ИИ-система прогнозирования продаж

Заказчик: крупнейший российский ритейлер спортивного инвентаря, одежды и обуви. Сеть объединяет сотни магазинов более чем в 100 городах, а ассортимент включает десятки тысяч SKU — от базовых расходных материалов до высокотехнологичного оборудования для профессионального спорта.

Проблема: При огромном ассортименте и широкой географии магазинов неточное планирование приводило к финансовым потерям. В одних регионах возникал дефицит популярных моделей, что снижало общие продажи, в то время как в других – избыток, увеличивающий расходы на хранение и вынужденные списания. Традиционные методы планирования не справлялись с анализом множества внешних факторов, таких как резкие изменения погоды, колебания курсов валют и календарь праздников, что критично для сезонного спортивного ассортимента.

Задача: минимизировать потери от дефицита и профицита товаров через внедрение ML-прогнозирования спроса.

Обычно компании планируют закупки на основе данных за прошлый год. Однако этот подход не учитывает текущие изменения рынка: погоду, колебания курсов валют, календарь праздников и активность конкурентов. Вручную сопоставить и проанализировать влияние всех этих факторов на десятки тысяч товаров практически невозможно.

Как работает ML-прогнозирование? Модели машинного обучения анализируют массивы исторических данных и находят зависимости, которые не видны при стандартном анализе в таблицах. Система выявляет точные причины изменения спроса – например, сочетание конкретных погодных условий, маркетинговых акций и текущих экономических показателей.

Сбор полной базы по продажам, прошлым промо-акциям и релевантным внешним факторам.

Построение архитектуры нейросети, способной находить закономерности в спросе на разные категории спорттоваров.

Проверка эффективности алгоритмов на данных прошлых периодов для подтверждения точности прогноза.

Связка модели с внутренней системой заказов и отчетности ритейлера для автоматизации процессов снабжения.

Внедрена ИИ-система: автоматический учет маркетинга и внешних факторов повысил точность прогноза до 92%.

Объемы избыточных запасов на складах снизились на 8%, а потери из-за списания неликвидного товара сократились на 35%.

Банк данных прогнозов позволяет планировать логистику и закупки с высокой точностью до конкретной недели.