Почему традиционные методы не работают

Большинство компаний все еще планируют закупки «на глаз» или простыми эвристиками:

• «Закажем столько же, сколько продали в прошлом месяце»
• «Добавим 20% на всякий случай»
• «Давайте посмотрим, что было год назад»

Результат: либо затоваривание склада, либо дефициты и потеря продаж.

Реальная статистика по рынку

• 40-50% компаний в России используют Excel для планирования закупок
• 35% запасов — это неликвид, который уже не продастся
• 15-25% потеря продаж из-за out-of-stock ситуаций
• 8-12 млн ₽ замороженных средств на складе у среднего магазина

Что дает ML-прогнозирование

Machine Learning анализирует сотни факторов одновременно:

• Исторические продажи (тренд + сезонность)
• Календарные эффекты (праздники, выходные)
• Промо-акции и скидки
• Цены конкурентов
• Погода (для сезонных товаров)
• Макроэкономические показатели

Кейс: розничная сеть продуктов (15 магазинов)

Исходная ситуация:

• Ассортимент: 8 000 SKU
• Заморожено в запасах: 12 млн ₽
• Потери от дефицита: ~600 тыс. ₽/месяц
• Списания просрочки: 2.5% от оборота

Что внедрили:

1. Сбор и очистка данных (2 года истории)

   • Продажи по чекам
   • Остатки на складах
   • Календарь акций
   • Цены конкурентов (парсинг сайтов)

2. Feature Engineering

   features = [
       'day_of_week', 'is_weekend', 'is_holiday',
       'days_to_holiday', 'week_of_year',
       'promo_flag', 'discount_percent',
       'competitor_price_ratio',
       'stock_level', 'days_since_last_delivery',
       'weather_temp', 'weather_precipitation'
   ]

3. Ансамбль моделей

   • Prophet (Facebook) — для тренда и сезонности
   • LightGBM — для учета промо и внешних факторов
   • LSTM (deep learning) — для сложных товаров с нелинейной динамикой
   • Итоговый прогноз = взвешенное среднее

4. Интеграция с ERP

   • Автоматическая генерация заказов поставщикам
   • Оптимизация точки заказа (Reorder Point)
   • Расчет страхового запаса (Safety Stock)

Результаты за 6 месяцев

Метрика	До	После	Изменение
Замороженные средства	12 млн ₽	8.2 млн ₽	-32%
Потери от дефицита	600 тыс. ₽	180 тыс. ₽	-70%
Просрочка/списания	2.5%	0.8%	-68%
Точность прогноза (WAPE)	—	87%	—
Время на планирование	25 ч/нед	3 ч/нед	-88%

ROI проекта: 380% за первый год

Экономический эффект

• Высвобождено ≈4 млн ₽ из запасов → реинвестированы в маркетинг
• +420 тыс. ₽ дополнительной прибыли от снижения дефицита
• -200 тыс. ₽ списаний в год
• Окупаемость: 4.5 месяца

Технические детали

Архитектура системы

┌─────────────┐
│  Источники  │
│  данных     │
└──────┬──────┘
       │
┌──────▼──────────────────────────┐
│  ETL Pipeline (Airflow)         │
│  - 1С (продажи, остатки)        │
│  - Календарь акций              │
│  - Конкуренты (web scraping)    │
│  - Погода API                   │
└──────┬──────────────────────────┘
       │
┌──────▼──────────────────────────┐
│  Feature Store (PostgreSQL)     │
└──────┬──────────────────────────┘
       │
┌──────▼──────────────────────────┐
│  ML Pipeline                    │
│  - Prophet (базовый прогноз)    │
│  - LightGBM (промо, внешние)    │
│  - Ensemble (финальный прогноз) │
└──────┬──────────────────────────┘
       │
┌──────▼──────────────────────────┐
│  Inventory Optimization         │
│  - Reorder Point                │
│  - Safety Stock                 │
│  - Order Quantity (EOQ)         │
└──────┬──────────────────────────┘
       │
┌──────▼──────────────────────────┐
│  Интерфейсы                     │
│  - Дашборд для закупщиков       │
│  - API для ERP                  │
│  - Alerts в Telegram            │
└─────────────────────────────────┘

Модель LightGBM для промо

import lightgbm as lgb

# Гиперпараметры после tuning
params = {
    'objective': 'tweedie',  # для продаж лучше tweedie
    'metric': 'rmse',
    'boosting_type': 'gbdt',
    'num_leaves': 63,
    'learning_rate': 0.05,
    'feature_fraction': 0.8,
    'bagging_fraction': 0.8,
    'bagging_freq': 5,
    'verbose': -1
}

model = lgb.train(
    params,
    train_data,
    num_boost_round=1000,
    valid_sets=[valid_data],
    callbacks=[
        lgb.early_stopping(50),
        lgb.log_evaluation(100)
    ]
)

Как оценить качество прогноза

Основные метрики

WAPE (Weighted Absolute Percentage Error)

WAPE = (Σ |Факт - Прогноз|) / (Σ Факт) × 100%

• < 10% — отлично
• 10-20% — хорошо
• 20-30% — приемлемо
• > 30% — требуется улучшение

MAE (Mean Absolute Error)

MAE = Σ |Факт - Прогноз| / N

Показывает среднюю абсолютную ошибку в единицах товара.

Bias (систематическая ошибка)

Bias = Σ (Прогноз - Факт) / Σ Факт

• Bias > 0 → переоценка спроса (лишние запасы)
• Bias < 0 → недооценка спроса (дефициты)

Кейс 2: B2B дистрибьютор электроники

Особенности:

• 35 000 SKU (длинный хвост)
• Средний срок жизни продукта: 6-9 месяцев
• Высокая волатильность спроса

Подход:

1. Сегментация товаров по ABC-XYZ

   • A-товары (топ 20%) → индивидуальные модели
   • B/C-товары → групповые модели
   • Новинки → transfer learning от похожих товаров

2. Hierarchical forecasting

   • Прогноз на уровне категории (точнее)
   • Распределение внутри категории по долям

3. Учет жизненного цикла товара

   • Фаза роста → коэффициент > 1
   • Фаза зрелости → стабильный прогноз
   • Фаза спада → экспоненциальное снижение

Результаты:

• Оборачиваемость запасов: 45 дней → 28 дней
• Сокращение списаний устаревших товаров: -55%
• Fill rate (доступность): 82% → 94%

Что важно для успешного внедрения

1. Качество данных (критично!)

• Минимум 12-18 месяцев истории
• Чистые данные (без дыр, аномалий)
• Привязка всех событий к датам (промо, дефициты)

2. Правильная валидация

• Time-series split (не случайная выборка!)
• Backtesting на исторических данных
• Walk-forward validation

3. Постоянное обновление

• Переобучение моделей каждые 1-4 недели
• Мониторинг quality drift
• A/B тесты новых фич

4. Интеграция с бизнес-процессами

Модель должна быть встроена в систему закупок:

• Автогенерация заказов
• Alerts при аномалиях
• Dashboard для закупщиков

Частые ошибки

❌ «Одна модель на все товары» Разные категории требуют разных подходов.

❌ Игнорирование внешних факторов Промо, праздники, погода могут давать +50% к базовому спросу.

❌ Нет мониторинга Модель деградирует со временем, нужен контроль качества.

❌ Не учитываем бизнес-ограничения MOQ (минимальный заказ), кратность, сроки поставки.

Следующие шаги

Если хотите внедрить прогнозирование спроса:

1. Проверьте данные

   • Есть ли 12+ месяцев истории продаж?
   • Фиксируете ли промо и out-of-stock?

2. Начните с пилота

   • Выберите 50-100 топовых SKU
   • Постройте baseline модель (Prophet)
   • Сравните с текущим планированием

3. Масштабируйте

   • Добавьте внешние факторы
   • Оптимизируйте ансамбль моделей
   • Интегрируйте с ERP/WMS

---

Хотите внедрить ML-прогнозирование спроса?

Мы строим системы прогнозирования для ритейла и дистрибуции. Помогаем сократить запасы на 25-40% и избежать дефицита. Проведем аудит данных бесплатно.

📞 +7 (924) 547-36-78 📧 info@bi-ai.ru 💬 Telegram: @bi_ai_team