• 331

    Опубликовано проектов

  • 171

    Оставлено комментариев

Рейтинг рассчитывает взвешенные оценки. Система динамически пересчитывает показатели при каждом новом голосе, учитывая весовые коэффициенты и мультикритериальную оценку. В ближайшие две недели еще будут публиковаться новые проекты, которые сейчас заканчивают верификацию. Текущее значение рейтинга может демонстрировать нелинейную динамику.

← Вернуться к списку

Внедрение системы планирования продаж с использованием технологии ML

  • Руководитель проекта со стороны заказчика

    Артём Звягин

    АО «Акрихин»

    Директор по управлению коммерческой и маркетинговой эффективностью

  • Категория

  • Номинация

  • Цели

    Создать систему планирования продаж по всей цепочке движения товара: продажи аптек потребителям, отгрузки дистрибьюторов, отгрузки дистрибьюторам с центрального склада компании-производителя. Планы взаимосвязаны: если меняется прогноз на одном из этапов движения товара, автоматически меняются прогнозы на всех остальных. Для одной сессии планирования система позволяет создавать несколько сценариев прогноза.

    Прогноз спроса строится на основе управляющих факторов с использованием ML-модели. Алгоритм учитывает сезонность, рыночные тренды и сложные закономерности; количественно определяет влияние на продажи динамики цен, промоактивностей, индекса дистрибуции, уровня заболеваемости и некоторых видов активностей конкурентов.

    Прогнозом управляют, изменяя значения управляющих факторов. Ручные корректировки остаются исключением и учитываются отдельно.

    Прогноз стал прозрачнее: он раскладывается на составляющие, за каждой из которых стоит активность компании на рынке.

  • Сроки выполнения

    ноябрь, 2025 — октябрь, 2026
  • Год завершения проекта

    2026

  • Масштаб проекта

    30 автоматизированных рабочих мест
  • Результаты

    Точность прогноза на уровне «продукт в аптечной сети» достигает 80% по метрике 1 − WAPE (отклонение около 20% от факта). Это самый детальный уровень, где колебания спроса наиболее заметны.

    Цикл планирования (план-факт, сценарии, согласование, утверждение) сократился с 4 до 3 недель, на 25%, и время освободилось для анализа и решений.

    Факт, прогноз и план автоматически синхронизируются с КХД, без ручного сбора и сверки. Базовый прогноз считается по расписанию и готов к каждой сессии. При наступлении нового цикла планирования предыдущий прогноз переносится в новую сессию, где достаточно точечных правок. Права разграничены по зонам ответственности, что защищает от ошибок и несанкционированных изменений.

    Факторный анализ учитывает внешние факторы, которые раньше не учитывались: рекламу конкурентов и объем целевого рынка. Он отделяет эффект собственных действий от влияния рынка и показывает, чем вызвано падение продаж: конкурентами, сжатием рынка или слабым продвижением.

  • Уникальность проекта

    Обычно прогнозируют лишь объемы продаж, а факторный анализ и эластичность оценивают отдельно и задним числом. В итоге неясно, как управленческие решения повлияют на будущие продажи. В проекте они объединены в одной модели: она точно прогнозирует спрос на уровне «продукт в аптечной сети» и оценивает влияние 12 факторов, поэтому видно, за счет чего складываются объемы.

    Каждый фактор планируется на том уровне детализации, на котором по нему принимаются решения: по стране, каналу, сети, бренду или SKU. Эффект виден на любом уровне, от бренда по всем сетям до SKU в одной сети. Национальная реклама или промо в одной сети сразу отражаются в прогнозе на всех уровнях.

    Собственный веб-интерфейс объединяет все этапы планирования: более 30 форм и дашбордов для анализа прогноза и факта, сравнения плана с фактом, управления факторами и ручных корректировок. Это снижает зависимость от разрозненных таблиц и ручной обработки данных, ускоряет процесс и делает его прозрачным.

  • Использованное ПО

    Ядро решения построено на свободном ПО с открытым исходным кодом. Лицензии не нужны, риска отзыва или прекращения поддержки нет, систему можно развивать самостоятельно. Для работы достаточно одного Linux-сервера (16 CPU, 64 ГБ ОЗУ), что снижает TCO.

    Стек решения

    • Прогноз и факторный анализ: Python (LightGBM, scikit-learn, SciPy, pandas, NumPy, Polars). На нем построены ML-модели и обработка данных.

    • Расчетное ядро: DuckDB, Apache Arrow, Celery/Redis. Сценарии считаются параллельно в оперативной памяти.

    • Серверная часть: FastAPI, PostgreSQL, Alembic. Отвечают за бизнес-логику, хранение данных и обновление структуры БД.

    • Веб-интерфейс: React/TypeScript, Apache ECharts. На них построены формы, графики и дашборды.

    • Интеграции: обмен данными с КХД, импорт и экспорт в Excel, единый вход через ADFS по стандарту OpenID Connect (ADFS заменяем без существенных доработок).

    • Инфраструктура: Linux, Docker, nginx, Grafana. Обеспечивают контейнерный запуск, защищенный доступ и мониторинг.

  • Решение из каталога Global CIO

    В проекте не используются решения из каталога Global CIO

  • Сложность реализации

    Решен ряд взаимосвязанных задач. Первой стала подготовка данных: интеграция с КХД, очистка и унификация истории, аналитические витрины для моделей и отчетов. На них построена модель объемов продаж с максимальной точностью по 300+ SKU, у каждого своя динамика и сезонность.

    Сценарно-факторная модель устойчиво и экономически обоснованно реагирует на каждый из 12 факторов. В нее заложены экспертные (априорные) знания, калибровка идет по каждому SKU. Алгоритмы учитывают насыщение (saturation, убывающая отдача от вложений) и отложенный эффект (adstock, влияние после окончания активности), чтобы не искажать отдачу от маркетинга.

    Сложнее всего было согласовать модель объемов (точность) со сценарно-факторной (влияние факторов). Так изменения факторов последовательно отражаются в плане, и он остается точным и управляемым. Сценарии считаются быстро и сравниваются в ходе работы. Интерфейс опирается на привычные приемы бренд-менеджеров и планировщиков, что упрощает переход и обучение.

  • Описание

    До проекта в АО «Акрихин» прогноз продаж покрывал только первичные и вторичные продажи, не затрагивая конечный спрос. Процесс планирования (Sales & Operations Planning) на 80% выполнялся вручную. После получения статистического прогноза проходило несколько итераций экспертных корректировок: на двухчасовых встречах с бренд-менеджерами в течение двух дней обсуждали прогноз почти каждого продукта, чтобы выработать консенсус. Затем отдел планирования продаж вручную сводил прогнозы продуктов в общий. Это отнимало много времени и порождало ошибки и расхождения. Влияние факторов продвижения и эластичность спроса оценивались экспертно, были неточными, а вклад каждого фактора в продажи выделить было технически невозможно. Прогноз конечных продаж не строился. Сценарный анализ делался вручную, поэтому сравнение нескольких вариантов прогноза требовало дополнительной ручной обработки данных.

    Совместно с GlowByte cоздана система планирования с горизонтом 18 месяцев по всей цепочке: от продаж аптек до отгрузок дистрибьюторам со склада компании. Для адекватной работы системы в компании доработаны интеграционные процессы по консолидации данных о влияющих на прогноз факторах и автоматизирован обмен данными между КХД и системой прогнозирования. Система построена на модели машинного обучения, которая прогнозирует спрос на уровне «продукт в аптечной сети» по 300+ SKU и оценивает влияние 12 факторов, от цен и промо до заболеваемости и рекламы конкурентов. Модель учитывает кросс-эффекты между продуктами: как дополнительное продвижение одного препарата влияет на продажи другого.

    Система многопользовательская, предоставляет пользователям веб-интерфейс: более 30 форм и дашбордов для анализа факта и прогноза, управления факторами и ручных корректировок.

    Бренд-менеджеры и бизнес-планировщики получили единый инструмент вместо разрозненных Excel-таблиц. Пользователи моделируют сценарии (рост заболеваемости, изменение цен и различных видов маркетинговых и трейд-активностей), видят влияние фактора на продажи, сравнивают версии плана из разных сессий и отслеживают, как (количественно) и почему (по каким драйверам) изменился прогноз продаж. Анализ YTD (фактические результаты с начала года) и YTG (ожидаемые продажи до конца года) строится прямо в системе, без выгрузок и ручных графиков. Поэтому сразу видно, выполняется ли годовой план, и можно вовремя скорректировать действия.

    Решения опираются на данные, а не только на экспертное мнение. Ручного труда и ошибок стало меньше. Собственный интерфейс позволяет быстро адаптировать систему под задачи бизнеса и снижает совокупную стоимость владения (TCO).

  • География проекта

    Все регионы РФ

Комментировать

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Заказчик

    АО «Акрихин»

  • ИТ-поставщик

    • GlowByte

Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.