Lager dataanalyse for småbedrifter: – Hvis du er et lite selskap, klarer du ikke å holde på en dyktig data scientist

For selskaper som Walmart og Amazon er prissetting en komplisert disiplin drevet av data og maskinlæring. Såkalt dynamisk prissetting sørger for at de store e-handelskjemper konstant oppdaterer prisene, og verken selger for billig eller overbyr konkurrenten.

Hvis man er en mindre webbutikk er det ikke lett å gå i gigantenes fotspor. Derfor håper oppstartsselskapet NextOrbit at de skal bli leverandøren som bringer avansert dataanalyse til virksomheter som ikke har mulighet til å opprette deres egen data science-avdeling.

– Hvis du er et lite selskap, er det høyst usannsynlig at du kan ansette og holde på dyktige data scientister, sier Kishore Rajgopal, som er administrerende direktør og grunnlegger av NextOrbit.

– Selv om du kan betale dem, så vil du ikke kunne engasjere og inspirere dem på et slik plan at de ønsker å bli.

Ideen med NextOrbit er derfor å selge avansert dataanalyse til online-butikker som ikke kan gjøre dette selv. Og som i mange tilfeller har vanskeligheter med å sette priser ut fra et kvalifisert grunnlag, sier Rajgopal.

– Jeg har sett det hos mange kunder som konsulent. De har kanskje sine regneark og sin dømmekraft, men de føler at de kaster bort penger ved å for eksempel selge for billig, sier han.

Det krever verken de beste data scientistene i bransjen eller kunnskap om maskinlæring å utnytte systemet. Men det krever likevel fortsatt veldig mye data.

– Kundene skal selv sørge for å få orden på sine data. Det kan vi ikke gjøre for dem. Det er som uttrykket «du kan lede en hest til vannet, men du kan ikke tvinge den til å drikke». Vi kan godt vaske data for dem, men det skal være ett eller annet som vi kan jobbe med, sier Rajgopal.

Optimalt sett har kundene samlet data systematisk i flere år.

– Vi bruker alt point-of-sale-data online og i fysiske butikker, produktopplysninger og lagerbeholdningsdata daglig eller ukentlig fra de seneste tre-fire år.

Data om lagerbeholdning betyr at en etterspørsels-prognose kan ta høyde for om butikken i en periode var utsolgt. I slike perioder er det ikke noe salg, men det betyr ikke at det ikke var etterspørsel, understreker Rajgopal.

– De data kombinerer vi med eksterne data. Det er enkle ting som kalenderen, helger og helligdager, som er forskjellig fra land til land. I tillegg kommer lokale begivenheter i forskjellige byer og tidsbestemte begivenheter som skolestart og avslutning. Endelig er det store utsalgsperioder, sier han.

– Alt det modellerer vi og finner ut av hvordan det kan brukes til å forutse etterspørsel og pris.

I tillegg kommer kundens budsjett til kampanjer og rabatter. De legges på samme måte inn i systemet, hvorpå løsningen foreslår hvilke kampanjer som skal kjøres for hvilke produkter, og når.

«Similarity score»

En annen input til prissetting er konkurrentenes priser.

– Her er spørsmålet så hvem konkurrentene er og hva prisen er for deres produkter, sier Rajgopal.

Utfordringen med den øvelsen er at produktene ikke behøver å være identiske for å påvirke hverandres pris. Algoritmen skal derfor ta høyde for hvis to varer oppfyller de samme behov, eller kan erstatte hverandre.

– Vi bygde et maskinlæringssystem til å finne produkter som ligner på hverandre. De blir så gitt en «similarity-score» som bygger på en rekke attributter. Noen attributter kan vi få gjennom produktinformasjon. Hvis de er mangelfulle, kan vi prøve å utfylle dem, for eksempel ved å bruke bildegjenkjenning på bildet av produktet, forklarer Rajgopal.

Til slutt henter systemet prisene for de relevante produktene på offentlige hjemmesider, og dessuten informasjon om hvorvidt produktet er på lager hos konkurrenten.

Maskinlæring kommer sist

De fleste kunder som NextOrbit inntil videre har jobbet med har for det meste styr på salgsdata, men mangler kanskje daglige eller ukentlige lagerdata og komplette data om produktet.

– Produktdata er enkelt å fikse, det er ikke lagerdata, sier Rajgopal og fortsetter:

– Hvis de ikke har det, kan vi ikke ta høyde for utsolgte varer – men vi kan godt gå i gang, og etter seks måneder har vi data til å begynne å modellere den delen også.

Selskapet har ifølge Rajgopal ikke opplevd at kunder var skeptiske til å dele de dataene modellen skal bruke.

– Da vi startet sa folk til meg at ingen kommer til å gi dere disse dataene. Men inntil videre er det ingen som har protestert mot å gi oss data. Vi har opplevd at store selskaper vil ha oss til å arbeide i deres sky, og det er helt fint.

Det har til gjengjeld krevd flere lange samtaler med kunder å få dem til å bruke systemet på en måte så dataanalysen gir verdi.

– Hvis beslutningene ikke implementeres, er hele systemet ubrukelig. De skal ikke rote med prisene eller plutselig gi rabatter eller lage en kampanje. Det fungerer ikke. Hvis de har budsjett til det skal de si det til oss, så kan vi bruke algoritmen og finne ut av hvordan den skal brukes, sier Rajgopal og tilføyer:

– Det handler ikke om algoritmer. Det er et forretningsproblem, det er data, det er handling, og til sist kommer maskinlæring.

Ydmykhet til å samarbeid

Ikke desto mindre har nettopp nivået på kompetansen innenfor maskinlæring vært den største hindringen for å lykkes med NextOrbit, forteller Rajgopal.

– Jeg var nødt til å avskjedige noen fra kjerneteamet i starten, fordi vi simpelthen hadde bruk for å få noen eksperter ombord. Det tok litt tid å få den riktige sammensetningen av evner. Man skal være bevisst på det. Og la være å tro at du bare kan gjøre det selv, fordi du kan Python. Jeg beklager, men det kommer ikke til å gå, sier han og fortsetter:

– Du er nødt til å kombinere ekspertkunnskap innenfor maskinlæring med ekspertkunnskap innenfor forretningsområdet. Hvis du kun har en av delene, da kommer du ikke særlig langt. Når du får satt dem sammen i et rom med et whiteboard, når de har samtalen og ydmykheten til å arbeide sammen, da oppstår magien.

Saken ble først publisert på danske Datatech, og gjøres tilgjengelig på norsk for abonnenter av Digi Ekstra gjennom vår samarbeidsavtale med Teknologiens mediehus/Ingeniøren.