Статьи

Рентабельность готовой продукции не превышает 10%, а списания из-за коротких сроков годности достигают 11%. Традиционный Excel-прогноз перестал работать. Рассказываем, как цифровая трансформация планирования помогла производителю в 2 раза снизить трудозатраты и на четверть сократить потери — без перегрузки учетных систем

Алгоритмы машинного обучения (Machine Learning) давно перестали быть просто технологической новинкой, сегодня это базовый инструмент оптимизации запасов, планирования продаж и управления цепочками поставок

Современный ритейл давно вышел за рамки одного канала продаж. Диверсификация — единственный способ сохранить устойчивость бизнеса и наращивать долю рынка.

В первой части цикла мы разобрали, какие факторы влияют на планирование производства для собственной розницы и какие данные необходимо собирать по трём контурам — розничному, логистическому и производственному. Теперь переходим к главному: как на практике связать прогнозы продаж с планом выпуска в цехе.

В этой статье мы открываем цикл материалов, посвящённых планированию производства для собственной розницы. В качестве основы рассматриваем кейс производителя, работающего через сеть своих магазинов.

Современные LLM — мощные инструменты анализа текста, генерации идей и объяснения сложных процессов. Но могут ли они решить задачу прогнозирования спроса, одну из самых чувствительных и критичных задач в ритейле, производстве и логистике?

Алгоритмы машинного обучения давно используются в задачах, где на целевой показатель влияет множество факторов. Бустинговые модели на основе решающих деревьев, рекуррентные нейронные сети и другие методы позволяют учитывать сложные зависимости между признаками и адаптируются под широкий спектр бизнес‑сценариев.

Модели машинного обучения стали ключевым инструментом для прогнозирования спроса, цен и динамики рынка. Но в периоды нестабильности и резких изменений даже самые продвинутые алгоритмы сталкиваются с ограничениями. Важно понимать, где именно проходит граница между возможностями модели и реальностью, чтобы использовать их максимально эффективно.

Множество статей посвящено проблеме прогнозирования продаж и методам её решения. Однако при интеграции прогноза в систему автозаказа возникают практические сложности. Ниже перечислены некоторые из них и обозначены возможные пути решения

Проблема ввода нового ассортимента в продажи известна как производителям, так и ритейлу. Ритейл, обладая большим объемом данных, может строить оценки продаж новых товаров по их характеристикам. В этой статье мы предложим метод, который позволит автоматизировать этот процесс получения оценки будущих продаж ранее не продаваемого товара.

12 ноября прошёл наш вебинар о системах автозаказа и применении больших языковых моделей в ритейле и FMCG. Для тех, кто пропустил, мы собрали самое интересное: как ИИ помогает решать проблему холодного старта, повышает точность прогнозов, учитывает погоду и акции, а также оптимизирует ассортимент между магазинами

Почти год назад сеть магазинов «Хорошее дело» внедрила сервис ИИ‑автозаказа от Datanomics. Мы встретились с Марией Лаушкиной, старшим менеджером, и Никитой Ганченковым, менеджером IT‑проектов, чтобы поговорить о том, как изменились процессы, что оказалось самым сложным и какие результаты они видят сегодня