Optimasi Jaringan Gerai Ritel dengan ML Geospasial

Masalah

Jaringan gerai tumbuh selama bertahun-tahun tanpa cara yang konsisten dan berbasis data untuk mencocokkan ukuran gerai dan jumlah staf dengan permintaan lokal. Beberapa gerai terlalu berdekatan dan kurang dimanfaatkan, sementara beberapa area dengan permintaan tinggi belum terjangkau.

Pendekatan

Kami memecah pertanyaan menjadi bagian yang terukur: seberapa jauh pelanggan benar-benar bepergian, seberapa dekat dua gerai boleh berada sebelum saling mengkanibal, dan berapa besar permintaan tiap area. Jawabannya menjadi masukan bagi model permintaan, integer program untuk jumlah gerai yang tepat per kota, dan algoritma genetika yang memilih tindakan untuk tiap gerai dengan batasan biaya dan cakupan.

Cara Kerja

1. 1
   Analisis catchmentJarak haversine antara 2,4 juta kunjungan gerai dan lokasi rumah atau kantor pelanggan menghasilkan catchment tipikal sekitar 3,3 km.
2. 2
   Uji jarak antar geraiUji Mann-Whitney U pada utilisasi gerai menunjukkan gerai yang berjarak kurang dari 4 km dari gerai lain berkinerja lebih buruk, yang kemudian menjadi aturan jarak minimum.
3. 3
   Fitur gridSpark dan Sedona mengagregasi pelanggan, titik minat, demografi, dan sinyal mobilitas teranonimisasi ke heksagon H3; resolusi 8 (~0,74 km²) dipilih melalui analisis entropi.
4. 4
   Segmentasi pengunjungK-means di PySpark mengelompokkan pengunjung gerai ke dalam arketipe, menunjukkan seberapa besar permintaan yang bisa dialihkan ke kanal digital dan swalayan.
5. 5
   Model permintaanXGBoost memprediksi kunjungan per sel grid; integer program (PuLP) menentukan berapa gerai dari tiap ukuran yang dibutuhkan setiap kota.
6. 6
   Optimasi tindakanAlgoritma genetika multi-objektif (PyGAD) memilih pertahankan, perbesar, perkecil, tutup, atau pindahkan untuk tiap gerai; routing jarak jalan lalu menyelesaikan gerai yang hampir bertumpuk dan menentukan jumlah staf.
7. 7
   Jelaskan & publikasikanLLM menulis justifikasi dengan bahasa sederhana untuk tiap gerai dalam pipeline Kubeflow yang dilacak dengan MLflow, dan hasilnya dimuat ke PostGIS untuk dashboard klien.

Yang Saya Bangun

• Segmentasi pengunjung K-means di PySpark.
• Justifikasi per gerai yang dihasilkan LLM, diorkestrasi di Kubeflow dengan MLflow.
• Kontribusi pada model permintaan kunjungan XGBoost dan optimasi jaringan (integer linear programming dengan PuLP dan algoritma genetika multi-objektif).

Dampak

Rekomendasi disampaikan ke klien dalam dua skenario dengan efisiensi biaya tahunan sekitar 4% dan 9% sambil tetap menjaga cakupan catchment. Ambang keputusan diverifikasi terhadap keputusan bisnis klien di masa lalu.