AI-прогнозування попиту на запчастини та оптимізація запасів

Післяпродажне обслуговування автомобілів стикається з парадоксом: сотні тисяч SKU, з яких 80% продаються рідше ніж раз на місяць, при цьому дефіцит однієї критичної деталі зупиняє автомобіль на тиждень. Попит на нові деталі (cold start) взагалі неможливо передбачити класичними методами. Ми вирішуємо це завдання, комбінуючи ABC-класифікацію з ML-моделями, адаптованими під різні типи попиту. Наш підхід знижує рівень запасів на 15–25% при збереженні або покращенні сервісного рівня — це перевірено на 50+ проектах у дистрибуції запчастин.

Чому Croston та TSB необхідні для intermittent demand?

Більшість деталей продається рідко та нерівномірно. ARIMA або Prophet на такому попиті дають помилку MAPE >100%. Croston окремо прогнозує інтервал між продажами та розмір транзакції, а TSB (Teunter-Syntetos-Babai) додає адаптацію під старіючі деталі — це знижує bias на 30–50%. На реальних даних дистриб'ютора Croston показав MAPE 78% проти 142% у ARIMA — у 1.8 раза точніше.

from statsforecast.models import CrostonOptimized, IMAPA, TSB

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

Порівняння методів прогнозу для intermittent demand:

Як park-based forecast підвищує точність?

Попит на запчастини визначається не лише історією продажів, а й парком автомобілів. Ми будуємо модель: попит = кількість машин × ймовірність відмови деталі залежно від віку. Джерело даних — реєстраційні бази (парк за моделями та роками).

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

Цей метод особливо ефективний для нових деталей або при виведенні продукту (cold start), коли історії продажів ще немає.

Оптимізація safety stock з урахуванням асиметрії витрат

Класична newsvendor model: ми оптимізуємо страховий запас не за симетричним нормальним розподілом, а за реальними витратами на дефіцит (простоювання клієнта, втрата лояльності) та зберігання. Собівартість дефіциту критичної деталі може в 50 разів перевищувати вартість зберігання — safety stock для таких SKU піднімається до z=3.0 проти стандартного z=1.65.

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

Як ML Ops підтримує моделі в продакшені?

Моделі деградують з часом: змінюються парк автомобілів, сезонність, асортимент. Ми налаштували ML Ops-конвеєр: автоматичне перенавчання при зниженні точності (alert при MAPE > 90%), логування метрик в MLflow, A/B-тестування нових версій. Це гарантує стабільну роботу прогнозів без щомісячного ручного втручання.

Управління застаріваючими деталями (phase-out)

Знята з виробництва модель — попит згасає, але не миттєво. TSB-модель виявляє тренд на зниження, а наш скрипт детектує ознаки 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 — розрахунок оптимального замовлення на 5–7 років гарантійного обслуговування. Ми враховуємо, що після EOL деталі дорожчають або стають недоступними.

Multi-echelon: зниження bullwhip effect

У ланцюжку OEM → дистриб'ютор → дилер варіація попиту посилюється. Ми синхронізуємо safety stock на всіх рівнях: чим вищий буфер у дилера, тим менший страховий запас дистриб'ютора. VMI (Vendor Managed Inventory) в реальному часі поповнює склад дилера — це знижує загальний запас по ланцюжку на 15–20%.

Що входить в роботу

1. Аудит даних: історія продажів, парк автомобілів, каталог деталей.
2. Побудова ML-моделей: Croston, TSB, park-based, сезонні фактори.
3. Оптимізація safety stock і reorder points (диференційовані сервісні рівні).
4. Phase-out management і рекомендації final buy.
5. Дашборд з прогнозами, alerting щодо дефіциту/надлишків.
6. Інтеграція з WMS/ERP, налаштування VMI.
7. Навчання команди та експлуатаційна документація.

Окупність рішення становить менше 12 місяців. Зв'яжіться з нами — оцінимо ваш складський портфель і покажемо потенціал зниження запасів. Наша команда: 10+ років у ML-рішеннях для логістики, 50+ впроваджених проектів, сертифіковані спеціалісти з методу Croston.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.