OpaGPT Почему полки пустеют, хотя склад забит
Дефицит в ритейле — это не всегда ошибка логиста. Чаще это разрыв между прогнозом спроса и реальными покупками. Классические модели на Excel или 1С считают среднее за прошлый год и спотыкаются о сезонность, акции и новые товары. Нейросети видят паттерны там, где человеческий глаз видит хаос. Я внедрял такие системы в трёх сетях — от продуктового дискаунтера до DIY-гипермаркета. Ниже — рабочий алгоритм, который проверен на практике, а не скопирован из презентации вендора. Нейросети против низкого чека: чек-лист для кофейни
Шаг 1. Соберите данные, а не просто выгрузки
Нейросеть без данных — это кот без охоты. Вам нужны не только продажи по SKU. Минимум три источника:
- Транзакции — чеки с точностью до часа, а не до дня.
- Складские остатки — с учётом товаров в пути и на витрине.
- Внешние факторы — погода, праздники, курс валют, даже посты блогеров о вашем товаре.
Пример: сеть кофеен в Питере получила прирост точности на 17% только за счёт добавления данных о температуре воздуха. Когда +5°C и дождь, продажи капучино растут на 30% — это не видно в средних за месяц.
Совет: Начните с 6 месяцев истории по 500-1000 ключевых SKU. Не пытайтесь объять все 50 000 позиций сразу — это перегрузит модель и вы утонете в чистке данных.
Шаг 2. Выберите архитектуру сети
Не слушайте тех, кто советует «просто LSTM». Для ритейла чаще всего работают ��ибриды:
| Тип задачи | Архитектура | Почему работает |
|---|---|---|
| Прогноз на 1-2 недели | LSTM + attention | Ловит долгие зависимости и всплески |
| Прогноз на 1-2 дня | XGBoost + фичи из временных рядов | Быстрее и стабильнее на шумных данных |
| Новые товары (нет истории) | Коллаборативная фильтрация | Ищет аналоги по поведению похожих SKU |
Для первого пилота берите LSTM. Он прощает грязь в данных и даёт понятные графики для руководства.
Шаг 3. Обучите модель на «идеальном» периоде
Ошибка новичков — учить сеть на данных, где был дефицит. Если товара не было на полке, продажи равны нулю, но спрос не равен нулю. Нейросеть решит, что товар никому не нужен. Я рекомендую отбирать периоды с уровнем наличия не ниже 95%.
Пример из практики: в сети электроники мы взяли данные за 8 месяцев, выкинули все дни, когда флагманский смартфон отсутствовал, и точность прогноза выросла на 22%. Сеть перестала «забывать» о товаре после распродаж.
Важно: Если таких периодов нет в истории, используйте синтетические данные — интерполируйте спрос по похожим магазинам с полным наличием.
Шаг 4. Интегрируйте прогноз в закупку
Самая сложная часть — не обучить сеть, а заставить её работать в вашей ERP. Не надо строить «цифрового двойника». Простой путь: нейросеть считает прогноз каждую ночь, выгружает в CSV или API, а ваша система закупок подхватывает цифры как замену формулам.
- Настройте выгрузку прогноза по каждому SKU на 14 дней вперёд.
- В системе закупок замените «среднее за прошлый период» на колонку из вашего CSV.
- Добавьте правило: если прогноз больше остатка на 20% — формируй заказ автоматически.
В моём проекте с продуктами это сократило время на обработку заказов с 4 часов до 40 минут. Менеджеры теперь только проверяют аномалии.
Шаг 5. Считайте метрику, а не «глазами»
Забудьте про MAE и RMSE для отчёта директору. Используйте бизнес-метрику: недополученная прибыль от дефицита. Считайте: (Прогноз — Факт продаж) × Маржинальность товара. Это покажет, сколько денег вы теряете.
Пример: сеть автозапчастей после внедрения сети снизила потери от дефицита на 1,8 млн рублей в месяц на сеть из 40 магазинов. Это была цифра, которую финдиректор принял без вопросов.
Шаг 6. Запустите пилот на 3-5 магазинах
Не разворачивайте сразу на всю сеть. Возьмите магазины с разной проходимостью: один в ТЦ, один спальный район, один у метро. Сравните с контрольной группой, где закупки идут по-старому. Через месяц у вас будут цифры для масштабирования.
Совет: Параллельно с пилотом обучите команду. Не надейтесь, что «магия ИИ» сама себя продаст. Покажите закупщикам, что сеть не отменяет их опыт, а снимает рутину.
Шаг 7. Масштабируйте и переобучайте
Нейросеть деградирует без переобучения. Раз в месяц обновляйте модель на свежих данных. Раз в квартал — проверяйте, не изменилось ли поведение покупателей. Если ввели новую акцию «2+1», сеть должна узнать об этом в данных.
Для масштабирования на всю сеть используйте одну модель, но с фичами «номер магазина» и «регион». Это проще, чем 100 отдельных сетей.
Что учесть при внедрении
- Качество данных важнее архитектуры. Грязные данные убьют даже Transformer.
- Люди будут саботировать. Закупщики боятся, что их заменят. Объясните, что сеть — это калькулятор, а не замена.
- Не ждите чуда на 2-й день. Первые результаты — через 2-3 недели после запуска.
Резюме
Нейросети реально решают проблему дефицита, но только если вы готовы чистить данные и менять процессы. Начните с пилота на 500 SKU, посчитайте недополученную прибыль и покажите цифры руководству. Инструменты вроде OpaGPT помогут ускорить анализ данных и подготовку отчётов, но главное — системный подход. Через 3 месяца вы забудете о пустых полках.