestandsverwaltung und Verkürzung der Zeit bis zur Erkenntnis
Einführung
NashTech half Swiggy bei der Entwicklung einer Guided Analytics-Anwendung. Mit Hilfe dieser Anwendung erstellt Swiggy Datenvisualisierungen, interaktive und zeitgesteuerte Dashboards und Modelle für die Bestandsprognose sowie intelligente und kollaborative Prognosen für ihr Geschäft.
Über Swiggy
Swiggy ist Indiens führende On-Demand-Lieferplattform mit einem technologieorientierten Ansatz für die Logistik und einem lösungsorientierten Ansatz für die Anforderungen der Verbraucher. Mit einer Präsenz in 500 Städten in ganz Indien bietet das Unternehmen unvergleichlichen Komfort durch kontinuierliche Innovation.
Von den Anfängen als hyperlokaler Lebensmittellieferdienst im Jahr 2014 bis hin zu den heutigen logistischen Spitzenleistungen sorgen sie nicht nur für blitzschnelle Lieferungen an die Kunden, sondern auch für eine produktive und erfüllende Erfahrung für unsere Mitarbeiter.
Die Herausforderung: Ersetzen eines ineffizienten, schwerfälligen, manuellen Prozesses
Die Swiggy-Analyse wurde jeden Monat über einen ineffizienten, umständlichen und manuellen Prozess durchgeführt, der mit CSV-Extrakten begann und zu Unter- oder Überbeständen führte. Eine Überbevorratung kann zu Entscheidungen wie Preisnachlässen führen, was den Umsatz erhöht, und ein begrenzter Lagerbestand führt zu Umsatzverlusten und unzufriedenen Kunden, die dann bei der Konkurrenz kaufen.
Es wurde eine skalierbare, flexible, transparente und leicht zu aktualisierende Lösung benötigt, die auch die Zeit bis zur Erkenntnis deutlich verkürzt. Sie möchten für 50 Artikel in 10 verschiedenen Geschäften einen Umsatz von mindestens 3 Monaten vorhersagen.
Die Lösung: Eine End-to-End-Datenpipeline und automatisierte Data-Science-Lösung für Bestandsprognosen
Um die oben genannten Probleme zu lösen, haben wir die Forecasting Platform entwickelt, eine mit KNIME erstellte Webanwendung, die es Entscheidungsträgern und Stakeholdern ermöglicht, ebenso wie Dateningenieuren und Datenwissenschaftlern bei der Erstellung einer Pipeline mitzuwirken.
Die Lösung bietet mehrere Vorteile gegenüber historischen Prognoselösungen:
- Konfigurierbare, dynamische Plattform. Ermöglicht die Anpassung des zugrunde liegenden Vorhersageprozesses durch Änderung der Parameter, Datensätze oder Modelle, was innerhalb weniger Stunden oder Minuten geschehen kann, um eine zeitnahe Vorhersage zu liefern.
- Schnellere, flexible Verarbeitung mit Big Data. End-to-End-Pipelines können in den meisten Fällen mehrmals am Tag ausgeführt werden und sind nur durch den Rechenaufwand begrenzt, den die Benutzer bereit sind, auf sich zu nehmen. Die Unternehmen können Prognosen in jedem gewünschten oder erforderlichen Rhythmus erstellen.
- Umfangreiche Reihe von Prognosemodellen. Das maschinelle Lernen ermöglicht eine schnelle Änderung der Modelle, die den Prognosen der Unternehmen entsprechen. Die größte Stärke von KNIME und damit auch von KFP ist die Möglichkeit, fortgeschrittene Modelle wie neuronale Netze und Random-Forest-Algorithmen ohne Code einzubinden (eine Codierung ist jedoch bei Bedarf möglich), wodurch die Vorhersage anspruchsvoll und genau wird, ohne die Komplexität zu erhöhen.
- Genauigkeitsmessung. Ermöglicht die Messung der Vorhersagegenauigkeit nach den Grundsätzen von Systemen des maschinellen Lernens. Algorithmen des maschinellen Lernens verfügen von Haus aus über Genauigkeitsmessungen, Datenversionen wie Trainings-, Test- und Produktionsdatensätze und geben frühzeitig wertvolles Feedback.
- Fähigkeit, auf Ereignisse des schwarzen Schwans zu reagieren. Verringert das Risiko, wichtige globale Ereignisse zu verpassen, da schnelle Änderungen möglich sind. Vielen Unternehmen entgehen kritische Ereignisse, weil es keine einfache Möglichkeit gibt, externe Ereignisse zu integrieren.
Disziplin aufgrund des eingeführten Prognoseverfahrens. Die Prognoseverfahren sind im Allgemeinen sehr gut etabliert und zu starr, um sie zu ändern. Für eine gut abgestimmte Lieferkette ist Flexibilität erforderlich, um das Feedback der Beteiligten einzubeziehen, verschiedene Prognoseparameter zu konfigurieren und sie in ein bestehendes System zu integrieren. Das KFP kann unabhängig verwaltet und in bereits bestehende Geschäftsprozesse integriert werden.
Das Ergebnis
Wir haben Swiggy bei der Entwicklung einer Guided Analytics-Anwendung unterstützt. Mit Hilfe dieser Anwendung erstellt Swiggy Datenvisualisierungen, interaktive und zeitgesteuerte Dashboards und Modelle für die Bestandsprognose sowie intelligente und kollaborative Prognosen für ihr Geschäft:
- Eine einzige Datenablage für alle Berichte.
- Einlesen von Daten aus verschiedenen Dateien.
- Konfigurieren von Parametern für den Prognoseprozess.
- Erstellung von Dashboards zur Datenvisualisierung auf einfache und geführte Weise.
- Verwendung bereits verfügbarer statistischer, maschineller Lern- und KI-basierter Algorithmen.
- Nutzung eines eingebauten E-Mail-Dienstes für die Zusammenarbeit bei den Ergebnissen.
Sobald die Berichte und Visualisierungen erstellt sind, können Datenwissenschaftler, Geschäftsanwender und Fachexperten gemeinsam an den endgültigen Ergebnissen arbeiten.
Weitere Fallstudien lesen
Vom Überwinden von Widrigkeiten zum Reiten der Welle der digitalen Transformation im Bildungssektor
Erfahren Sie, wie NashTech dem Trinity College London hilft, die Welle der digitalen Transformation im Bildungssektor zu reiten
Migration und Modernisierung der virtuellen Lernumgebung auf AWS für ein verbessertes Erlebnis
Das migrierte und modernisierte Moodle Infrastruktur bedeutet, dass The Open Die Universität kann nun folgende Vorteile nutzen Cloud-Vorteile.
Ein Einblick in eine einjährige RPA-Reise mit einem führenden digitalen Werbedienst
Ein Einblick in eine einjährige RPA-Reise mit einem führenden Anbieter von digitalen Werbedienstleistungen und -lösungen und wie NashTech ihnen geholfen hat.
Lassen Sie uns über Ihr Projekt sprechen
- Themen:
Unsere Partnerschaften
![docker-white-png](https://www.nashtechglobal.de/wp-content/uploads/2023/03/docker-white.png.png)
![ibm-white-png](https://www.nashtechglobal.de/wp-content/uploads/2023/03/ibm-white.png.png)
![microsoft-logo](https://www.nashtechglobal.de/wp-content/uploads/2023/04/Microsoft-logo.png)
![umbraco](https://www.nashtechglobal.de/wp-content/uploads/2023/03/umbraco.png)
![confluent-white-png](https://www.nashtechglobal.de/wp-content/uploads/2023/03/confluent-white.png.png)
![databricks-white-png](https://www.nashtechglobal.de/wp-content/uploads/2023/03/databricks-white-.png.png)
![hashicorp-white-png](https://www.nashtechglobal.de/wp-content/uploads/2023/03/hashiCorp-white.png.png)
![lightbend-white-png](https://www.nashtechglobal.de/wp-content/uploads/2023/03/lightbend-white.png.png)
![microsoft-modernization](https://www.nashtechglobal.de/wp-content/uploads/2023/07/Microsoft-Modernization.png)
![aws-partner](https://www.nashtechglobal.de/wp-content/uploads/2023/07/AWS-partner-1.png)
![ms-solutions-partner-logo](https://www.nashtechglobal.de/wp-content/uploads/2023/07/MS-Solutions-partner-logo-2.png)
![ms-data-and-ai](https://www.nashtechglobal.de/wp-content/uploads/2023/07/MS-Data-and-AI-1.png)
![ms-digital-and-app-innovation](https://www.nashtechglobal.de/wp-content/uploads/2023/07/MS-Digital-and-App-innovation-1.png)