ML-прогнозирование спроса для ритейла и производства

Прогнозирование спроса: ML-решение для ритейла и производства

Ритейлер теряет 3-5% оборота из-за out-of-stock, ещё 2-4% — из-за списаний излишков. Мы разработали ML-систему прогнозирования спроса, которая снижает оба показателя на 30-50% за счёт точных моделей и интеграции с SCM. Экономия от внедрения достигает десятков миллионов рублей в год для крупных сетей. Оцените наш подход на ваших данных — свяжитесь для демо.

Как ML решает задачу иерархического прогноза?

Обычно требуется прогноз на нескольких уровнях: компания → категория → SKU → SKU×склад. Наш подход — global deep learning модели (DeepAR, N-BEATS, TFT), которые обучаются на всех временных рядах одновременно и выдают согласованные прогнозы с помощью reconciliation (MinT). Это экономит ресурсы: одна модель вместо десятков тысяч. Подробнее о reconciliation можно прочитать в статье Hierarchical forecasting.

Почему Global Models эффективнее для крупного ритейла?

Вместо того чтобы обучать отдельную модель на каждый SKU-склад, global модели находят общие паттерны: сезонность, праздники, промо-эффекты. Для клиента с 10 000 SKU × 50 складов это снижает вычислительные затраты в 100 раз (оценка по проектам). Мы используем Temporal Fusion Transformer от Google — state-of-the-art для hierarchical forecasting.

Что делать с прерывистым спросом?

Для редких продаж (intermittent demand) стандартные методы выдаёт MAPE > 200%. Мы применяем Croston, ADIDA, а затем бустинг. В production используем модель, которая выбирает метод в зависимости от частоты продаж. Дополнительно для холодного старта новых SKU внедряем трансфер обучения с похожих товарных групп.

Внешние факторы и их учёт

Влияние промо-активности, погоды, конкурентов — критично. Без их учёта прогноз теряет в точности до 40% на категориях с высокой промо-нагрузкой.

Промо-lift модель — отдельная задача: предсказать incremental спрос от конкретного механизма (скидка vs 2+1). Мы строим causal модели с двойной разностью временных рядов, что позволяет отделить эффект промо от естественных колебаний.

Производственная цепочка

Прогноз спроса → MRP II → закупка сырья. Интеграция через API с SAP S/4HANA IBP, Oracle SCM или Kinaxis. Опыт внедрения таких решений — 5+ лет, более 20 проектов. Средняя экономия на одном проекте — существенная сумма за счёт снижения списаний и out-of-stock.

Метрики и бэктестинг

Для оценки точности используем walk-forward validation: обучаем до даты D, прогнозируем на 28 дней, сдвигаемся. Метрики: SMAPE (не взрывается при малых значениях), RMSSE (нормирован на наивный прогноз), Bias (важен для запасов). Сравнение ML vs Naive: ML снижает RMSSE на 35% (по данным последних проектов). Для перекрёстной проверки применяем временные срезы — это даёт реалистичную оценку на отложенных данных.

Состав проекта и сроки

Поставка включает: документацию (model card, feature store, pipeline diagram), API-сервис прогнозов (gRPC/REST), обучение модели на ваших данных, интеграцию с WMS/ERP и поддержку в течение 3 месяцев. Базовая LightGBM модель для 1 000–10 000 SKU — 4–6 недель. Полное иерархическое решение с промо-лифтом — 4–6 месяцев. Получите консультацию по вашему сценарию — мы рассчитаем точные сроки и KPI после первого бэктеста.

Как внедрить ML-прогнозирование: пошаговый план

1. Анализ данных и выделение SKU-категорий.
2. Построение baseline (наивный прогноз + ARIMA).
3. Разработка global DL модели или LightGBM с лагами.
4. Бэктестинг и корректировка модели.
5. Промо-lift model (если нужна).
6. Интеграция и деплой API.
7. Мониторинг точности и ретрайнинг.

Мы прошли этот путь с десятками клиентов — минимальный ROI от внедрения составляет 200% за счёт сокращения списаний и роста продаж. Обсудите ваш сценарий с нашими инженерами.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.