Прогнозирование спроса для системы автозаказа

Задача

Создать сервис прогнозирования спроса для каждого магазина Заказчика в разрезе товарных номенклатур на каждый календарный день с горизонтом планирования 40 дней для использования в модуле автозаказа.

Решение

У сетевого ритейлера уже была реализована система автозаказа в 1С, но прогнозирование спроса для модуля автозаказа работало с неудовлетворительной точностью, требовалось постоянное обновление алгоритмов, а функции были ограничены, например, не учитывались планируемые акции на товары.

Ритейлер решил попробовать технологии предиктивной аналитики. Основное отличие от традиционного анализа — это не программирование алгоритма, а обучение модели решать обозначенную задачу на предоставленных данных. Такие алгоритмы называются алгоритмами машинного обучения, и они начинают вытеснять существовавшие до сих пор подходы к аналитике.

Этапы создания решения:

1. Выбран пилотный магазин и тестовые категории товаров
2. Разработана прогнозная модель и протестирована точность на тестовой выборке
3. Масштабирование прогноза на все номенклатуры магазина, оценка точности
4. Разработан API для интеграции прогнозного сервиса с системой 1С
5. Подключение всех остальных магазинов Заказчика к прогнозному сервису

Результат

1. Увеличение точности прогнозирования для неакционных товаров на 20%

2. Внедрение функционала прогнозирования спроса во время акций.

3. Cнижение перезатарки на время акций и уменьшение потерь на списание и уценку.

4. Увеличение продаж за счет наличия товара на полке, а также снижение недозакупок за счет увеличения точности прогноза.