Проект по внедрению системы прогнозирования спроса товаров в розничной сети

Предпосылки проекта

Ошибки в алгоритмах по прогнозированию спроса. В заказчике была реализована система автозаказа в 1С. Прогнозирование спроса для модуля автозаказа работало, но с неудовлетворительной точностью. Функции так же были ограничены, например, не учитывались планируемые акции на товары. Ритейлер нес значительные убытки (3% от годового оборота) из-за невозможности точно спрогнозировать количество товарных позиций для закупки. Спрос есть - товара не хватает. Одновременно, ошибки в прогнозировании приводили к переизбытку товаров – продукты не раскупались, а срок хранения – истекал.

Что предстояло решить

• Создать сервис прогнозирования спроса с точностью прогноза до 90%.

• Система должна применять товарные номенклатуры на каждый календарный день, иметь горизонт планирования 40 дней и использоваться в модуле автозаказа.

• Автоматизировать процесс заказа продуктов
  Снизить количество списанного товара

Мы внедрили решение на базе облачных сервисов Microsoft Azure по автоматизации рабочих процессов, используем технологии искусственного интеллекта и аналитики данных.

Заказчику мы предложили создать пилотный проект по прогнозированию спроса на облачной платформе Microsoft Azure с использованием алгоритмов предиктивной аналитики. За основу прогноза - взять исторические данные о продажах ритейлера за последний год.

Предиктивная аналитика отличается от традиционного анализа — это не программирование алгоритма. Мы обучаем модель решать обозначенную задачу на предоставленных данных, то есть используем технологии машинного обучения. Сервис собирает данные (адреса торговых точек, базу данных по номенклатурам, цену, дату, время продажи товара, информацию по поступлениям и остаткам), обрабатывает и анализирует, после чего составляет прогноз. Интеллектуальная технология способна учитывать и внешние факторы – праздники, выходные дни, курсы валют, что повышает точность прогноза.

Пилот мы внедрили в одном из магазинов сети ритейлера на тестовой категории товаров. Разработали прогнозную модель и проверили на выборке продуктов, обучили персонал работе с системой.

Пилотный проект показал успешные результаты. Технология машинного обучения повысила точность автоматического прогноза спроса ритейлера до 98%, автоматизировала процесс заказа продуктов и снизила процент списания товаров.

Компания «СИНТО» выполнила все требования заказчика, достигнув выдающихся результатов:

✔ Внедрили систему прогноза спроса.

✔ Автоматизировали процесс заказа продуктов.

✔ Снизили процент списания товаров.

Комментарий

«Под задачу был создан API для интеграции прогнозного сервиса с системой 1С подрядчика. Программный продукт не требует приобретения и поддержки специального оборудования или ПО. Прогноз передаётся через разработанный под потребности заказчика интерфейс или таблицу. Мы довольны результатом, проект показал свою жизнеспособность и уже активно используется в сети ритейлера. Планируем новые проекты совместно с заказчиком с использованием технологий машинного обучения», - Дмитрий Калин, руководитель проекта, компания  «СИНТО».