Bagaimana Walmart menggunakan Big Data?
Walmart memiliki ekosistem big data yang luas. Ekosistem
big data di Walmart memproses beberapa Terabyte data baru dan petabytes data
historis setiap hari. Analisis ini mencakup jutaan produk dan 100 juta
pelanggan dari berbagai sumber. Sistem analisis di Walmart menganalisis hampir
100 juta kata kunci setiap hari untuk mengoptimalkan penawaran setiap kata
kunci. Tujuan utama memanfaatkan big data di Walmart adalah untuk
mengoptimalkan pengalaman belanja bagi pelanggan ketika mereka berada di
Walmart, atau menelusuri Situs web Walmart atau menjelajah melalui perangkat
seluler.
Walmart telah mengubah pengambilan keputusan bisnis mereka
yang menghasilkan penjualan berulang. Walmart mengamati peningkatan 10% hingga
15% yang signifikan dalam penjualan online sebesar $ 1 miliar dalam pendapatan
tambahan. Analis big data dapat mengidentifikasi nilai perubahan yang dibuat
Walmart dengan menganalisis penjualan sebelum dan sesudah analisis big data
dimanfaatkan untuk mengubah strategi e-commerce raksasa ritel itu.
 |
| datafloq.com |
Contoh Aplikasi yang
menggunakan Data Hadoop di Walmart
1. Savings
Catcher, Aplikasi yang memberitahu harga
barang kepada pelanggan jika ada pesaing Walmart yang memiliki harga lebih
rendah. Aplikasi ini kemudian mengirimkan voucher hadiah kepada pelanggan untuk
mengkompensasi perbedaan harga.
2. Aplikasi
eReceipts, memberi pelanggan salinan
elektronik dari pembelian mereka.
3. Mupd8 - Aplikasi
Mapping, Aplikasi Mapping di Walmart
menggunakan Hadoop untuk mengelola peta terbaru dari 1000 toko Walmart di seluruh
dunia. Peta-peta ini menentukan lokasi yang tepat bahkan untuk sebatang sabun
kecil yang berada di toko Walmart.
Untuk memenuhi kebutuhan akan platform pemrosesan aktual
yang dapat mengatasi masalah seperti kinerja dan skalabilitas, Walmart
mengembangkan Mupd8 untuk Fast Data. Dengan Mupd8, aplikasi pemrosesan dapat
menekankan pada kualitas data yang dihasilkan.
Contoh Metodologi yang Digunakan
1. Penelitian Strategis, Strategi ini mencakup
pengumpulan data penjualan yang sangat besar dan kemudian dipindahkan pada HDFS
(Hadoop Distributed File System) dan pengurangan peta dilakukan pada set data.
Data setelah diproses oleh peta dikurangi meskipun dalam format yang dapat
dimengerti, tetapi terlalu besar sehingga sulit untuk menarik kesimpulan dari
itu. Pemrosesan menggunakan sarang dilakukan dengan memuat set data yang
disediakan kemudian partisi dinamis dan bucket diterapkan. Penjualan bulanan
dari 45 toko dan 99 departemen dihitung. Fitur rata-rata di antara mereka
dihitung.
2. Pembelajaran Mesin, Algoritma pembelajaran mesin
memberikan hasil yang efisien yang diterapkan sehingga data yang sangat besar
dapat dimodelkan R adalah bahasa pemrograman dan lingkungan perangkat lunak
untuk komputasi statistik dan grafik. Pemrograman R digunakan oleh ahli
statistik dan penambang data secara luas untuk mengembangkan perangkat lunak
statistik dan analisis data. Algoritme Holt Winter digunakan untuk memprediksi
penjualan. Musim, tren dan keacakan diamati dalam algoritme. Algoritma ini
digunakan untuk melatih kumpulan data dan kemudian prediksi penjualan dilakukan.
3. Representasi
Grafis, Data yang diproses oleh algoritma pembelajaran mesin yang memberikan
hasil yang efisien dapat dipahami tetapi informasi yang diperoleh ini terlalu
besar dan karenanya kesimpulan sulit dijelaskan. Kita semua tahu representasi
gambar lebih berharga daripada banyak kata. Oleh karena itu informasi ini dapat
dipahami oleh visualisasi data interaktif Tableau yang berfokus pada intelijen
bisnis. Tableau membantu dalam visualisasi data interaktif produk.
 |
| Mewakili penjualan, sumbu x toko mewakili jumlah toko yang berbeda dan sumbu y mewakili penjualan di setiap departemen. |
 |
| Mewakili penjualan di toko-toko dengan menggunakan Tableau, ini adalah bagan gelembung. |
 |
| Ini
dilakukan dengan menggunakan algoritma HoltWinters dan penjualan yang
diramalkan, sumbu x mewakili tahun dan sumbu y mewakili penjualan. |
Dalam melakukan pengolahan datanya walmart menggunakan GPU dari NVIDIA, pengolahan data forecast berbasis GPU ini telah berhasil meningkatkan keakuratan sebesar 1.7 %. Model forecast utama terdiri dari serangkaian algoritma pembelajaran mesin yang dijalankan bersama. Penggunaan GPU meningkatkan juga performa Random Forest Algorithm sebesar 30-50 kali dibandingkan dengan menggunakan CPU. Saat ini penggunaan GPU hanya sebesar 20% dari keseluruhan proses forecast, dan 80 % nya menggunakan sistem JDA. Penggunaan GPU akan lebih dimaksimalkan pada tahun ini sampai 100 %. Peningkatan sebesar 1.7 % ini pastinya akan sangat menguntungkan bagi Walmart, karena setiap tahunnya walmart bisa menghasilkan 330 miliar dollar dari penjualan.
Alur Forecasting di Walmart
Forecasting Algorithms yang digunakan Walmart
Sumber
Harsoor, A. S. (2015). FORECAST OF SALES OF WALMART
STORE USING BIG DATA APPLICATIONS. IJRET: International Journal of Research
in Engineering and Technology, 04(06).
0 comments:
Post a Comment