Эффективное управление запасами: как ИИ помогает находить баланс между дефицитом и излишком

Фото: EugeneSergeev / Фотобанк Лори

Баланс между излишком и дефицитом товара — стратегическая задача для ритейлеров, представителей онлайн-торговли и производителей. Избыточные запасы приводят к высоким затратам на хранение и убыткам из-за списания продукции, в то время как дефицит –  к упущенной выгоде и снижению клиентской лояльности. Для того чтобы избежать этих рисков, компаниям необходимо точно планировать закупки товара. 

О том, как искусственный интеллект повышает эффективность решения этой задачи, рассказал Максим Иванов, директор по искусственному интеллекту ООО "Сбер Бизнес Софт"

Для всех участников цепочки поставок — от производителей до розничных магазинов — точное прогнозирование спроса является основой эффективного управления. Это помогает своевременно планировать объемы производства, организовывать поставки и минимизировать издержки. Что особенно актуально для небольших розничных сетей и супермаркетов, где нет обширных складских помещений, а товары напрямую поступают на полки. Без грамотного планирования закупок ритейлеры рискуют столкнуться с двумя крайностями: пустыми полками или перегруженными складами.

Методы прогнозирования: от классических к машинному обучению

Для решения задачи прогнозирования спроса используются две основные группы методов: классические и на базе искусственного интеллекта.

Классические подходы, такие как регрессионный анализ (помогает оценить влияние различных факторов, например, цены, рекламы, времени года, на спрос), скользящие средние (используются для сглаживания краткосрочных колебаний спроса, чтобы лучше понять долгосрочные тренды), сезонные модели (например, SARIMA, которые учитывают повторяющиеся изменения спроса в течение разных периодов времени (например, увеличение продаж новогодних товаров в декабре или на выходных), базируются на статистическом анализе данных. Однако все они имеют ограничение в объеме обрабатываемой информации. Кроме того, создание прогнозов, как правило, может занимать много рабочего времени специалистов по работе с данными. 

С внедрением искусственного интеллекта процесс построения прогнозов спроса постепенно меняется. На стороне человека остаются только задачи формирования набора данных для обучения модели и последующей проверки качества полученных результатов. В некоторых случаях применение такого подхода может сократить время на прогнозирование до 90%. Кроме того, ML-модели не только анализируют исторические данные, но и постоянно обучаются на новых, что позволяет им быстро адаптироваться к изменениям. Это позволяет ритейлерам более эффективно использовать свои ресурсы и улучшать бизнес-планирование.

Несмотря на автоматизацию, проверка точности прогнозов человеком остаётся важным этапом, в том числе и для того, чтобы дальше отталкиваясь от результатов анализа предпринимать дальнейшие действия. Машина здесь — помощник, который обрабатывает данные и формирует прогнозы, а уже решение принимает человек. 

Как работает прогнозирование спроса на базе ML

Алгоритм работы с ML-моделью включает несколько этапов: получение исторических данных, обучение модели на этих данных и дальнейшее использование обученной модели для создания прогнозов на динамически обновляющихся данных. 

Для успешного прогнозирования необходимы качественные данные. Ключевую роль играют данные о продажах: что, где и в каком объеме продавалось, по какой цене и в какие дни. Особенно важно учитывать товарные остатки с детализацией по дням, чтобы выявлять ситуации, когда продажи ограничивались не спросом, а нехваткой товара. Чеки — ещё один важный источник информации. Они помогают выявить взаимосвязи между товарами: например, макароны часто покупают вместе с томатным соусом – анализируя такие взаимосвязи, можно строить более точные модели и предлагать сопутствующие товары, что повышает лояльность клиентов и выручку. Промоактивности (скидки, акции "1+1", подарки) также играют важную роль. Эти данные позволяют учитывать влияние маркетинговых механик на спрос и точно прогнозировать поведение покупателей в ответ на специальные предложения. Например, если покупатель регулярно участвует в акции "купите 2 упаковки кофе и получите чашку в подарок", система может предсказать, что в следующий раз он охотнее отреагирует на предложение со скидкой на кофе при покупке трех упаковок.

Сложности внедрения

При этом самая часто встречающаяся проблема компаний — недостаток данных. Для создания эффективной ML-модели требуется информация по продажам, как минимум, за два года, чтобы учесть сезонность и замкнуть полный цикл наблюдений. Однако многие компании только недавно начали оцифровку процессов и не накопили достаточный объем информации. 

Поэтому первым шагом к качественному прогнозированию спроса на базе ИИ должно стать внедрение системного подхода к накоплению и работе с данными. 

Для начала важно определить источники данных: это могут быть ERP-системы, CRM, данные о продажах, остатках на складах, маркетинговых активностях и даже внешние источники (погодные условия, макроэкономические показатели). Данные необходимо оцифровать и структурировать: убедиться в их качестве, устранить пропуски, дублирования и аномалии. 

Критический минимум данных — это справочник товаров, исторические продажи, информация по товарным остаткам, исторические цены и промо. Важно, чтобы данные собирались в структурированном виде, а таблицы и базы данных были связаны между собой. Например, данные о продажах и остатках товаров должны быть связаны через уникальные идентификаторы или унифицированные наименования товаров. Кроме того, необходимо собирать подробную информацию о каждой продаже: не агрегировать данные по неделям, а фиксировать каждую транзакцию с деталями — когда и по какой цене был продан товар, применялась ли скидка или акция. Чем точнее и детальнее оцифровка данных, тем более качественными и точными будут прогнозы, и их можно будет адаптировать для различных сегментов и задач. На этом этапе также проводится нормализация данных (приведение их к единому формату) и их детальная сегментация для выделения ключевых факторов, которые будут использоваться в прогнозировании.

На основе собранных данных создается создаётся и обучается ML-модель. Сначала определяется целевая переменная (например, прогноз продаж конкретного товара) и набор признаков (факторы, которые влияют на результат). Данные делятся на тренировочный и тестовый наборы. Модель обучается на тренировочных данных, а затем проверяется на тестовых, чтобы оценить её точность и стабильность. Процесс может включать подбор гиперпараметров, перекрёстную проверку (cross-validation) и создание нескольких вариантов моделей для выбора наиболее точной. 

После обучения модель проходит этап тестирования на реальных данных. Здесь важно проверить её работу в реальных условиях и убедиться, что результаты соответствуют ожиданиям. Если результаты удовлетворяют, модель интегрируют в операционные системы компании. Для этого она связывается с существующими бизнес-процессами, такими как автоматизация закупок или логистики.

Внедрение модели — это не конец процесса. Чтобы она оставалась эффективной, необходим регулярный мониторинг её работы. Важно отслеживать показатели точности и вовремя обновлять модель, учитывая новые данные. Например, сезонные изменения или изменения в поведении покупателей могут потребовать дообучения или полной перестройки модели. Этот процесс — итеративный: компании постоянно адаптируют решения, чтобы добиваться большей точности и эффективности работы ИИ.

Кейсы и результаты

Применение искусственного интеллекта (ИИ) для прогнозирования спроса в сфере торговли активно растет. Среди крупных ритейлеров использование ИИ уже стало стандартом для планирования закупок и оптимизации складских запасов. 

Пример 1

Компания внедрила ML-модель для прогнозирования спроса на яйца в разрезе торговых точек на 23 недели вперед. Это позволило снизить ошибки в прогнозах ключевых товаров на 40,2% по сравнению с традиционными методами и обеспечить точное планирование и оптимизацию запасов.

Пример 2

Крупный дистрибьютор косметики "Градиент" использует ИИ для прогнозирования спроса как на этапе закупок, так и при перепродаже товара розничным сетям. В случае дистрибьютора важно точно спрогнозировать объемы закупки и поставки, так как неправильные прогнозы могут привести к штрафам от партнеров. Это особенно критично в условиях обязательств по контрактам с ритейлерами, требующими поставки определенных позиций в срок.     

ИИ для прогнозирования спроса используют и производители, которые также сталкиваются с необходимостью оптимизации процессов продаж и поставок. Ярким примером является компания "Абрау-Дюрсо" — крупный производитель игристых вин с собственной розничной сетью. Компания внедрила ИИ-модель для долгосрочного годового планирования продаж и краткосрочного планирования на 10 недель, значительно улучшив тем самым качество прогнозов, что позволило снизить издержки на хранение и списания товаров и повысить прибыльность бизнеса. 

В заключение

ИИ помогает ритейлерам и производителям  значительно повысить точность и скорость получения прогнозов. Однако, чтобы прогноз начал приносить пользу, его результаты необходимо интегрировать в бизнес-процессы, такие как планирование поставок, управление складом и автоматизация заказов. Это, в свою очередь, позволяет снизить логистические затраты, оптимизировать оборотные средства и повысить уровень обслуживания клиентов. Эффективное управление запасами позволяет минимизировать как излишки, так и дефициты, улучшая рентабельность бизнеса. 

Уже сейчас треть российских компаний используют технологии ИИ в своей работе. Из тех, кто уже начал внедрять ИИ в свои процессы, 68% отмечают, что он оказал влияние приблизительно на 1–5% EBITDA компании. При этом, е-com компании опережают традиционный ритейл в использовании ИИ: так, генеративные технологии применяют 67% компаний интернет-торговли и менее 10% ритейла.В будущем ИИ будет играть еще более важную роль в повышении конкурентоспособности ритейлеров, позволяя им точнее удовлетворять запросы клиентов и адаптироваться к быстро меняющимся рынкам.