Разработка AI-системы для прогнозирования спроса
Прогнозирование спроса — основа планирования производства, закупок и логистики. Разрыв между прогнозом и реальностью конвертируется напрямую в write-offs излишков или упущенные продажи. AI-система сокращает MAPE с 20-30% (типично для Excel-методов) до 8-12% при правильной постановке задачи.
Специфика задачи по вертикали
Производство с плановым горизонтом: Горизонт 3-6 месяцев из-за production lead time. Точность важна для экономии на сырье, не для operativного управления. Данные: исторические заказы, фичи рынка, мощности конкурентов.
FMCG / Ритейл: Горизонт 1-4 недели, высокая частота. Промо-лифты могут давать +100-300% к базовому спросу. Необходимо разделять baseline demand и incremental от промо.
E-commerce: Горизонт 1-7 дней. SKU-уровень прогноза для dynamic pricing и inventory positioning. Экстремальная сезонность (Black Friday).
Услуги (телеком, банки): Спрос на сервис, а не физический товар. Нет физического запаса, но есть мощности (операторы КЦ, серверная инфраструктура).
Архитектура системы прогнозирования
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
Промо-моделирование
Промо-акции — наибольший источник ошибки в demand forecasting:
Decomposition:
Total Demand = Baseline Demand + Incremental Demand (Promotional Lift)
Lift = f(discount_depth, mechanic, category, brand_strength)
Промо-лифт модель:
# LightGBM регрессор для lift prediction
lift_features = {
'discount_pct': 20.0, # 20% скидка
'mechanic': '2+1', # механика
'display_flag': 1, # выкладка на дисплее
'leaflet_flag': 0, # нет в листовке
'competitor_promo': 0, # нет промо конкурента
'category': 'soft_drinks',
'brand_strength': 0.8,
'seasonality_index': 1.2
}
predicted_lift = lift_model.predict([lift_features])
# predicted_lift = 1.85 (т.е. +85% к базовому спросу)
Cannibalization & Halo: При промо на SKU A часть продаж перетекает с SKU B (cannibalization). Сопутствующие SKU могут вырасти (halo effect). Матрица cross-SKU эффектов → корректировка прогнозов по всей категории.
Иерархическое прогнозирование
Total Company Forecast
└── By Category
└── By Brand
└── By SKU
└── By Location (склад/магазин)
Reconciliation:
- Bottom-up: суммируем прогнозы SKU × Location
- Top-down: делим прогноз топ-уровня по историческим долям
- MinT (Minimum Trace): матричная операция, теоретически оптимальная
Для 10,000 SKU × 50 складов: 500,000 прогнозов ежедневно. Нужны эффективные глобальные модели, не индивидуальные.
New Product Introduction (NPI)
Новые SKU без истории — отдельная задача:
- Аналог-based: прогноз на основе продаж похожих продуктов при запуске
- Attribute-based: регрессия на характеристики продукта (бренд, категория, цена) для предсказания launch curve
- Bayesian prior: начальный прогноз = аналогичный SKU, обновляется по мере поступления первых продаж (Bayesian update)
Интеграция и активация прогнозов
Автоматические заказы (VMI — Vendor Managed Inventory): Прогноз спроса → расчёт ROP и EOQ → формирование purchase orders → EDI 850 поставщику.
S&OP интеграция: Прогнозы экспортируются в S&OP (Sales & Operations Planning) систему (SAP IBP, Anaplan, Kinaxis Maestro) через API для согласования с production plan.
Accuracy tracking:
Forecast Accuracy = 1 - WMAPE
WMAPE = Σ |Actual - Forecast| / Σ Actual (weighted по объёму)
Дашборд по точности на всех уровнях иерархии — ключевой KPI команды S&OP.
Сроки: базовая система с LightGBM для 1000+ SKU и промо-флагами — 6-8 недель. Полноценная иерархическая система с NPI, reconciliation и ERP-интеграцией — 4-6 месяцев.