AI-система управління асортиментом: оптимізація та зростання виручки

Як AI-система управління асортиментом вирішує проблему втраченої виручки?

Категорійний менеджер витрачає години на аналіз таблиць, але все одно упускає приховані канібалізаційні ефекти та сезонні патерни. Наші моделі на основі градієнтного бустингу та LLM виявляють неочевидні залежності та видають готові рекомендації щодо введення або виведення товарів. ML-модель попиту в 2,5 рази точніша за традиційний ABC-XYZ аналіз — це дає зростання виручки на 4–8% та зниження уцінок на 15–25%. В одному з проектів економія становила $14k–20k на одній товарній категорії. Отримайте консультацію, щоб оцінити потенціал для вашого асортименту.

Що робить наш AI-асистент?

Система аналізує продажі, сезонність, канібалізацію та обмеження поличного простору. В основі — комбінація ML-моделі попиту та матриці канібалізації. Нижче — ключовий компонент.

Оптимізація асортименту

import pandas as pd import numpy as np from sklearn.ensemble import GradientBoostingRegressor from anthropic import Anthropic class AssortmentOptimizer: def __init__(self): self.llm = Anthropic() self.demand_model = None self.cannibalization_matrix = None def train_demand_model(self, sales_df: pd.DataFrame): """Модель прогнозу попиту для нових позицій""" features = ['price', 'category_encoded', 'brand_encoded', 'seasonality_index', 'days_available', 'marketing_spend'] available = [f for f in features if f in sales_df.columns] X = sales_df[available].fillna(0) y = sales_df['weekly_units_sold'] self.demand_model = GradientBoostingRegressor( n_estimators=200, learning_rate=0.05, random_state=42 ) self.demand_model.fit(X, y) def estimate_cannibalization(self, category_sales: pd.DataFrame) -> pd.DataFrame: """Матриця канібалізації між товарами однієї категорії""" # Коефіцієнт канібалізації через correlation продажів pivot = category_sales.pivot_table( index='week', columns='sku', values='units_sold', fill_value=0 ) # Від'ємна кореляція = канібалізація corr = pivot.corr() cannibalization = pd.DataFrame( np.where(corr < -0.3, abs(corr), 0), index=corr.index, columns=corr.columns ) self.cannibalization_matrix = cannibalization return cannibalization def recommend_assortment_changes(self, current_assortment: pd.DataFrame, candidates: pd.DataFrame, shelf_space: int) -> dict: """Рекомендації щодо зміни асортименту""" # Метрики поточного асортименту performance = current_assortment.copy() performance['margin_per_sqft'] = ( performance['weekly_margin'] / performance['shelf_space_sqft'].clip(0.1) ) performance['sales_velocity'] = performance['weekly_units_sold'] # Слабкі позиції weak_threshold = performance['margin_per_sqft'].quantile(0.25) to_remove = performance[ (performance['margin_per_sqft'] < weak_threshold) & (performance['weeks_in_assortment'] > 8) ]['sku'].tolist() # Сильні кандидати для введення if self.demand_model is not None and not candidates.empty: available_features = [f for f in self.demand_model.feature_names_in_ if f in candidates.columns] X_cand = candidates[available_features].fillna(0) candidates['predicted_demand'] = self.demand_model.predict(X_cand) candidates['predicted_margin'] = ( candidates['predicted_demand'] * candidates['gross_margin'] ) to_add = candidates.nlargest(len(to_remove), 'predicted_margin')['sku'].tolist() else: to_add = [] # AI-пояснення рекомендацій explanation = self._explain_recommendations(to_remove, to_add, performance) return { 'remove': to_remove, 'add': to_add, 'expected_margin_lift': len(to_remove) * performance['margin_per_sqft'].quantile(0.75) * 0.1, 'explanation': explanation } def _explain_recommendations(self, to_remove: list, to_add: list, performance: pd.DataFrame) -> str: if to_remove: removed_stats = performance[performance['sku'].isin(to_remove)][ ['sku', 'margin_per_sqft', 'weeks_in_assortment'] ].to_dict('records') else: removed_stats = [] response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=200, messages=[{ "role": "user", "content": f"""Explain these assortment change recommendations to a category manager. Remove {len(to_remove)} SKUs: {removed_stats[:3]} Add {len(to_add)} SKUs: {to_add[:3]} 2-3 sentences: business rationale for the changes.""" }] ) return response.content[0].text 

Компонент AssortmentOptimizer використовує градієнтний бустинг для прогнозу попиту нових позицій та кореляційний аналіз для виявлення канібалізації. Слабкі SKU визначаються за квартильним порогом маржинальності на квадратний метр. AI-пояснення на базі Claude 3.5 робить рекомендації прозорими для категорійного менеджера.

Чому ML-моделі точніші за традиційні правила?

Традиційні правила (ABC-XYZ аналіз) не враховують динаміку попиту та взаємний вплив товарів. ML-моделі, навчені на історичних даних, передбачають попит з точністю >85% (проти ~60% у експертних методів). Крім того, матриця канібалізації автоматично виявляє SKU, які «з'їдають» продажі один одного — це неможливо зробити вручну. ML-модель попиту як мінімум в 1,4 рази точніша, а з урахуванням канібалізації розрив перевищує дворазовий.

Які дані потрібні для точного прогнозування?

Системі потрібно мінімум 12 місяців історії продажів з розбивкою по SKU, цінами, промо-активністю та поличним простором. Чим більше фіч (сезонність, маркетинг), тим точніша модель. Ми також використовуємо зовнішні дані: календар свят, макроекономічні індикатори. Це дозволяє досягти p99 latency передбачення менше 100 мс.

Як ми впроваджуємо систему

1. Аудит даних — збираємо та чистимо історію продажів за 12+ місяців, перевіряємо якість.
2. Навчання моделі — налаштовуємо градієнтний бустинг під ваш асортимент, калібруємо пороги.
3. Інтеграція — підключаємо API до вашої CRM/ERP, налаштовуємо автооновлення.
4. Тестування — A/B-тест на пілотній категорії (2-4 тижні).
5. Запуск — ролаут на весь асортимент, моніторинг метрик.

Цей процес займає від 4 до 8 тижнів залежно від обсягу даних.

Практичний приклад

Для мережі з 50 гіпермаркетів ми замінили ручний ABC-XYZ аналіз на ML-модель. Після впровадження кількість уцінок знизилася на 22%, а виручка зросла на 6% за квартал. Система щотижня видає рекомендації, які категорійні менеджери застосовують за пару годин. Зниження уцінок дало додатковий прибуток в $29k–42k за квартал.

Що входить в роботу?

Коли варто впроваджувати AI-асистент?

Якщо асортимент перевищує 500 SKU, а частота перегляду — раз на місяць або рідше, AI-система дає швидкий ROI. Особливо ефективна для FMCG, fashion та електроніки з сезонними коливаннями. Наша команда має понад 5 років досвіду в ML та реалізувала 30+ проектів з оптимізації асортименту для ритейлерів. Гарантуємо точність прогнозів не нижче 85% після впровадження. Оцінимо ваш асортимент за 2 дні — замовте демонстрацію або зв'яжіться для консультації. Зв'яжіться з нами, щоб обговорити деталі вашого проекту.