Рынок готовой еды продолжает демонстрировать впечатляющий рост, подталкиваемый изменениями в потребительских предпочтениях и образе жизни. По итогам года он может достигнуть 1,32 трлн рублей, что на 18% больше, чем в 2025 году. Это свидетельствует о постоянном интересе покупателей к удобным и готовым к употреблению продуктам, а также заставляет производителей адаптировать свой ассортимент под потребности рынка.
Однако отрасль сталкивается и с вызовами. Как показывает статистика и опросы, главные ограничения – это не проблема спроса, а способность компаний производить нужный объем с сохранением качества и эффективности. Например, рентабельность категории по EBITDA в среднем не превышает 10%, а списания из-за коротких сроков годности достигают 9–11%.
Традиционно вопросы прогнозирования заказов в магазины, планирования логистики и производства решаются с помощью несложных алгоритмов в учетных системах или таблицах Excel. Однако с ростом ассортимента и объемов продаж в категории готовой еды подобное планирование становится трудоемким и неточным, что ведет к росту списаний и убытков.
Задачу оптимизации поставок готовой еды, а также сырья для производства можно решать с применением методов машинного обучения (ML). Рассмотрим кейс, чтобы понять, как это работает на практике.
Автоматизация заказа сырья и материалов для производства готовой еды
Количество номенклатур готовой еды составляет 80 позиций, прогнозировать необходимо в разрезе торговой точки на каждый день с горизонтом шесть недель. Количество точек для прогнозирования: 1260.
Шаг 1. Прогнозирование спроса в разрезе номенклатуры и торговой точки
Прогнозирование осуществляется методами машинного обучения, которые учитывают такие факторы, как акции, сезонность, тренд, дни недели, праздники и погодные условия. Учет всех перечисленных факторов вручную при прогнозировании спроса практически невозможен, поэтому применение моделей машинного обучения на данном этапе оправданно за счет их гибкости и способности выявлять сложные зависимости.
Шаг 2. Перенос прогноза спроса конечного продукта на ингредиенты
Для каждого блюда существует рецепт его изготовления. Рецептура содержит состав ингредиентов и их соотношение. Получив прогноз спроса блюда на основе продаж, можно перейти к расчёту необходимого количества ингредиентов.
Шаг 3. Сопоставление ингредиента с номенклатурой для заказа (сырье и материалы)
Несколько слов про ингредиент. Ингредиент – это абстрактное понятие в системе учета, которое привязывает рецептуру к конкретному SKU. Например, в блюде есть томаты. В зависимости от сезона это могут быть «турецкие» или «отечественные» томаты. Для блюда не важно, какую номенклатуру использовать, а для бизнеса – важно, причем приоритет может меняться со временем. Для таких случаев нужен справочник соответствия ингредиентов номенклатурам. Он позволяет перевести ингредиент в конкретную позицию для заказа у поставщика.
Шаг 4. Расчет потребности для каждой номенклатуры заказа
Рецептуры позволяют рассчитать потребность в каждом ингредиенте для единицы продаваемого блюда. Справочник соответствия дает возможность перевести ингредиент в конкретную номенклатуру для заказа. Таким образом, исходя из прогнозов прямых продаж, можно получить необходимую потребность в сырье (с привязкой к номенклатурной позиции) для производства.
Рисунок 1. Процесс разложения готового блюда на номенклатурные позиции для заказа
Шаг 5. Автоматическое формирование заказа на покупку у поставщика
Формирование прогнозов и заказов выносится за пределы учетной системы и контура хранения транзакционных данных — оптимально в облачную среду. Такой подход позволяет не нагружать систему при выполнении ML-алгоритмов и существенно ускорять расчеты.
Сформированные заказы передаются через API в учетную систему, где создаются централизованные заказы на покупки у поставщиков.
Рисунок 2. Схема взаимодействия облачного сервиса и учетной системы при формировании заказов
Прогнозирование расхода ингредиентов методами машинного обучения снижает трудоемкость за счет автоматизации процесса планирования. Результатом внедрения стало сокращение трудозатрат в два раза. Точность прогнозов повысилась, что позволило уменьшить уценки и списания на 25%.
Итог
Рынок готовой еды растёт, но компании сталкиваются с низкой рентабельностью и высокими списаниями из-за коротких сроков хранения. Традиционные методы планирования становятся неэффективными при увеличении ассортимента и масштабов бизнеса. Применение машинного обучения позволяет автоматизировать прогноз спроса, переводить его в потребности по ингредиентам и формировать заказы на сырьё.
Ключевым элементом является использование облачных ресурсов: они обеспечивают выполнение сложных ML-алгоритмов без перегрузки учётных систем, позволяют быстро масштабировать вычисления при росте номенклатур, числа поставщиков или точек доставки. Такой подход сокращает списания, оптимизирует логистику и даёт производителям конкурентное преимущество в динамично растущей категории готовой еды.