ИИ переводит процесс в автоматический режим. ML-модели, способные обрабатывать тысячи видов данных, в режиме реального времени находят сложные паттерны и закономерности спроса. Руководителям остаётся лишь сделать выводы.
На российском рынке такие решения развиты лучше всего в крупном ритейле, но их потенциал на этом не заканчивается. Планирование спроса служит фундаментом и тактического, и стратегического бизнес-планирования для любой компании — от фармацевтического гиганта до мясного магазина.
Нажмите на цитаты, чтобы посмотреть кейсы 👇
🔹 X5: двухуровневое ИИ-прогнозирование спроса
«Пятёрочка» и «Перекрёсток» прогнозируют с помощью ИИ выручку и количество чеков по магазинам. Это помогает точнее управлять логистикой, остатками и сводить к минимуму порчу продуктов. С 2020 года компания использует прогностическую ML-модель. Она учитывает около 200 параметров, таких как ценовая эластичность, рекламные активности и остатки товара.
Недавно X5 Tech внедрил ещё один уровень ИИ-аналитики — модель Temporal Fusion Transformer (TFT). Она анализирует данные базовой модели, находит ошибки и корректирует с помощью ещё большего числа источников данных, таких как погода или магазины конкурентов поблизости. Точность базовой модели составляла 70% — TFT увеличила её на 7%.
🔹 «Лемана Про»: алгоритм для предсказания спроса на мастеров
Строительный ритейлер внедрил ML-систему для прогнозирования спроса не на товары, а на услуги своих мастеров. Решение было разработано вместе с IT-компанией GlowByte. Алгоритм анализирует более 350 категорий данных, включая данные программы лояльности, проектные продажи, замеры, конверсию, геоаналитику.
Проект охватывает более 110 магазинов и 90 категорий услуг. При этом прогноз создаётся отдельно для каждой пары услуга-магазин. Прогнозы строятся на 1, 2 и 3 месяца отдельными оптимизированными моделями. Решение повысило точность прогнозов спроса на 15%, а также увеличило GVM (валовую стоимость товара) на 2% за счёт сокращения показателя отказов.
🔹 Производитель бытовой химии Grass: экономия на логистических издержках
Этим летом компания Grass перевела планирование спроса и запасов на платформу Novo Forecast Enterprise. Она позволяет прогнозировать спрос на разные товары и по разным регионам, а также предсказывать эффективность маркетинговых активностей.
Решение использует более 3 000 различных алгоритмов, которые подбирает для анализа разных типов товара. Оно интегрируется с ERP/1С и цепочкой поставок: прогноз → заказ/запасы → логистика. Уже на старте проекта логистические издержки снизились на 5–10%.
🔹 Takeda: облачный сервис прогнозирования продаж брендов
Фармацевтическая компания Takeda Россия вместе с «КОРУС Консалтинг» разработала облачную ИИ-систему прогнозирования спроса в Azure. Она использует историю продаж по брендам и другие факторы, например календарные и рыночные события, влияющие на будущие продажи.
Система даёт точные недельные и месячные прогнозы по брендам и территориям с учётом внешних факторов и настраиваемые сценарии спроса. На основе этих данных компания строит планирование по брендам на будущий финансовый год и корректирует действия отдела продаж.
🔹 «Павловская курочка» (агрохолдинг «Русское поле»): автозаказ на базе ИИ-прогноза
Сеть магазинов курицы из 110 точек модернизировала систему автозаказа, внедрив облачный сервис Datanomics Demand Forecast — SaaS-партнера Yandex Cloud. Прогноз строится по каждой паре магазин-тип товара на дневном уровне с недельным горизонтом и учитывает промо-активности, сезонность и календарные эффекты. Прогнозы интегрированы в контур автозаказа и используются для ежедневного пополнения запасов.
Результат: +40% к точности прогноза относительно прежней системы прогнозирования, и снижение эксплуатационных расходов за счет переноса инфраструктуры из Azure в Yandex Cloud.
Подписывайтесь 👉 @yab2btech