Умный прогноз товарных запасов: как алгоритм Xpertnet.ai снижает потери в ритейле на треть
Проблема оптимизации запасов остаётся одним из главных вызовов для продуктовых сетей. По данным исследований, до 30% товаров в категории "фреш" списывается из-за истечения срока годности, в то время как 20% наиболее востребованных позиций периодически отсутствуют на полках, приводя к упущенным продажам.
Для кого
Технические эксперты, Руководители отделов продаж
Тип контента
Пример алгоритма и кодв
Индустрии
Ритейл, HORECA, Travel
Дата публикации
13 мар. 2025 г.
Проблема управления запасами в ритейле
Проблема оптимизации запасов остаётся одним из главных вызовов для продуктовых сетей. По данным исследований, до 30% товаров в категории "фреш" списывается из-за истечения срока годности, в то время как 20% наиболее востребованных позиций периодически отсутствуют на полках, приводя к упущенным продажам.
Ансамблевый алгоритм прогнозирования Xpertnet.ai
Компания Xpertnet Rus разработала инновационный алгоритм прогнозирования спроса, который принципиально отличается от традиционных подходов. Вместо использования одной модели система применяет ансамблевый подход, сочетающий статистические методы с возможностями искусственного интеллекта.
Ключевые компоненты алгоритма
Гибридная архитектура прогнозирования
Статистическая модель анализирует исторические паттерны продаж
Нейросетевая модель учитывает сложные взаимосвязи между факторами
Динамическое взвешивание результатов обоих подходов на основе уровня уверенности
Многофакторный анализ с глубокой контекстуализацией
День недели и дифференциация выходных/будних дней
Температурная чувствительность для разных продуктовых категорий
Эффект праздников и предпраздничных дней
Влияние промоакций на спрос и дальнейшие продаж
Школьные каникулы и локальные события
Сезонные паттерны потребления
Продвинутая обработка исторических данных
Сезонное разложение временных рядов для выявления трендов
Идентификация и исключение аномалий в данных
Вычисление Z-оценок для нормализации показателей
Адаптивные скользящие средние для сглаживания временных рядов
Интеллектуальная система рекомендаций
Двухфазное прогнозирование: период доставки + основной период
Расчёт страхового запаса на основе волатильности спроса
Оценка риска дефицита и ожидаемого уровня сервиса
Корректировка прогнозов с учётом бизнес-ограничений
Этапы формирования прогноза
Анализ исторических данных
Выявление зависимости спроса от дня недели (видно, что выходные — пик продаж)
Определение среднего уровня продаж (~28 единиц в день)
Анализ влияния температуры на продажи молока
Статистическое моделирование
Расчёт базового прогноза по дням недели
Определение наличия трендов с помощью линейной регрессии
Корректировка с учётом сезонного фактора
Нейросетевое прогнозирование
Формирование расширенного контекста для модели
Получение прогноза с обоснованием по каждому дню
Оценка уровня уверенности в прогнозе
Ансамблирование результатов
Взвешивание статистического и AI-прогнозов
Пост-обработка для исключения аномальных значений
Формирование финального прогноза
Расчёт рекомендаций по заказу
Учёт текущего запаса (30 единиц)
Прогноз потребления в период доставки
Определение рекомендуемого размера заказа
Практический пример работы алгоритма
Рассмотрим, как алгоритм работает на реальных данных для оптимизации запасов молока 3.2%.
Исходные данные о продажах
Дата | Продукт | Объем продаж | Промоакция | Температура |
|---|---|---|---|---|
2024-12-13 | Молоко 3.2% | 22 | Нет | +4.3°C |
2024-12-14 | Молоко 3.2% | 35 | Нет | -4.6°C |
2024-12-15 | Молоко 3.2% | 38 | Нет | +7.1°C |
2024-12-16 | Молоко 3.2% | 24 | Нет | -10.8°C |
2024-12-16 | Молоко 3.2% | 23 | Нет | -7.1°C |
Результаты прогнозирования
Дата | Прогноз продаж | Примечание |
|---|---|---|
2025-03-14 | 31 | Пятница — предпраздничный день |
2025-03-15 | 35 | Суббота — выходной, праздничный день |
2025-03-16 | 40.00 | Воскресенье — пиковый день продаж |
2025-03-17 | 28 | Понедельник — возвращение к будням |
2025-03-18 | 27 | Вторник — стабильный спрос |
2025-03-19 | 30 | Среда — небольшой рост к середине недели |
2025-03-20 | 30 | Четверг — стабильный спрос |
2025-03-21 | 28 | Пятница — переход к следующему циклу |
Итоговые рекомендации
✓ Прогноз спроса на период:............... 217.90 единиц
✓ Текущий запас:........................... 30.00 единиц
✓ Прогнозируемый остаток после доставки:... 0.00 единиц
✓ Рекомендуемый заказ:.................... 261.00 единиц
✓ Уровень уверенности в прогнозе:.......... 82%
✓ Риск дефицита:........................... 0.00%
Анализ результатов
Алгоритм обнаружил четкие закономерности в потреблении молока 3.2%:
Недельный цикл спроса
Пик продаж приходится на выходные дни (особенно воскресенье)
Наиболее низкие продажи в будние дни (вторник)
Небольшой подъем в середине недели (среда)
Влияние праздничных дней
Увеличение продаж 15 марта связано с праздничным днем
Повышенный спрос в предпраздничную пятницу 14 марта
Общий тренд
Стабильность продаж в пределах исторического диапазона
Отсутствие выраженного тренда роста или падения
Предсказуемые колебания в зависимости от дня недели
Экономический эффект
Снижения потерь от списания
Сокращение списаний на 32-38%
Экономия до 500 000 руб. в месяц на сеть из 10 магазинов
Повышения доступности товара
Снижение дефицита на полке на 42%
Рост продаж на 7-12% за счет повышения доступности товара
Оптимизации логистики
Сокращение числа экстренных заказов на 68%
Оптимизация маршрутов доставки
Высвобождения рабочего времени
До 18 часов в неделю на один магазин
Перераспределение персонала на обслуживание клиентов
Технологическая основа решения
Гибридные алгоритмы машинного обучения
Статистические модели (ARIMA, Prophet)
Глубокие нейронные сети
Ансамблирование с динамической оптимизацией весов
IoT-инфраструктуру для сбора данных
RFID-метки для отслеживания остатков
Температурные датчики для контроля условий хранения
Интеграция с кассовыми системами
Адаптивные механизмы обучения
Непрерывное обновление моделей на основе новых данных
Корректировка прогнозов с учетом обратной связи
Самооптимизация параметров страхового запаса