ML-сервис прогнозирования спроса

Компания клиента производит и реализует в России товары нескольких торговых марок. Название компании не разглашается по условиям NDA. Чтобы продавать товары в разных регионах страны, компания должна заранее — за год, полугодие, квартал — договариваться о производстве, поставках и строить распределительные центры. Для этого ей нужно знать, какое количество товара, в какой точке, в какое время и по какой цене должно храниться и продаваться. 

Разработали ML-модель

Мы автоматизировали прогнозирование спроса на товары компании с помощью модели на основе машинного обучения.

Готовые коробочные решения не подходили клиенту, потому что точность их прогнозирования не соответствовала стандартам головного офиса, а затраты на их доработку оказались выше затрат на разработку собственного решения, поэтому мы разработали кастомное решение.

Модель с помощью AI помогает рассчитать, какое количество товаров, каких торговых марок, когда и где нужно продавать, чтобы выполнять квартальные и годовые планы магазинов по розничному товарообороту (РТО) и маржинальности.

• Модель использует исторические данные по продажам, которые максимально подробно описывают динамику спроса в прошлом.
• Дополнительно формирует ряд признаков, этот набор подается на вход модели машинного обучения.
• В ходе обучения модель извлекает закономерности между признаками и спросом.
• На основе этих закономерностей дальше формирует прогноз спроса.

Кроме разработки самой ML-модели мы должны были помочь собрать и проанализировать данные, выявить закономерности и определить какие факторы влияют на спрос и результаты прогноза. А также провести интеграцию с существующей системой коммерческого планирования и добиться того, чтобы менеджеры по логистике начали планировать складские запасы на основе полученных прогнозов.

Проанализировали учет данных и нашли ошибки

У клиента не было какой-то единой и строгой системы сбора данных, поэтому могли быть ошибки, пропуски, проблемы со сбором. При анализе данных и обучении модели, мы должны были преодолеть эти проблемы, при этом не увязнуть в процессе, но и добиться необходимой точности прогноза. 

Мы искали не просто неправильные показатели продаж, цены и спроса. Мы искали методологические ошибки сбора и очищали данные от них. Например, изучили статистические отчеты и графики распределения цен, нашли аномальные распределения, залезли в таблицы с цифрами и обнаружили, что часть стоимостей заносились с учетом НДС, а другие — нет.

Результат

Модель прогнозирования спроса на основе ML помогла увеличить выручку международной компании на 2%, повысила прибыльность маркетинга на 7% и сократила расходы на планирование в 3,5 раза.