Прогнозирование спроса для системы автозаказа
«Наше достижение – теперь почти 90% SKU мы считаем через прогнозный сервис»
Задача

Объект внедрения
Крупный российский сетевой ритейлер 100 магазинов, более 23,500 SKU

Задача
Создать сервис ежедневного прогнозирования спроса для каждого магазина в разрезе SKU с горизонтом планирования 42 дня
Цель проекта
Система автозаказа ритейл сети работала на основе алгоритмов скользящих средних. Для получения корректного объема заказов часто были необходимы ручные правки, особенно для товаров, участвующих в акциях. Целью проекта стала реализация нового алгоритма прогнозирования, позволяющего сократить ручной труд, повысить точность расчета, и его интеграция в 1С.
Решение
Решить указанные проблемы помогли технологии предиктивной аналитики. Ритейлеры, внедрившие прогнозирование методами машинного обучения, выделяют такие преимущества технологии: увеличение точности прогноза до 95%, автоматический прогноз объемов товара на период акций, адаптивность алгоритмов.
Выбор пилотного магазина и тестовых категорий товаров
январь 2019
Разработка прогнозной модели и проверка точности на тестовой выборке
февраль-апрель 2019
Разработка API для интеграции прогнозного сервиса с системой 1С
май 2019
Масштабирование прогноза на все номенклатуры магазина, оценка точности
июнь-август 2019
Подключение всех магазинов к прогнозному сервису
сентябрь 2019
Схема реализации прогноза

Скорость проведения расчетов составляет 15 000 прогнозов в минуту
Результат

Увеличение точности прогноза на 20%
Для ассортимента неакционных товаров

Увеличение продаж на 6%
Благодаря наличию товаров на полке продажи повысились, а недозакупки снизились за счет точности прогноза

Интеграция в бизнес-процессы
Заказчик прогнозирует 90% SKU с помощью сервиса

Снижение потерь на 20%
Уменьшились перезатарка склада на время акций, количество списаний и уценки

Сокращение трудозатрат отдела закупок в 2,5 раза
До внедрения решения в работе были задействованы 15 сотрудников, после запуска проекта – всего 6