खुदरा की एक महंगी समस्या अब डेटा की समस्या बन रही है
ताज़ा खाद्य पदार्थ वह जगह हैं जहाँ किराना स्टोर अपना सबसे कठिन पैसा खोते हैं। प्रबंधकों को यह अनुमान लगाना पड़ता है कि स्ट्रॉबेरी, एवोकाडो, मांस के कट, या तैयार भोजन में से कितनी मात्रा स्टॉक करनी है, इससे पहले कि मांग घटे और खराब होना शुरू हो जाए। पैक किए गए सामानों के विपरीत, ताज़ा इन्वेंटरी अत्यधिक नाशवान, असमान रूप से मापी गई, और अक्सर शेल्फ पर पहुंचने के बाद ठीक से ट्रैक न की गई होती है।
स्टार्टअप Afresh इस बात पर दांव लगा रहा है कि बेहतर पूर्वानुमान इस बर्बादी को कम कर सकता है। कंपनी ने Just Climate और High Sage Ventures के सह-नेतृत्व में नए फंडिंग राउंड में $34 मिलियन जुटाए हैं, और कहती है कि उसके AI टूल पहले ही खुदरा विक्रेताओं को ताज़ा श्रेणियों में shrink 20% से 25% तक घटाने में मदद कर रहे हैं।
Fast Company द्वारा रिपोर्ट किया गया यह फंडिंग राउंड इसलिए महत्वपूर्ण है क्योंकि किराना अपशिष्ट कोई सीमित अक्षमता नहीं है। लेख का अनुमान है कि अमेरिकी किराना स्टोर हर साल लगभग चार मिलियन टन भोजन बर्बाद करते हैं, जिसकी लागत लगभग $27 बिलियन है। इससे ताज़ा इन्वेंटरी योजना खुदरा में सबसे महत्वपूर्ण और कम-डिजिटाइज़्ड परिचालन समस्याओं में से एक बन जाती है।
स्प्रेडशीट और अनुमान से मांग मॉडलिंग तक
Afresh की शुरुआत लगभग इस बात का अध्ययन है कि हाल तक खाद्य-खुदरा कार्यप्रवाह कितने एनालॉग बने रहे। जब सह-संस्थापक Matt Schwartz और Nathan Fenner ने इस समस्या का अध्ययन शुरू किया, तो उन्होंने पाया कि उत्पाद प्रबंधक छपी हुई स्प्रेडशीट, मोटे अनुमान, और कागज़-कलम आधारित ऑर्डरिंग प्रक्रियाओं पर निर्भर थे।
ऐसा ऐतिहासिक रूप से कुछ हद तक समझ में आता था। ताज़ा खाद्य पदार्थ संभालना शेल्फ-स्टेबल उत्पादों की तुलना में कहीं अधिक कठिन है। वजन के आधार पर बिकने वाले उत्पाद वाष्पीकरण के कारण अपना वजन खो सकते हैं। सेल्फ-चेकआउट त्रुटियाँ वास्तविक खरीद को बिगाड़ सकती हैं। खराब वस्तुएँ ठीक से दर्ज किए बिना फेंकी जा सकती हैं। प्रमोशन, तापमान, और शिपिंग का स्रोत, सभी यह प्रभावित कर सकते हैं कि कोई उत्पाद कितनी जल्दी खराब होता है।
Afresh का सॉफ़्टवेयर इन चर को एक पूर्वानुमान प्रणाली में खींचने की कोशिश करता है। स्रोत पाठ के अनुसार, कंपनी प्रत्येक किराना विक्रेता के डेटा का विश्लेषण करती है, कुछ मामलों में सैकड़ों अरबों लेनदेन तक पहुंचते हुए। इसके मॉडल मूल्य निर्धारण, प्रमोशन, शिपमेंट स्रोत, मौसम, और यहां तक कि खाद्य-स्टैम्प वितरण से जुड़ी समय-सारिणी को भी ध्यान में रखते हैं। फिर मांग पूर्वानुमानों को अनुकूलन उपकरणों के साथ जोड़ा जाता है, जो प्रत्येक उत्पाद के लिए ऑर्डर मात्रा सुझाते हैं।
सिद्धांत सरल है: यदि स्टोर मांग और खराब होने की गति को अधिक सटीकता से अनुमान लगा सकें, तो वे उतना ही ऑर्डर कर सकते हैं जितना वास्तव में बिकेगा।
ताज़ा श्रेणियाँ अलग क्यों हैं
खुदरा तकनीक अक्सर बाहर से परिपक्व दिखती है, लेकिन ताज़ा विभाग साफ़ ऑटोमेशन के प्रति अब तक जिद्दी रूप से प्रतिरोधी रहे हैं। पैक किए गए भोजन मानकीकृत इकाइयों, अनुमानित शेल्फ जीवन, और डिजिटल सप्लाई चेन रिकॉर्ड के साथ आते हैं। ताज़ा वस्तुएँ अधिक शोर वाली होती हैं। रसभरी का एक डिब्बा और सैल्मन की एक ट्रे, अनाज या टूथपेस्ट की तरह व्यवहार नहीं करती।
यही कारण है कि यहाँ AI आकर्षक है। यह उस से कहीं अधिक चर समेट सकता है जितना कोई स्टोर प्रबंधक मैन्युअल रूप से संभाल सके, और नए डेटा आने पर सीखता रहता है। कंपनी का कहना है कि ये मॉडल समय के साथ बेहतर होते जाते हैं, जो विशेष रूप से उस क्षेत्र में मूल्यवान है जहाँ स्थानीय परिस्थितियाँ बहुत मायने रखती हैं। किसी पड़ोस की मांग के पैटर्न, मौसम में बदलाव, और खरीदारों की आदतें सप्ताह-दर-सप्ताह यह बदल सकती हैं कि “सही” इन्वेंटरी क्या है।
Afresh कथित रूप से 10 से 20 स्टोर्स में परीक्षण शुरू करता है और परिणामों की तुलना उसी अवधि में चल रहे एक नियंत्रण समूह से करता है। Schwartz ने कहा कि जब उसका सिस्टम लाइव होता है, तो कंपनी आम तौर पर shrink में 20% से 25% की कमी देखती है।
यदि ये कटौती बड़े पैमाने पर बनी रहती है, तो व्यावसायिक तर्क स्पष्ट है। पतले मार्जिन और तेज़ी से बदलती खाद्य श्रेणियों में अपशिष्ट दर में मामूली सुधार भी महत्वपूर्ण बचत दे सकता है।
ऑर्डरिंग से परे परिचालन बदलाव
इस तकनीक का प्रभाव केवल खरीद आदेशों तक सीमित नहीं है। लेख के अनुसार, किराना विक्रेता Afresh के डेटा का उपयोग डिस्प्ले को पुनःडिज़ाइन करने और खराब होने वाले सामानों को संभालने के तरीके सुधारने में भी कर सकते हैं। कुछ स्टोर्स में, सॉफ़्टवेयर ने ऐसे उत्पाद डिस्प्ले पहचाने हैं जो आवश्यकता से बड़े थे, जिससे प्रबंधक उन्हें छोटा कर सकते हैं या कम वास्तविक फल रखते हुए भी भरपूरता का रूप बनाए रखने के लिए डमी डिस्प्ले का उपयोग कर सकते हैं।
यह भले ही सौंदर्यात्मक लगे, लेकिन डिस्प्ले रणनीति परिचालन रूप से महत्वपूर्ण है। किराना स्टोर अक्सर दृश्य रूप से दिखने वाले ताज़ा उत्पादों का अतिरिक्त भंडार रखते हैं क्योंकि भरे-पूरे डिस्प्ले से ग्राहकों को ताज़गी और abundance का संकेत मिलता है। यदि सॉफ़्टवेयर कम भौतिक इन्वेंटरी के साथ भी यह धारणा बनाए रख सके, तो यह बिक्री प्रस्तुति से समझौता किए बिना अपशिष्ट घटा देता है।
यही तर्क भोजन के पुन:उपयोग पर भी लागू होता है। स्टोर शेल्फ लाइफ के अंत के करीब पहुंच रहे उत्पादों को तैयार वस्तुओं में बदल सकते हैं, जैसे एवोकाडो से गुआकामोले बनाना। Afresh ने deli तैयार भोजन में मांग का पूर्वानुमान लगाने के लिए एक अलग टूल भी लॉन्च किया है, जो एक और ऐसी श्रेणी है जहाँ खराब होना और पूर्वानुमान त्रुटियाँ महंगी पड़ सकती हैं।
फंडिंग क्यों मायने रखती है
खुदरा में AI पर अक्सर चमकदार उपभोक्ता-मुखी टूल्स के जरिए चर्चा होती है, लेकिन कुछ सबसे टिकाऊ उपयोग बैक-एंड परिचालन निर्णयों में हो सकते हैं। ताज़ा खाद्य अपशिष्ट आर्थिक रूप से दर्दनाक, पर्यावरणीय रूप से महंगा, और केवल श्रम से हल करने में कठिन है। यह ठीक उसी तरह की योजना समस्या है जहाँ बेहतर पूर्वानुमान मापनीय लाभों में बदल सकते हैं।
Afresh का कहना है कि उसकी प्रणाली अब देशभर में 12,500 से अधिक किराना स्टोर विभागों में उपयोग की जा रही है, जिनमें Safeway और Albertsons भी शामिल हैं। यह पैमाना दिखाता है कि कंपनी पायलट-चरण की जिज्ञासा से आगे बढ़कर व्यापक परिचालन परीक्षण में पहुंच चुकी है।
नई $34 मिलियन की राउंड उसे और विस्तार करने में मदद करेगी, लेकिन इसका बड़ा महत्व क्षेत्रीय है। किराना अपशिष्ट अब व्यवसाय की अपरिहार्य लागत के बजाय एक सॉफ़्टवेयर समस्या के रूप में समझा जाने लगा है। यदि यह पुनर्परिभाषा सफल होती है, तो यह आने वाले दशक में खुदरा विक्रेताओं के इन्वेंटरी सिस्टम, स्टोर संचालन, और स्थिरता प्रयासों में निवेश के तरीके को प्रभावित कर सकती है।
उपभोक्ताओं के लिए यह बदलाव अदृश्य रह सकता है। शेल्फ़ अभी भी भरे दिखेंगे, और स्टोर अभी भी रातोंरात रीस्टॉक करेंगे। लेकिन उस नियमितता के नीचे, निर्णयों का बढ़ता हिस्सा ऐसी प्रणालियों से आ सकता है जो एक साधारण लेकिन आश्चर्यजनक रूप से कठिन प्रश्न का उत्तर देने के लिए बनी हैं: लोग खराब होने से पहले कितना ताज़ा भोजन वास्तव में खरीदेंगे?
यह लेख Fast Company की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on fastcompany.com
