AI-прогнозирование спроса на запчасти и оптимизация запасов

Послепродажное обслуживание автомобилей сталкивается с парадоксом: сотни тысяч SKU, из которых 80% продаются реже раза в месяц, при этом дефицит одной критической детали останавливает автомобиль на неделю. Спрос на новые детали (cold start) вообще невозможно предсказать классическими методами. Мы решаем эту задачу, комбинируя ABC-классификацию с ML-моделями, адаптированными под разные типы спроса. Наш подход снижает уровень запасов на 15–25% при сохранении или улучшении сервисного уровня — это проверено на 50+ проектах в дистрибуции запчастей.

Почему Croston и TSB необходимы для intermittent demand?

Большинство деталей продаётся редко и неравномерно. ARIMA или Prophet на таком спросе дают ошибку MAPE >100%. Croston раздельно прогнозирует интервал между продажами и размер транзакции, а TSB (Teunter-Syntetos-Babai) добавляет адаптацию под устаревающие детали — это снижает bias на 30–50%. На реальных данных дистрибьютора Croston показал MAPE 78% против 142% у ARIMA — в 1.8 раза точнее.

from statsforecast.models import CrostonOptimized, IMAPA, TSB

models = [
    CrostonOptimized(),
    IMAPA(),
    TSB(alpha_d=0.1, alpha_p=0.1)
]

Сравнение методов прогноза для intermittent demand:

Как park-based forecast повышает точность?

Спрос на запчасти определяется не только историей продаж, но и парком автомобилей. Мы строим модель: спрос = количество машин × вероятность отказа детали в зависимости от возраста. Источник данных — регистрационные базы (парк по моделям и годам).

def park_based_forecast(part_number, region):
    applicable_models = parts_catalog.get_applicable_models(part_number)
    park = vehicle_registration_db.count(
        models=applicable_models,
        region=region,
        age_range=(2, 20)
    )
    failure_curve = get_failure_rate_curve(part_number)
    expected_demand = sum(
        park[age] * failure_curve[age]
        for age in range(2, 21)
    ) / 12
    return expected_demand

Этот метод особенно эффективен для новых деталей или при выводе продукта (cold start), когда истории продаж ещё нет.

Оптимизация safety stock с учётом асимметрии затрат

Классический newsvendor model: мы оптимизируем страховой запас не по симметричному нормальному распределению, а по реальным затратам на дефицит (простой клиента, потеря лояльности) и хранение. Себестоимость дефицита критической детали может в 50 раз превышать стоимость хранения — safety stock для таких SKU поднимается до z=3.0 против стандартного z=1.65. Типичная экономия от такого подхода — до 2 млн рублей в год для среднего склада.

from scipy.stats import norm

def optimal_safety_stock(mean_demand, std_demand, lead_time_days,
                          service_level=0.95, holding_cost_rate=0.25,
                          stockout_cost=50.0):
    cu = stockout_cost
    co = holding_cost_rate * unit_cost / 365
    critical_ratio = cu / (cu + co)
    z = norm.ppf(critical_ratio)
    demand_during_lt = mean_demand * lead_time_days
    std_during_lt = std_demand * np.sqrt(lead_time_days)
    safety_stock = z * std_during_lt
    reorder_point = demand_during_lt + safety_stock
    return safety_stock, reorder_point

Как ML Ops поддерживает модели в продакшене?

Модели деградируют со временем: меняются парк автомобилей, сезонность, ассортимент. Мы настроили ML Ops-конвейер: автоматическое переобучение при снижении точности (alert при MAPE > 90%), логирование метрик в MLflow, A/B-тестирование новых версий. Это гарантирует стабильную работу прогнозов без ежемесячного ручного вмешательства.

Управление устаревающими деталями (phase-out)

Снятая с производства модель — спрос угасает, но не мгновенно. TSB-модель выявляет тренд на снижение, а наш скрипт детектирует признаки EOL:

def detect_obsolescence_risk(part_number, sales_history):
    trend = np.polyfit(range(len(sales_history)), sales_history, 1)[0]
    park_decline = get_park_trend(part_number)
    if trend < -0.1 and park_decline < -0.05:
        return 'phase_out', suggest_final_buy_quantity(part_number)
    return 'active', None

Final buy — расчёт оптимального заказа на 5–7 лет гарантийного обслуживания. Мы учитываем, что после EOL детали дорожают или становятся недоступны.

Multi-echelon: снижение bullwhip effect

В цепочке OEM → дистрибьютор → дилер вариация спроса усиливается. Мы синхронизируем safety stock на всех уровнях: чем выше буфер у дилера, тем меньше страховой запас дистрибьютора. VMI (Vendor Managed Inventory) в реальном времени пополняет склад дилера — это снижает общий запас по цепочке на 15–20%.

Что входит в работу

1. Аудит данных: история продаж, парк автомобилей, каталог деталей.
2. Построение ML-моделей: Croston, TSB, park-based, сезонные факторы.
3. Оптимизация safety stock и reorder points (дифференцированные сервисные уровни).
4. Phase-out management и final buy рекомендации.
5. Дашборд с прогнозами, alerting по дефициту/излишкам.
6. Интеграция с WMS/ERP, настройка VMI.
7. Обучение команды и эксплуатационная документация.

Окупаемость решения составляет менее 12 месяцев. Свяжитесь с нами — оценим ваш складской портфель и покажем потенциал снижения запасов. Наша команда: 10+ лет в ML-решениях для логистики, 50+ внедрённых проектов, сертифицированные специалисты по Croston method.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.