Две ошибки спроса, и обе стоят денег
В ритейле и производстве цена ошибки спроса считается дважды — и в обе стороны:
- Закупили больше, чем продадят. Списания, замороженные деньги, занятый склад. Для скоропортящегося это прямой убыток, для остального — замороженный оборотный капитал.
- Закупили меньше, чем купят. Пустая полка. Клиент не нашёл товар — ушёл, иногда навсегда. Упущенная продажа плюс долгосрочная потеря лояльности.
Между этими крайностями — узкая зона, где закупка точно соответствует спросу. ИИ-прогноз и нужен, чтобы попасть в эту зону, а не «закладывать с запасом» или «заказывать по ощущению».
Почему «по средней за прошлую неделю» не работает
Это самый частый способ заказа без ML. И он стабильно ошибается, потому что:
- не учитывает день недели и месяц (продажи в субботу не равны продажам во вторник);
- не учитывает акции (скидка удвоила продажи, а заказ по старой средней — дефицит);
- не учитывает сезон и праздники (мандарины в декабре, шапки в ноябре);
- не учитывает внешние факторы (похолодание ведёт к чаю и лекарствам, концерт рядом — к воде и снекам).
Ручной заказ «по опыту» по тысячам SKU физически не учитывает всё это одновременно. Модель — учитывает.
Из чего состоит прогноз
Прогноз спроса — это не «одна нейросеть», а пайплайн из нескольких решений:
- Чистая история продаж. Убираем разовые оптовые покупки, сбои учёта, периоды дефицита (когда товара не было — это не «низкий спрос»). Без этого модель учится на искажениях.
- Факторы. Сезонность годовая и недельная, календарь акций и праздников, ценовые изменения, погода, события рядом с точкой.
- Модель. Градиентный бустинг или специализированные модели временных рядов. Для больших каталогов — кластеризация товаров со схожим поведением (учиться по группе, где по одному SKU данных мало).
- Гибрид для новинок. Товарам без истории — контентные признаки похожих позиций и экспертная оценка. Не «угадывать», а переносить выученное.
- Регулярный пересчёт. Прогноз обновляется (например, ежедневно), заказчик видит рекомендацию и может скорректировать.
Кейс: сеть супермаркетов
40 магазинов, 6000 SKU, из них 1200 — скоропортящиеся. Заказ вручную «по прошлой неделе»: списания до 6% оборота по молочке и регулярный out-of-stock по ходовым позициям.
Что сделали за 6 недель до пилота:
- 30 месяцев истории продаж по SKU/точке + акции + праздники + погода;
- градиентный бустинг с кластеризацией категорий;
- прогноз на 7 дней вперёд, обновление ежедневно;
- рекомендация заказа в систему закупок с возможностью корректировки.
Результат:
- списания по скоропортящемуся — −23%;
- out-of-stock по ходовым позициям — −31%;
- оборачиваемость выросла на 9%;
- точность прогноза (WAPE): 19% по скоропорту, 12% по базовым товарам.
Кейс под NDA, цифры обезличены. Главный эффект — сеть закупает точнее, меньше выбрасывает, реже подводит покупателей.
Точность: как понимать цифры
«Точность 80%» звучит абстрактно. На практике меряют WAPE (взвешенная средняя абсолютная ошибка): если WAPE 20% — прогноз в среднем отклоняется на 20% от факта по объёму. Для скоропорта WAPE 15–25% — нормальный рабочий уровень, для базовых товаров — 10–15%. Конкретная цель фиксируется до старта и измеряется на отложенной выборке, не «на глаз».
Инфраструктура и закон
Всё на российских серверах, open-source ML. Для прогноза персональные данные покупателей не нужны — работаем с обезличенной историей транзакций. Если используются поведенческие данные — действуем по 152-ФЗ. Часть проектов — под NDA.
Цена и что входит
ИИ-прогноз спроса под ключ — от 600 000 ₽. В сумму: аудит данных, чистка истории и факторы, модель прогноза по SKU/точке/дню, интеграция в систему закупок, замер точности и дообучение. Цена зависит от числа SKU, точек, горизонта и факторов. Срок — 6–9 недель. Эксплуатация — в РФ, отдельно.
По теме
- Интеллектуальное регулирование цен — цена и спрос влияют друг на друга.
- Выкладка товаров в магазинах — контроль полок с помощью компьютерного зрения.
- Персонализированные рекомендации — растят спрос в e-commerce.
- Концепция внедрения ИИ (PoC) — проверить прогноз на одной категории.
Комментарии · 0