Как автоматизировать прогнозирование продаж новых товаров
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. Однако этот процесс является трудоемким и небыстрым и мало автоматизирован, требующий человеческих ресурсов для сбора статистики по похожим товарам или категориям. В этой статье мы предложим метод, который позволит автоматизировать этот процесс получения оценки будущих продаж ранее не продаваемого товара.
Прогнозирование на этапе холодного старта традиционным методом
Проблему оценки продаж без наличия исторических данных называют холодным стартом. Для такой оценки используют общие характеристики товара, такие как категория, вес, цена и прочее.
Какие задачи решаются при введении нового товара в продажи:
- Поиск товаров-аналогов. Это процесс производится вручную.
- Сбор статистики по товарам-аналогам.
- Оценка продаж нового товара на основе статистики и экспертного мнения
Ниже мы расскажем, как можно этот процесс автоматизировать, используя технологии обработки естестввенного языка NLP (Natural Language Processing).
Решение задачи на основе технологий машинного обучения и больших языковых моделей
Используя технологии машинного обучения (ML) и больших языковых моделей (LLM), можно существенно облегчить решение поставленных задач, реализуя извлечение признаков автоматически по описанию и названию товаров.
Общая концепция реализации идеи по шагам:
- Генерация признаков товаров: языковая модель формирует структурированные атрибуты описания товара, эти атрибуты могут быть заранее определены бизнесом (группа товара, ценовая категория, вес и т.д.).
- По описательным признакам производится поиск и извлечение данных о продажах для аналогичных товаров (этот процесс можно полностью автоматизировать, описав процесс извлечения данных).
- Строится статистика продаж товаров-аналогов (оценка месячного спроса, сезонность).
- Формируется набор признаков: объединяем признаки, извлеченные языковой моделью, с традиционными агрегатами (статистикой продаж) по похожим товарам и по категории.
- Создается прогнозная модель машинного обучения для предсказания спроса.
- Применяются правила бизнес-валидации прогнозов модели: минимальные запасы, логистика, ограничение размеров полки, договорные обязательства.
Компоненты решения
Ниже представлено разбиение решения на отдельные функциональные модули:
- Источник данных: карточки товаров, история продаж, история промо, планируемые акции
- Модуль LLM: извлечение признаков
- Модуль поиска аналогов
- Модуль прогнозирования: ML-модель + бизнес-правила
- Интерфейс: API или дашборд
Заключение
Автоматизация ввода новых товаров — это шаг к более гибкому и точному управлению ассортиментом. Внедрение технологий машинного обучения позволяет ритейлу быстрее реагировать на рынок и снижать операционные издержки. В условиях растущего ассортимента, ускоряющегося товарооборота и необходимости быстрого реагирования на рыночные тренды, ручные методы оценки спроса становятся узким местом, ограничивающим рост.
Кроме того, внедрение такой системы открывает возможности для:
- Масштабируемости: обработка тысяч новых товаров без увеличения штата аналитиков;
- Интеграции с бизнес-процессами: автоматическая подача прогноза в ERP/CRM-системы, планирование закупок и логистики;
- Адаптации к изменениям: быстрая переоценка спроса при изменении описания, цены или условий поставки;
- Обратной связи: накопление ошибок прогноза и их использование для обучения модели и улучшения точности.
Технологии машинного обучения позволяют превратить описание товаров в источник структурированных признаков, автоматически находить релевантные аналоги и строить прогнозы спроса с учетом сезонности, ценовой политики и логистических ограничений. Это снижает зависимость от экспертных оценок, минимизирует человеческий фактор и ускоряет запуск новинок.
Дополнительно
«Автозаказ работает на нас»: опыт сети «Хорошее дело» с решением Datanomics
Прогнозирование спроса с учетом погодных факторов
Вопросы и ответы: Искусственный интеллект для прогнозирования спроса