Александр Ветров, старший аналитик в сети продуктовых магазинов. 120 точек, выручка 2 миллиарда, огромная сезонность и влияние внешних факторов.

Проблема

Классические модели прогнозирования давали точность около 75 процентов. Для продуктового ритейла это плохо. Недопрогноз означает дефицит товара, перепрогноз списания. Мы теряли примерно 40 миллионов в год из-за неточных прогнозов закупок.

Пробовали учитывать больше факторов вручную: погоду, праздники, акции конкурентов. Но комбинаций слишком много. Для одного SKU в одной точке получалось 15 переменных. Умножьте на 3000 позиций и 120 магазинов.

Решение

Руководство одобрило пилот с платформой Vena Insights, которая использует ML-алгоритмы для прогнозирования. Мы загрузили три года исторических данных по продажам, добавили внешние факторы через API: погоду, курсы валют, календарь событий.

Первые три месяца модель училась. Точность была хуже наших классических методов. На четвертый месяц алгоритм начал показывать результаты. Главное он находил неочевидные корреляции. Например, продажи молока в конкретном районе зависели от графика работы соседнего завода.

Результат

Через полгода точность прогнозов выросла до 86 процентов. Потери от неточного планирования снизились на 18 миллионов в год. Платформа стоит 8000 долларов ежегодно плюс 120 часов работы аналитика на настройку и поддержку.

Честно скажу: для малого бизнеса это избыточно. ML имеет смысл, когда у вас тысячи SKU, множество точек и реально большие объемы данных. Иначе классические методы работают не хуже и стоят в десять раз дешевле.