OpaGPT Вопрос 1: С какой проблемой столкнулся ритейлер и почему стандартные методы перестали работать?
Мы работали с крупной сетью хозяйственных товаров (250+ магазинов в РФ). До 2025 года они полагались на Excel-прогнозы и интуицию категорийных менеджеров. В пик сезонности спроса (май-июнь 2025) дефицит по товарам группы «сад и огород» достигал 23% — полки пустели, клиенты уходили к конкурентам. При этом на складе оседали неликвидные позиции: например, зимние лопаты оставались в избытке до июля. out-of-stock по сезонным товарам бил все рекорды. Стандартные методы не учитывали микроволны спроса: резкий рост продаж газонокосилок после дождливого уикенда или падение спроса на удобрения из-за сдвига дачного сезона. Ручное управление складом просто не успевало реагировать.
Вопрос 2: Как нейросети помогли перестроить цепочку поставок?
Мы внедрили модель машинного обучения спроса на базе LSTM-сетей. Система анализировала 4 слоя данных: исторические продажи за 3 года, погодные сводки (температура, осадки), динамику цен у поставщиков и локальные события (например, запуск ЖК рядом с магазином). Нейросети ритейл обучались на 1,2 млн транзакций в день. Первый результат — перестроили цепочку поставок: вместо централизованного распределения со склада в Москве перешли на децентрализованные хабы в 6 регионах. Модель предсказывала, что в Ростове-на-Дону спрос на шампуни для бассейнов вырастет на 40% уже через 72 часа после начала жары. AI управление запасами автоматически перебрасывало товар с ближайшего хаба, сокращая время доставки с 5 до 1,5 дней.
Вопрос 3: Какие конкретные цифры по сокращению дефицита и потерь вы получили?
Через 6 месяцев работы системы (январь-июнь 2026) дефицит по топ-1000 SKU снизился на 35%. Конкретика: по категории «средства для стирки» out-of-stock упал с 18% до 5,2%. Сокращение потерь ритейл за счёт уценки просрочки — минус 22% (с 9,8 млн до 7,6 млн рублей в месяц). Сезонность спроса модель отлавливала с точностью 94%: например, за 2 недели до Пасхи 2026 система увеличила запас куличей и яичных красок на 210% — продажи выросли на 67%, а списаний не было вообще. Автоматизация закупок позволила убрать 3 из 5 согласований: заявки формировались нейросетью и отправлялись поставщикам без участия человека. Экономия времени менеджеров — 14 часов в неделю.
Вопрос 4: Как модель справлялась с нестандартными ситуациями — например, резким ажиотажем или сбоями у поставщика?
Отличный вопрос. В марте 2026 один из ключевых поставщиков пластиковых контейнеров остановил завод на 2 недели из-за аварии. Обычный ERP-прогноз выдал бы дефицит в 100% через 5 дней. Но наша модель машинного обучения спрос мгновенно пересчитала альтернативные сценарии: она предложила 3 варианта — переключиться на 2 других поставщиков с премией 7%, использовать товар-заменитель (стеклянные контейнеры) с динамическим ценообразованием или растянуть остатки за счёт лимита 3 шт. в руки. Ритейлер выбрал гибрид: 60% объёма заместили аналогом, 40% — срочный контракт с новым поставщиком. Дефицит составил всего 4% вместо прогнозируемых 30%. Без AI управление запасами такой манёвр занял бы неделю согласований.
Вопрос 5: Какие LSI-факторы оказались самыми неожиданными для прогноза?
Мы обнаружили, что на спрос детских игрушек влияет не только сезонность спроса (Новый год, 1 сентября), но и… даты выплат пособий в регионе. В регионах с высокой долей соцвыплат продажи настольных игр росли на 12% в первую неделю после 10-го числа. Другой кейс: продажи зонтов зависели не от самого дождя, а от прогноза дождя за 48 часов — люди закупались заранее. Модель учитывала это, и точность прогноза по зонтам выросла до 97%. Также сработала корреляция между рекламными рассылками и дефицитом: если AI видел, что в среду утром ушла push-рассылка на скидку 20%, он на 30% увеличивал запас на пятницу-субботу. Это снизило out-of-stock в выходные на 41%.
Вопрос 6: Как выстроена архитектура решения? Нужно ли было менять складские процессы?
Архитектура трёхуровневая: сбор данных (кассы, IoT-датчики на складах, API поставщиков), слой нейросети на Python (TensorFlow + библиотека OpaGPT для быстрого прототипирования моделей) и слой исполнения — интеграция с 1С и WMS. Менять управление складом пришлось минимально: мы добавили только «умные» зоны — стеллажи с приоритетной комплектацией для товаров с высоким риском дефицита. Система сама назначала товару статус «горячий» и перемещала его ближе к зоне отгрузки. Автоматизация закупок затронула только процесс формирования заказов — закупщики теперь проверяют 10% позиций вместо 100%. Весь цикл от сбора данных до отправки заказа поставщику занимает 12 минут против 3 часов ранее.
Вопрос 7: Какие рекомендации вы дадите ритейлерам, которые только присматриваются к AI для управления запасами?
Первое — не пытайтесь объять необъятное. Начните с одной категории с ярко выраженной сезонностью спроса (например, товары для дачи или новогодние наборы). Второе — убедитесь, что у вас чистая история продаж хотя бы за 2 года. Мусор на входе даст мусор на выходе. Третье — готовьте команду к изменениям: кассиры и кладовщики должны понимать, почему система просит выложить на полку 15 упаковок крема вместо 10. Мы провели 4 вебинара для персонала — это снизило сопротивление до нуля. И последнее: не ждите идеала — запускайте MVP через 2 месяца, как мы сделали с этим ритейлером. Даже грубая модель на 70% точности уже даст сокращение потерь ритейл на 15-20%. А через полгода вы получите те самые 35%.