Ручное прогнозирование спроса в Excel приводит к MAPE 20-30%. Для ритейлера с 50 000 SKU это выливается в потери миллионов долларов ежемесячно из-за write-offs или дефицита. Мы автоматизируем ML-пайплайны, снижающие ошибку до 8-12% за счёт промо-моделирования, иерархического согласования и автоматического feature engineering. Независимо от вертикали — производство, FMCG, e-commerce или услуги — ключевые проблемы одинаковы: качество данных, промо-эффекты и масштабирование. Наши решения адаптированы под специфику бизнеса: для ритейла — короткие горизонты и промо-лифты, для производства — долгосрочные прогнозы и учёт макроиндикаторов. Снижение MAPE с 20% до 8% позволяет сократить write-offs на $150k–200k в год для сети из 500 магазинов. Экономия на логистических издержках достигает $100k–120k. Частая ошибка — игнорирование промо-календаря и сезонных паттернов, что приводит к перекосам прогнозов. Мы используем автоматический подбор признаков и ансамбли моделей для повышения робастности.
Специфика задачи по вертикали
Производство
Горизонт 3-6 месяцев из-за lead time, ключевой KPI — точность для планирования сырья. Данные: исторические заказы, макроиндикаторы.
FMCG / Ритейл
Горизонт 1-4 недели, промо-лифты до +300%. Разделение baseline demand и incremental — основная сложность.
E-commerce
Горизонт 1-7 дней, SKU-уровень, экстремальная сезонность (Black Friday). Требуются глобальные модели для 100 000+ SKU.
Услуги
Нет физического запаса, но есть мощности (операторы КЦ, серверы). Прогнозируется нагрузка, а не товар.
Как ML-модели справляются с промо-эффектами?
Промо — крупнейший источник ошибок. Декомпозиция Total Demand = Baseline + Incremental Lift позволяет моделировать лифт отдельно. Пример: LightGBM регрессор для лифта принимает фичи discount_pct, mechanic, display_flag, brand_strength и выдаёт коэффициент — например, 1.85 (+85%). Кросс-SKU эффекты (cannibalization и halo) корректируют прогнозы по всей категории через матрицу cross-elasticities. LightGBM превосходит Prophet в 1.15-1.2 раза по MAPE для краткосрочных прогнозов с промо-акциями.
lift_features = { 'discount_pct': 20.0, 'mechanic': '2+1', 'display_flag': 1, 'leaflet_flag': 0, 'competitor_promo': 0, 'category': 'soft_drinks', 'brand_strength': 0.8, 'seasonality_index': 1.2 } predicted_lift = lift_model.predict([lift_features]) Почему иерархическое прогнозирование критично для 10 000 SKU?
Иерархия: Total → Category → Brand → SKU → Location. Ручное согласование 500 000 прогнозов ежедневно невозможно. MinT (Minimum Trace) даёт несмещённые оценки на всех уровнях. Сравнение методов:
| Метод | Точность (WMAPE) | Скорость | Интерпретируемость |
|---|---|---|---|
| Bottom-up | Средняя | Высокая | Высокая |
| Top-down | Низкая | Высокая | Средняя |
| MinT | Высокая | Средняя | Низкая |
| Optimal Combination | Высокая | Низкая | Низкая |
Мы используем гибрид: статистические методы для длинных горизонтов и ML для коротких, агрегируя через MinT.
New Product Introduction (NPI)
Новые SKU без истории — частая боль. Три подхода:
- Аналог-based: прогноз на основе продаж похожих продуктов при запуске.
- Attribute-based: регрессия на характеристики (бренд, категория, цена).
- Bayesian prior: начальный прогноз = аналог, обновляется по первым продажам.
| Метод | Точность старта | Адаптация | Необходимые данные |
|---|---|---|---|
| Аналог-based | Средняя | Низкая | История аналогов |
| Attribute-based | Низкая | Средняя | Характеристики |
| Bayesian prior | Высокая | Высокая | Продажи 1-4 недели |
Архитектура системы прогнозирования
Полный pipeline: от данных до прогнозов
Data Sources → Feature Engineering → Model Training → Forecast → Activation Data Sources: ├── Internal: ERP sales, WMS, CRM ├── External: macro data, weather, search trends └── Promotional: trade calendar, planned campaigns Feature Engineering (dbt / Spark): ├── Temporal lags: t-1, t-7, t-28, t-52 (weeks) ├── Rolling aggregations: 4w, 13w, 52w ├── Promotional features: lift estimation, channel flags └── External features: weather index, macro indicators Model Training (MLflow): ├── Baseline: Seasonal Naive, ETS ├── Statistical: Prophet, SARIMA ├── ML: LightGBM, DeepAR └── Ensemble: Stacking / Weighted Average Forecast Generation: └── Hierarchical reconciliation → SKU × Location prognoses Как построить baseline прогноз для новых SKU?
- Соберите данные о стартах аналогичных SKU за последние 2 года.
- Выделите атрибуты: бренд, категория, ценовой сегмент, сезон запуска.
- Постройте регрессионную модель для предсказания первых 4 недель продаж.
- Используйте Bayesian update: каждую неделю корректируйте прогноз на основе фактических продаж.
Этот подход даёт точность старта WMAPE 15-18% против 30% при наивной средней.
Интеграция и активация прогнозов
Система экспортирует прогнозы в S&OP (SAP IBP, Anaplan) через API и генерирует purchase orders для VMI. Accuracy tracking: 1 - WMAPE на дашборде. Мы гарантируем прозрачность: model card, SHAP-отчёты, документация пайплайна. Благодаря точности прогнозов наши клиенты сокращают издержки хранения на 20-30%.
Что входит в работу (deliverables)
- Аудит источников данных и очистка.
- Feature engineering pipeline (dbt/Spark).
- Обучение и валидация модели (MLflow).
- Документация архитектуры и model card.
- Интеграция с ERP/S&OP через API.
- Обучение команды и поддержка 3 месяца.
Оценим ваш проект за 2-3 дня — свяжитесь с нами. Опыт 5+ лет, 30+ внедрённых demand forecasting систем для ритейла и производства. Типовые сроки: базовая система с LightGBM для 1000+ SKU — 6-8 недель, полноценная иерархическая система с NPI и reconciliation — 4-6 месяцев. Получите консультацию, чтобы обсудить детали.