Статьи

В данной статье рассказываем о решении задачи прогнозирования прерывистого спроса с помощью алгоритмов машинного обучения (ML)

Технологии обработки больших данных плотно вошли в IT индустрию. В этой статье расскажем подробнее об архитектуре платформы обработки больших данных

При разработке систем прогнозирования товарных номенклатур (SKU) важным является выбор правильной метрики качества модели. Результат выбора непосредственным образом влияет на ценность решения

Прогнозирование спроса – важный инструмент для эффективного планирования продаж, поставок и производства

Применение алгоритмов машинного обучения и технологий Data Science позволяет бизнесу оптимизировать расходы и увеличить прибыль

Пилотные проекты, или проекты Proof of Concept (PoC), с ограниченным функционалом позволяют получать быстрые результаты и минимизировать риски ИИ проектов

Создание аналитических платформ для быстрого принятия решений, построения прогнозов и оптимизации процессов актуально для бизнесов различных отраслей – от ритейла до промышленных производств

На мероприятиях и во время индивидуальных консультаций мы отвечаем на множество вопросов. Решили поделиться ответами со всеми

В этой статье расскажем, как промо активности влияют на спрос и как учесть эффект каннибализации при прогнозировании

Для улучшения автозаказа одним из важнейших факторов является прогноз спроса. Одна из метрик, которую используют для оценки качества прогноза – среднеквадратичная ошибка (RMSE). Однако, у этой величины есть еще одно полезное применение, её используют для формирования страховых запасов

Автоматизация процесса заказа – очевидная потребность для продуктового ритейла с большим количеством номенклатур, которые могут исчисляться тысячами, а для федеральных сетей – десятками тысяч

В предыдущих материалах мы уже писали о приемах снижения рисков инновационных проектов, в частности проектов предиктивной и предписывающей аналитики. Один из способов – это этапность и детализация