Почему склад забит, а продавать нечего: машинное обучение для прогноза спроса
На складе занято почти всё место, но покупателю снова отвечают: «Нужного размера нет». Деньги вложены в товар, который лежит, а востребованную позицию приходится срочно заказывать. Для такой задачи машинное обучение может быть полезнее разговорного ассистента.
ML — это машинное обучение: модель ищет закономерности в данных и строит прогноз. В закупках её интересует, сколько конкретного товара может потребоваться в определённый период. Но сначала я бы проверил, что именно компания считает спросом.
Представим сеть магазинов рабочей одежды в Кузбассе. Продажи утеплённых костюмов зависят от сезона, размеров, корпоративных заказов и сроков поставки. Если в прошлом ноябре популярного размера не было две недели, низкая продажа за этот период не означает низкой потребности. Покупатели могли просто уйти без покупки.
Поэтому в модель нужны не только чеки. Полезны остатки, периоды отсутствия товара, возвраты, акции, цены и сроки поставщиков. Корпоративный заказ на большую партию стоит отличать от повседневных покупок: иначе система может принять разовую закупку предприятия за обычный спрос.
Работа ML-инженера начинается с подготовки этой истории. Нужно согласовать справочники, разобраться с переименованными артикулами и проверить пропуски. Товар, который в трёх магазинах назван по-разному, не должен превращаться в три независимых изделия только из-за ошибок учёта.
Затем строится простой ориентир: например, прогноз по прошлому сезону с поправкой на текущую динамику. Более сложная модель имеет смысл, если даёт полезное улучшение относительно такого способа. Наличие машинного обучения само по себе не делает расчёт экономически выгодным.
Проверяют прогноз на последующих периодах, которых модель не видела во время обучения. Если случайно дать ей сведения из будущего, получится прекрасный результат в отчёте и слабая работа в магазине. Такой риск известен как утечка данных; для временных рядов особенно важно соблюдать порядок дат.
Выход модели — прогноз, а решение о закупке учитывает ещё больше условий: минимальную партию, срок доставки, бюджет, складские ограничения и допустимый риск дефицита. Если поставщик везёт товар месяц, прогноз на завтра мало помогает. Лучше видеть диапазон потребности и понимать последствия отклонений.
В пилоте можно выбрать одну категорию и несколько торговых точек. Оцениваем наличие ходовых размеров, залежавшийся товар, срочные закупки и общую маржу. Снижение ошибки прогноза на бумаге недостаточно, если остатки и обслуживание покупателей не улучшились.
После внедрения модель продолжают проверять. Меняется ассортимент, появляется конкурент, сдвигаются сроки поставок. Старые закономерности могут перестать работать. Нужен человек, который видит ухудшение и решает, когда пересчитать модель или временно использовать простой запасной способ.
Машинное обучение не угадывает будущее безошибочно. Оно помогает принимать решения на более полной основе. Для владельца магазина хороший результат выглядит очень приземлённо: нужный товар доступен, а лишние деньги не лежат на полке в виде непопулярных размеров.
Автор: Главный ML-инженер Международного маркетингового агентства IMA, А. Святославский
#МашинноеОбучение #ML #ПрогнозСпроса #УправлениеЗапасами #РоссийскийБизнес #ИИДляБизнеса #IMA