Кейс II: агент ритейла — прогнозирование спроса с дефицитом в 15%

Почему прогноз спроса в ритейле — это про выручку, а не про моду на ИИ

Внедрение нейросетей в ритейле часто начинается с красивой презентации и заканчивается складом, забитым неликвидом. Я прошел через это не раз. Конкретный кейс: сеть магазинов продуктов питания с 48 точками. Задача — снизить дефицит товара, который стабильно составлял 15% по ключевым позициям. Это значит, что каждую неделю мы теряли до 1,2 млн рублей выручки просто потому, что нужного товара не было на полке в нужный момент. Kejs II: агент-прогнозирование спроса в ритейле — что дальше

В этой статье я разберу пошаговый алгоритм, как мы внедрили агента на базе ИИ для прогнозировани�� спроса. Никакой магии — только конкретные шаги, цифры и подводные камни, которые всплыли по ходу дела. Нейросети против дефицита: прогнозирование спроса в ритейле

Шаг 1. Собираем данные, а не просто выгружаем чеки

Первая ошибка — думать, что для прогноза хватит истории продаж. Это не так. Мы собрали четыре блока данных, без которых модель дала бы погрешность в 30%:

• Транзакционные данные — чеки, возвраты, количество позиций за 2 года.
• Календарь — праздники, сезонность, школьные каникулы. Не только общероссийские, но и местные (например, день города).
• Маркетинговые активности — промо, скидки, выкладка на торцы.
• Внешние факторы — погода (осадки, температура), пробки, проведение массовых мероприятий рядом с точкой.

Совет: не пытайтесь оцифровать всё сразу. Начните с двух лет истории и календаря. Остальное добавляйте итеративно.

Шаг 2. Очистка данных — где прячется дефицит

Ключевой момент, который мы упустили на старте. Дефицит в 15% — это не только «нет товара на полке». Это еще и «нулевые продажи» в дни, когда товар был в наличии, но его не заказали вовремя. Мы выявили, что около 40% дефицита — это ошибки ручного заказа, а не нехватка у поставщика.

Что мы сделали:

• Убрали аномалии: дни с техническими сбоями касс.
• Пометили дни, когда товар был в наличии, но продажи равны нулю — это сигнал для модели.
• Разделили спрос и продажи. Спрос = продажи + дефицит. Это критично для обучения.

Важно: Если модель учить только на продажах, она будет занижать прогноз на те самые 15%. Вы получите красивый график, который не решает проблему.

Шаг 3. Выбираем модель — не усложняем

Мы перебрали несколько подходов: от ARIMA до градиентного бустинга. Для нашего кейса лучше всего показала себя связка Prophet + LightGBM. Prophet отвечает за сезонность и тренды, а LightGBM — за влияние внешних факторов (погода, промо).

Если у вас нет команды дата-сайентистов, не пытайтесь писать свою нейросеть. Используйте готовые библиотеки. Это сэкономит вам месяц работы.

Шаг 4. Обучаем агента на каждом магазине отдельно

Типичная ошибка — обучить одну модель на все магазины. У нас 48 точек, и спрос на один и тот же товар в спальном районе и в центре города отличается в разы. Мы обучили отдельные модели для каждой категории товаров в каждом магазине. Это 144 модели (48 магазинов × 3 категории).

Звучит страшно, но на практике это просто. Время обучения одной модели — 5 минут на среднем ноутбуке. Итого — 12 часов чистого времени, которое можно распараллелить.

Шаг 5. Интеграция с системой заказов

Модель — это не отчет в Excel. Мы настроили API, который каждое утро в 6:00 отправляет прогноз в нашу ERP-систему. Система автоматически формирует заказ поставщику. Человек вмешивается только в исключительных случаях: например, если прогноз превышает складские лимиты.

Важный нюанс: мы оставили «коэффициент уверенности». Если модель не уверена в прогнозе (например, резкий скачок цен у поставщика), она помечает заказ как «требует проверки». Это снизило количество ошибок на 25%.

Шаг 6. Замеряем результат, а не просто смотрим на график

Через месяц работы мы получили следующие цифры (сравнение с аналогичным периодом прошлого года):

Снижение дефицита до 6,2% дало прирост выручки на 8,4% по этим категориям. Трудозатраты менеджеров сократились втрое — они перестали «тушить пожары» и начали заниматься анализом ассортимента.

Совет: Замеряйте не только точность прогноза, но и бизнес-метрики. Точность 95% не имеет значения, если выручка не выросла.

Шаг 7. Что учесть при масштабировании

Когда мы начали масштабировать решение на все 48 магазинов, всплыли нюансы:

• Качество данных у поставщика. Если поставщик часто срывает сроки, прогноз спроса не поможет. Нужно закладывать страховой запас.
• Обучение персонала. Кладовщики и менеджеры сначала саботировали систему, потому что боялись остаться без работы. Пришлось провести обучение и показать, что ИИ берет на себя рутину, а не их функции.
• Резкие изменения ассортимента. Если вы вводите новый товар, модели нужно минимум 3 месяца данных, чтобы начать адекватно прогнозировать.

Также стоит помнить, что ИИ-агенты хороши для стабильных категорий. Для сезонных товаров (например, новогодние наборы) ручное планирование все еще эффективнее.

Резюме

Кейс показал: прогнозирование спроса с помощью ИИ — это не абстрактная технология, а измеримый инструмент. Мы снизили дефицит с 15% до 6,2%, ускорили оборачиваемость склада и высвободили время персонала. Главное — не гнаться за сложными моделями, а начать с чистки данных и простых алгоритмов. Если у вас нет своей команды разработки, можно использовать готовые решения или платформы вроде OpaGPT для первичного анализа и генерации кода. Начните с одной категории товаров, посчитайте эффект, а потом масштабируйте.

FAQ

Какой минимальный объем данных нужен для прогнозирования спроса?

Для стабильного результата нужно минимум 12 месяцев истории продаж. Лучше — 24 месяца, чтобы учесть годовую сезонность. Если данных меньше, модель будет работать, но точность упадет на 20-30%.

Можно ли использовать нейросети для малого бизнеса с одной точкой?

Да, можно. Но эффект будет меньше, чем в сети. Для одной точки проще использовать простые статистические методы (скользящее среднее) или готовые облачные сервисы, которые не требуют программирования.

Что делать, если поставщик нестабилен и срывает поставки?

Прогноз спроса не решит проблему логистики. В таком случае нужно закладывать страховой запас (5-10% от прогноза) и параллельно работать с поставщиком или искать альтернативных.

Сколько времени занимает внедрение такого агента?

В нашем случае от начала сбора данных до первого результата прошло 6 недель. Из них 3 недели ушло на очистку данных и 2 недели на обучение моделей. Если данные уже структурированы, можно уложиться в 2-3 недели.