Сокращение пищевых отходов с помощью AI: прогнозирование и маркдаун

Рестораны теряют до 30-40% закупленных продуктов — это прямые убытки и экологическая нагрузка. По данным WRAP, британский ритейл ежегодно теряет £1,9 млрд на пищевых отходах. Сеть пекарен после внедрения AI-системы сэкономила $15 тыс. в месяц за счёт снижения отходов. AI-система сокращает потери через точное прогнозирование спроса, динамическое управление запасами и интеллектуальное ценообразование. Наша команда разрабатывает такие системы под ключ — от аудита до деплоя. За несколько лет мы реализовали 20+ проектов в ритейле и общепите, гарантируя снижение пищевых отходов на 20-35%. В одном проекте для сети пекарен мы сократили отходы на 28% за 3 месяца, а выручка от скидочных продаж выросла на 18%.

Проблемы, которые решаем

Основные источники потерь: overproduction (приготовлено больше, чем продано), overordering (закуплено сверх потребности), expiry (товар не продан до истечения срока), spoilage (нарушение условий хранения). AI-система воздействует на все точки: прогноз спроса снижает overproduction, shelf-life aware replenishment борется с expiry, динамический маркдаун — с overordering.

Как shelf-life aware replenishment снижает списания на 15-25%

Стандартные методы прогноза не учитывают остаточный срок годности. Мы применяем shelf-life aware replenishment: при расчёте заказа учитывается, сколько дней каждый продукт может ещё пролежать на полке. Остаток, который будет продан до истечения срока минус 2 дня, считается sellable inventory. Net need = forecast - sellable_inventory. Такой подход на 30% точнее стандартного forecast-only метода и сокращает списания на 15-25%.

def shelf_life_adjusted_order(forecast, current_inventory, expiry_dates, min_shelf_life_at_sale=2):
    """
    Остаток, который будет продан до истечения срока минус 2 дня
    = Sellable inventory
    Net need = forecast - sellable_inventory
    """
    sellable = sum(qty for qty, exp in zip(current_inventory, expiry_dates)
                   if (exp - today).days >= min_shelf_life_at_sale)
    return max(0, forecast - sellable)

Почему динамический маркдаун увеличивает выручку на 40% по сравнению с фиксированными скидками

Отметим: когда до истечения срока остаётся мало дней, система автоматически снижает цену, максимизируя выручку от остатка. Используется вероятностная модель: survival_model оценивает вероятность продать все единицы по текущей цене. Если вероятность ниже 80%, price_optimizer находит оптимальную скидку. Типичные маркдауны: за 3 дня до истечения — скидка 15%, за 1 день — 30%, в день истечения — 50%.

def calculate_markdown(current_price, days_remaining, daily_demand, units_remaining):
    """
    Оптимальная скидка: максимизировать выручку от остатка
    при ограничении: продать всё до истечения срока
    """
    prob_sell = survival_model.predict_proba(days_remaining, units_remaining, daily_demand)
    if prob_sell > 0.8:
        return 0
    optimal_price = price_optimizer(daily_demand, price_elasticity, days_remaining, units_remaining)
    markdown_pct = (current_price - optimal_price) / current_price
    return markdown_pct

Для ресторанов механизм адаптируется в Daily Specials: AI генерирует блюда дня из остатков ингредиентов с истекающим сроком, повышая маржу и сокращая отходы.

Зачем нужен IoT-мониторинг отходов

Установка smart bin — весов и камер над мусорными баками — позволяет в реальном времени видеть, какие продукты и почему выбрасываются. Шеф-повар получает ежедневный отчёт:

daily_waste_report = {
    'total_kg': 12.3,
    'value_usd': 45.80,
    'top_wasted_items': [
        {'item': 'Salmon', 'qty_kg': 2.1, 'cause': 'overproduction'},
        {'item': 'Mixed salad', 'qty_kg': 1.8, 'cause': 'plate_waste'},
        {'item': 'Croissants', 'qty_kg': 1.4, 'cause': 'expired'}
    ]
}

Это позволяет оперативно корректировать закупки и меню. Наши инженеры интегрируют данные с IoT в общую платформу для отображения в дашбордах. Система поддерживает интеграцию с API донационных платформ (FoodCloud, Too Good To Go), автоматически предлагая излишки благотворительным организациям с учётом логистики и сроков.

Что входит в нашу работу

Мы предоставляем полный набор deliverables:

• Документация: техническая документация по интеграции, инструкции для операторов, описание API.
• Доступы: к дашборду системы, API-ключам, репозиторию с моделями.
• Обучение: проведение воркшопов для команды (шеф-повара, байеры, администраторы), видеоуроки и чек-листы.
• Поддержка: гарантийная поддержка 3 месяца после запуска, дальше по SLA.

Как мы гарантируем результат

Каждый проект начинается с аудита текущих потерь и потоков. Мы фиксируем baseline и через A/B-тестирование на одной площадке доказываем эффективность. Только после успешного пилота масштабируем на все точки. Система обучается на ваших данных, поэтому точность прогноза растёт со временем. Наша команда имеет сертификаты от ведущих вендоров — ваш бизнес защищён.

Процесс работы

1. Аудит текущих потерь и потоков продукции
2. Сбор и очистка данных (транзакции, инвентаризации, сроки)
3. Разработка прогнозной модели с учётом сезонности и shelf-life
4. Интеграция с POS/ERP через REST API или файловый обмен
5. Развёртывание динамического маркдауна и IoT-мониторинга
6. Тестирование на исторических данных и A/B-тесты
7. Промышленный запуск и обучение персонала
8. Пост-релизная поддержка и оптимизация

Ожидаемые результаты

Сроки разработки: базовая система с demand forecast и markdown engine — от 4 недель. Полноценная платформа с IoT и donation API — от 3 месяцев. Стоимость рассчитывается индивидуально. Закажите демо для вашего бизнеса — мы покажем, как AI снижает ваши потери. Получите консультацию без обязательств.

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.