ИИ в пищевой отрасли, ритейле и АПК: прогнозы и рекомендации, которые работают

Сергей Кравченко, Старший аналитик данных, Beltel Datanomics

Всем привет! Сегодня я хочу рассказать о системах автозаказа — это ключевое направление нашей работы. Мы также обсудим, как искусственный интеллект и большие языковые модели применяются в пищевой отрасли, ритейле и АПК: для прогнозирования спроса, формирования рекомендаций и автоматизации бизнес-процессов.

Мы представляем компанию Белтел, внутри которой работает подразделение Datanomics. Оно занимается аналитикой данных, искусственным интеллектом и системами прогнозирования. С 2017 года мы реализовали десятки проектов, среди наших клиентов — такие компании, как Спар Мидл Волга, Русагро, Heineken, Каравай и другие. Мы являемся партнёрами Yandex Cloud, где хостим наши решения, используя облачную инфраструктуру и технологии Яндекса для хранения, обработки и визуализации данных.

В нашей команде работают аналитики, программисты, разработчики и системные администраторы. Это позволяет нам закрывать полный цикл задач — от построения моделей до интеграции решений в инфраструктуру клиента.

Основные вызовы для ритейла и FMCG

• высокая трудоёмкость ручного прогнозирования: многие компании до сих пор используют Excel и ежедневно вручную считают объёмы заказов;
• неточность прогнозов: это приводит либо к дефициту товаров, либо к избытку, что влечёт за собой складские издержки и риски перепроизводства.

Решение Datanomics Demand Forecast

Мы используем данные клиента, обогащаем их внешними источниками — прогнозами погоды, календарями праздников и другими факторами. Все данные собираются в единую базу, анализируются и превращаются в прогнозы, которые могут быть трансформированы либо в производственные планы, либо в автозаказы.

Что делает систему уникальной:

• современные модели прогнозирования учитывают историю продаж, сезонность, тренды и внешние признаки;
• модели адаптивны и настраиваются под специфику бизнеса;
• сервис полностью интегрируется в контур клиента и работает по принципу микросервисной архитектуры;
• данные обрабатываются в облаке, что позволяет масштабировать ресурсы и пересчитывать прогнозы ежедневно.

Эффект от внедрения

Результаты зависят от задач клиента:

• сокращение ручного труда до 4 раз;
• рост точности прогнозов на 20 — 30 процентных пунктов;
• достижение точности до 95% в отдельных кейсах;
• улучшение бизнес-показателей (оборачиваемость, снижение списаний) на 10 — 20%.

Дополнительно мы предлагаем BI-аналитику в экосистеме Яндекс, что позволяет строить удобные дашборды и экономить на дорогих серверных решениях.

Кейс автозаказа

Для сети «Хорошее дело» мы автоматизировали систему заказов. До внедрения прогнозирование было трудоёмким, зависело от человеческого фактора и приводило к перебоям. Мы интегрировали нашу систему через стандартные протоколы с 1С: данные поступали в облако и возвращались обратно в 1С в виде прогнозов и заказов.

Результаты:

• сокращение ручного труда в 2,5 раза;
• снижение доли профицитных заказов;
• добавление BI-аналитики;
• неограниченная масштабируемость (на момент внедрения 161 магазин).

Читайте интервью с менеджерами сети «Хорошее дело» по ссылке.

Кейс производственного планирования

В ритейле есть собственное производство — кухни, где готовят пиццу, суши, салаты. Мы работали с технологическими картами, переводили продажи готовой продукции в ингредиенты, прогнозировали их с помощью ML-моделей и формировали автозаказ. Также занимались планированием производства на основе загруженности технологических цепочек. Методология похожа на систему автозаказа, но имеет свои особенности.

Подробнее в статье по ссылке.

Важные моменты при запуске

Главный вызов — коммуникация и наличие ответственного человека со стороны клиента, который понимает специфику бизнеса и может формализовать задачу. Кроме того, важно учитывать:

• виртуальные остатки — товары, которые уже заказаны, но ещё не поступили в магазин;
• партионный учёт — одна из сложных задач, связанная с учётом сроков годности продукции на полках;
• кванты поставок — проблема, когда магазину нужно 4 единицы, а минимальный заказ —  20.

Данные для прогнозирования

Для построения алгоритмов нужны данные продаж минимум за два года, чтобы учитывать сезонность и праздники. Также важны справочники номенклатуры и классификация групп товаров. Иногда эффективнее прогнозировать товары группами, чем отдельно.

Мы применяем большие языковые модели (LLM) для классификации и извлечения признаков. Это помогает находить аналоги и строить более точные прогнозы. Важно учитывать акции: они могут увеличить спрос в 2 — 3 раза.

Частота обновления

Данные обновляются ежедневно, модели пересчитываются каждый день. Облачные ресурсы позволяют адаптироваться к дрейфу данных и поддерживать актуальность прогнозов.

Искусственный интеллект и холодный старт

Холодный старт — проблема новых товаров без истории продаж. Мы решаем её комбинацией:

• LLM извлекает признаки нового товара;
• Методы классического машинного обучения и статистики по аналогичным позициям формируют оценку прогноза для первой поставки.

Данная комбинация автоматизирует процесс, который раньше выполнялся человеком.

Внешние источники

Мы используем прогноз погоды и производственный календарь. Для категорий вроде мороженого или напитков это повышает точность на 10 — 15 процентных пунктов.

Оптимизация ассортимента

LLM помогает находить похожие магазины и товары. На основе статистики продаж формируются рекомендации: расширить линейку, добавить товар, который хорошо продаётся в аналогичных магазинах.

ML и LLM

ML остаётся основой прогнозирования. LLM используется как генератор признаков и интерфейс между статистикой и человеком. Это удобно и позволяет автоматизировать процессы «из коробки».

Галлюцинации моделей

Мы решаем строго определённые задачи и используем промпт-инжиниринг. Поэтому проблем с галлюцинациями нет.

Реализация проекта

Проект начинается с заполнения опросника заказчиком: формулировка задачи, масштаб, наличие ресурсов. Затем запускается пилот, анализируются данные, проверяются критерии успешности. Если они выполнены, решение внедряется в продуктовую эксплуатацию.

Оставить заявку можно в форме обратной связи.

Итог

Системы автозаказа на базе искусственного интеллекта позволяют бизнесу уйти от ручного труда, повысить точность прогнозов, снизить издержки и получить гибкий инструмент, который легко интегрируется и масштабируется. А использование больших языковых моделей открывает новые возможности — от решения проблемы холодного старта до оптимизации ассортимента и автоматизации анализа данных.

Подписывайтесь на наш канал в Telegram — все самое интересное об аналитике, данных и ИИ простыми словами