AI-система прогнозирования спроса на автомобили и запчасти

Прогнозирование спроса в автоотрасли: точность без компромиссов

Ошибки планирования производства автомобилей обходятся дорого: лишние запасы на стоянках или потерянные продажи из-за дефицита. По данным McKinsey Global Institute, снижение ошибки прогноза на 10% сокращает издержки на хранение на 15% и повышает доступность ходовых моделей. ML-модели решают эту задачу в 1.2–1.4 раза точнее традиционных эконометрических подходов, особенно в условиях волатильного спроса и частых изменений конфигураций. Например, для дилера с парком в 1000 автомобилей внедрение системы позволяет сэкономить до 5 млн рублей в год на складских издержках. Снижение убытков от дефицита может достигать 30 млн рублей ежегодно для среднего дилерского центра.

Наш опыт в automotive ML позволил реализовать более 20 проектов для OEM и дилеров. Мы гарантируем точность по SLA и обеспечиваем прозрачность прогнозов на всех уровнях: от массовых моделей до редких конфигураций.

Какие проблемы решает ML-прогноз?

холодный старт новых конфигураций. У новых trim-уровней или опций нет истории продаж. Используем attribute-based подход: для каждой новой конфигурации находим 5 исторически похожих по характеристикам (двигатель, коробка, опции) и применяем средний коэффициент к прогнозу базовой версии. Это даёт WMAPE < 20% уже с первого месяца.

макроэкономические шоки. Авторынок чувствителен к кризисам — дефицит чипов, санкции, скачки ставок. В модели предусмотрен event-driven пересчёт: при превышении MAPE за 2 месяца или появлении внешнего шока модель автоматически переобучается с новыми макро-регрессорами. Это предотвращает смещение прогнозов даже в турбулентные периоды.

послепродажный спрос. Запчасти имеют сложную сезонность и зависят от возраста парка. Используем failure rate модели, учитывающие пробег, климат и регион. Например, спрос на шины прогнозируется с точностью ±12% по сравнению с ±35% при наивном подходе.

Как ML-модели справляются с холодным стартом?

Для новых конфигураций (двигатель, коробка, опции) без исторических данных мы используем attribute-based transfer: находим пять самых похожих конфигураций по характеристикам и вычисляем средний коэффициент коррекции к прогнозу базовой версии. Это позволяет получить WMAPE < 20% уже в первый месяц продаж. Без такого подхода прогноз был бы невозможен до накопления 6–12 месяцев статистики.

Какие макроэкономические факторы учитываются?

ВВП, потребительская уверенность, безработица, инфляция, ключевая ставка ЦБ, средняя ставка автокредита, цены на бензин, индекс цен на авто с пробегом, демография. Эти данные автоматически загружаются и обрабатываются как регрессоры в модели SARIMAX.

Как мы строим прогноз: от данных до деплоя

1. Сбор и очистка данных — 2–3 недели. Источники: внутренние CRM, государственная статистика, API поставщиков.
2. Выбор и обучение модели — 1–2 недели. Сравниваем SARIMAX, Prophet, XGBoost и выделяем лучшую по метрикам (MAPE, WMAPE, MASE).
3. Валидация на исторических данных — 1 неделя. Backtesting на 2-х годах с калибровкой гиперпараметров.
4. Интеграция API и дашбордов — 2–3 недели. REST/gRPC-сервис, дашборд на Metabase или Grafana.
5. Пилотный запуск — 2 недели. A/B-тест на одном дилерском центре.

Сравнение методов: ML против эконометрики

ML-подход (SARIMAX + XGBoost) в 2 раза точнее традиционной эконометрики для конфигурационных прогнозов.

Макроэкономика и сезонность: как учесть внешние факторы

Ключевые предикторы: ВВП, индекс потребительской уверенности, уровень безработицы, инфляция, ключевая ставка ЦБ, средняя ставка автокредита, цены на бензин, индекс цен на авто с пробегом, демография.

Модель SARIMAX учитывает сезонность (пики в декабре, марте — льготные программы) и позволяет добавлять внешние регрессоры:

from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(
    endog=monthly_sales,
    exog=macro_feats_monthly,
    order=(2,1,1),
    seasonal_order=(1,1,1,12)
)
result = model.fit()
forecast = result.forecast(steps=12, exog=macro_forecast)

Как обрабатывать макроэкономические шоки?

При MAPE > порога за 2 месяца или появлении санкций/дефицита модель пересчитывается с новыми макро-регрессорами. Это гарантирует стабильность прогнозов в кризис.

Прогнозирование на разных уровнях: конфигурации и aftermarket

Cold start конфигураций — attribute-based подход, описанный выше. Цветовой микс предсказывается градиентным бустингом с учётом региона, сезона и трендов.

Aftermarket demand forecast:

def aftermarket_demand_forecast(part_number, region, horizon):
    park = get_veh_park(region, part_number['applicable_models'])
    mileage = regional_avg_mileage[region]
    failure_rate = failure_model.predict(part_number, age_dist=park['age'])
    return park['count'] * failure_rate / 12 * horizon

Сезонные детали (шины, аккумуляторы) имеют выраженный годовой цикл; тормозные детали — линейная функция от пробега.

Метрики, мониторинг и переобучение модели

Для мониторинга используем Weights & Biases. Модель автоматически пересчитывается при превышении порога MAPE за последние 2 месяца (дополнительно — при внешних шоках). Плановое обновление макро-регрессоров — раз в месяц.

Процесс внедрения и сроки

Базовая система (макро-регрессоры + SARIMAX + дилерский дашборд) — 4–6 недель. Полная иерархическая система (конфигурации, aftermarket, учёт программ) — 3–4 месяца. Стоимость рассчитывается индивидуально.

Что вы получаете в итоге

• Техническая документация (Data Dictionary, Model Card)
• API-доступ к модели (REST/gRPC)
• Дилерский дашборд (Metabase/Grafana)
• Обучение команды до 5 человек
• Сопровождение 3 месяца после внедрения

Типичные ошибки, которых мы избегаем:

• Использование только временных рядов без учёта макро-факторов (ошибка до 30%)
• Отсутствие cold start для новых конфигураций (прогнозы невозможны первые 6 мес.)
• Ручное обновление моделей (пропуск шоков)

Получите предварительную оценку вашего проекта — свяжитесь с нами, и мы предоставим демо-доступ к системе в течение 2 дней. Закажите консультацию по внедрению ML-прогнозирования.

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.