AI-система управления запасами сырья и комплектующих

Управление запасами в производстве критически отличается от ритейла: сырьё нужно в точном количестве к конкретному моменту производственного цикла. Отсутствие одного компонента останавливает линию, принося убытки до 100 тысяч рублей в час. Классическая MRP (Material Requirements Planning) использует единственный точечный прогноз спроса — любая ошибка каскадом искажает все закупки. Мы разрабатываем AI-системы, которые заменяют детерминированный план на вероятностное распределение сценариев и динамически балансируют риски. Типичный результат — сокращение дефицита на 60–80% и рост оборачиваемости сырья на 20–30%. Дополнительно, AI-модели прогнозирования потребности в сырье учитывают сезонность, тренды и макроэкономические факторы, что повышает точность на 40% по сравнению с традиционными методами.

Как AI-MRP превосходит классический MRP?

Классическая формула: Net Requirement = Gross Requirement - Available Inventory - Scheduled Receipts. AI-MRP использует три ключевых улучшения:

1. Probabilistic demand forecast — не точка, а p10/p50/p90 перцентили.
2. Stochastic MRP — расчёт потребности для каждого сценария, получаем распределение требований.
3. Safety stock на основе квантилей — не по историческому σ, а по распределению спроса × service level.

def ai_mrp_requirements(demand_scenarios, bom, lead_time_distribution, service_level=0.95):
    """
    demand_scenarios: матрица [n_scenarios × n_periods]
    Для каждого сценария → потребности сырья через BOM
    Safety stock = (service_level)-й квантиль потребности минус mean
    """
    requirements = []
    for scenario in demand_scenarios:
        finished_goods_needed = scenario
        raw_material_needed = explode_bom(finished_goods_needed, bom)
        requirements.append(raw_material_needed)

    req_array = np.array(requirements)
    safety_stock = np.percentile(req_array, service_level * 100, axis=0) - req_array.mean(axis=0)
    return req_array.mean(axis=0) + safety_stock

Результат: дефицит сырья падает на 60–80% при росте оборачиваемости на 20–30% по сравнению с классикой. В ряде проектов дефицит снизился в 3-5 раз.

Почему стоит использовать стохастическое планирование?

В реальном производстве lead time и спрос нестабильны. MRP II игнорирует эту вариабельность. AI-MRP моделирует её:

Специфика производственных запасов

• Bill of Materials (BOM): каждый продукт раскладывается в дерево компонентов. Изменение плана → каскадный пересчёт по всем уровням.
• Lead time вариабельность: ML-модель учитывает OTIF поставщика, сезонность, категорию сырья, макроэкономические шоки.
• Минимальные партии (MOQ): оптимизация с MOQ — NP-трудная задача, решаемая метаэвристиками.

supplier_features = {
    'otif_3m': otif_last_3_months,         # On-Time In-Full
    'lead_time_cv': lead_time_std / lead_time_mean,  # вариативность
    'quality_rejection_rate': rejected_qty / received_qty,
    'financial_stability': altman_z_score,
    'geographic_risk': country_risk_index,
    'single_source_flag': 1 if only_supplier else 0
}
reliability_score = reliability_model.predict(supplier_features)

Dynamic safety stock

Классическая формула SS = Z × √(ADL × σ²_demand + D² × σ²_lead_time) заменяется на AI-версию:

• σ_demand из квантильной модели, а не исторического std.
• σ_lead_time из ML-модели.
• Z варьируется по SKU: для критического сырья 97.7%, для стандартного — 90%.

Что входит в работу

• Архитектурная документация (модель данных, API, интеграционные схемы).
• Внедрение ML-моделей в SAP PP/MM через RFC BAPI, обновление safety stock в MARC.
• Обучение команды закупок работе с отчётами и алертами.
• Техническая поддержка 3 месяца после релиза.

Как внедрить AI-MRP: пошаговый процесс

1. Аудит данных и инфраструктуры: оцениваем качество и полноту исторических данных, настраиваем конвейер.
2. Проектирование модели: выбираем алгоритмы для probabilistic demand и ML lead time.
3. Разработка прототипа: реализуем core-модули на Python с интеграцией через API.
4. Интеграция с ERP: подключаем чтение/запись через RFC BAPI (SAP) или REST.
5. Обучение и калибровка: настраиваем safety stock под service level, включаем supplier scores.
6. Запуск и мониторинг: развёртываем в production, отслеживаем концептуальный дрейф и переобучаем модели.

Типичные ошибки

• Игнорирование качества исторических данных: модель требует минимум 2-3 года с очищенными аномалиями.
• Неучёт MOQ в оптимизации: округление без дискретной оптимизации приводит к избытку.
• Отсутствие мониторинга концептуального дрейфа: распределения спроса меняются, модель нужно переобучать.

Ключевые метрики и опыт

Мы реализовали такие системы для 5+ производственных заказчиков. Наш общий опыт в AI/ML — более 7 лет, больше 50 проектов. Средняя экономия для клиентов — от 1 до 5 млн рублей в год. Дополнительно, за счёт снижения списаний и стоимости хранения экономия может достигать 2-4 млн рублей ежегодно.

Сроки и стоимость

Базовая версия AI-MRP (probabilistic demand + ML lead time) — от 6 до 8 недель. Полноценная система с supplier risk, disruption forecasting и полной ERP-интеграцией — от 4 до 5 месяцев. Стоимость рассчитывается индивидуально под задачи конкретного производства. Получите консультацию: мы оценим ваши данные и сформулируем план за один рабочий день. Свяжитесь с нами для обсуждения вашего производства.

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.