ML-модель для планирование спроса (Sales & Operations Planning)

Обеспечить более высокую точность прогнозирования для снижения рисков дефектуры товара или затоваривания складов. Ежемесячный прогноз продаж на 18 месяцев вперед после утверждения передаётся производственным подразделениям для планирования закупок сырья и планирования загрузки линий. Уровень гранулярности - месяц и SKU. Целевая метрика для определения точности: 1-WAPE.

2025

В результате увеличили точность прогнозов на 2-3 пп. к уже и так высокому результату. В целом, прогнозы по 75% SKU имели прогнозы выше прогнозов согласно прежнему подходу.

Прежний подход базировался на статистической мат. модели, результаты которой далее корректировали планеры исходя из их понимания бизнеса. При этом мы не в полной мере использовали все источники данных, которые с каждым днем увеличиваются в количестве и объеме. А иногда результаты нас приводили к дефектуре или оверстокам. Обе ситуации нежелательны.

В новом подходе мы сформировали ML-прогнозы как sell-in, так и sell-out с уровнем грануляции до SKU + месяц на 18 мес. вперед.

Мы загрузили в "машинку" отчеты дистрибьюторов, данные МДЛП, информацию об активностях и пр.

Для реализации проекта было использовано IDE JupyterHub. В качестве БД использовали PostgreSQL и Clickhouse. Для задач прогнозирования и оптимизации применялись свободно распространяемые ML-библиотеки

В проекте не используются решения из каталога Global CIO

Как мы понимаем какой прогноз для какого продукта выбрать?

На историческом отрезке времени, подходы последовательно сделали прогнозы, каждый прогноз оценивается по нескольким ключевым метрикам для каждого sku, на основе которых уже выбирается подход для конкретного продукта.

Какие преимущества у данного подхода?

Устойчивость - так как мы используем ансамбли, каждый подход может перекрыть другой с небольшой потерей в точности.

Масштабируемость - мы всегда можем добавить новый подход в существующую систему, нужно лишь прогнать его на историческом отрезке, а система сама задействует его там, где он нужен. С удалением подходов всё ещё проще, продукты исключённого подхода просто перекрываются остальными подходами.

Также мы используем отдельные модели для прогноза делистированных продуктов и лончей.

Как понять факторы роста?

Часто результаты ML-прогнозов сравнивают с black-box, так как может быть не понятно как машинка посчитала цифры. На самом деле мы смогли оценить вклад факторов в прогноз.

Наш изначальный подход включал ансамбль из LGBMов

В последствии мы экспериментировали с десятками различных подходов:

* Различные деления по группам (BU, Brand, Personal)

* Лучшие модели и их комбинации для прогнозирования (Бустинги, RNN, Transformers и другие)

Во время экспериментов заметили закономерность, что некоторые подходы значительно лучше других на определённых группах продуктов. На основании этого, было принято решение не стараться придерживаться самого сильного подхода, а выбрать сразу несколько, вносящих значительный вклад по точности.

вся территория РФ