Ручне прогнозування попиту в Excel призводить до MAPE 20-30%. Для рітейлера з 50 000 SKU це виливається у втрати мільйонів гривень щомісяця через write-offs або дефіцит. Ми автоматизуємо ML-пайплайни, що знижують помилку до 8-12% за рахунок промо-моделювання, ієрархічного узгодження та автоматичного feature engineering. Незалежно від вертикалі — виробництво, FMCG, e-commerce або послуги — ключові проблеми однакові: якість даних, промо-ефекти та масштабування. Наші рішення адаптовані під специфіку бізнесу: для рітейлу — короткі горизонти та промо-ліфти, для виробництва — довгострокові прогнози та врахування макроіндикаторів. Часта помилка — ігнорування промо-календаря та сезонних патернів, що призводить до перекосів прогнозів. Ми використовуємо автоматичний підбір ознак та ансамблі моделей для підвищення робастності.
Специфіка задачі за вертикаллю
Виробництво
Горизонт 3-6 місяців через lead time, ключовий KPI — точність для планування сировини. Дані: історичні замовлення, макроіндикатори.
FMCG / Рітейл
Горизонт 1-4 тижні, промо-ліфти до +300%. Розділення baseline demand та incremental — основна складність.
E-commerce
Горизонт 1-7 днів, SKU-рівень, екстремальна сезонність (Black Friday). Потрібні глобальні моделі для 100 000+ SKU.
Послуги
Немає фізичного запасу, але є потужності (оператори КЦ, сервери). Прогнозується навантаження, а не товар.
Як ML-моделі справляються з промо-ефектами?
Промо — найбільше джерело помилок. Декомпозиція Total Demand = Baseline + Incremental Lift дозволяє моделювати ліфт окремо. Приклад: LightGBM регресор для ліфту приймає фічі discount_pct, mechanic, display_flag, brand_strength та видає коефіцієнт — наприклад, 1.85 (+85%). Крос-SKU ефекти (cannibalization та halo) коригують прогнози по всій категорії через матрицю cross-elasticities. LightGBM перевершує Prophet в 1.15-1.2 рази за MAPE для короткострокових прогнозів з промо-акціями.
lift_features = { 'discount_pct': 20.0, 'mechanic': '2+1', 'display_flag': 1, 'leaflet_flag': 0, 'competitor_promo': 0, 'category': 'soft_drinks', 'brand_strength': 0.8, 'seasonality_index': 1.2 } predicted_lift = lift_model.predict([lift_features]) Чому ієрархічне прогнозування критичне для 10 000 SKU?
Ієрархія: Total → Category → Brand → SKU → Location. Ручне узгодження 500 000 прогнозів щодня неможливе. MinT (Minimum Trace) дає незміщені оцінки на всіх рівнях. Порівняння методів:
| Метод | Точність (WMAPE) | Швидкість | Інтерпретованість |
|---|---|---|---|
| Bottom-up | Середня | Висока | Висока |
| Top-down | Низька | Висока | Середня |
| MinT | Висока | Середня | Низька |
| Optimal Combination | Висока | Низька | Низька |
Ми використовуємо гібрид: статистичні методи для довгих горизонтів та ML для коротких, агрегуючи через MinT.
New Product Introduction (NPI)
Нові SKU без історії — часта біль. Три підходи:
- Аналог-based: прогноз на основі продажів схожих продуктів при запуску.
- Attribute-based: регресія на характеристики (бренд, категорія, ціна).
- Bayesian prior: початковий прогноз = аналог, оновлюється за першими продажами.
| Метод | Точність старту | Адаптація | Необхідні дані |
|---|---|---|---|
| Аналог-based | Середня | Низька | Історія аналогів |
| Attribute-based | Низька | Середня | Характеристики |
| Bayesian prior | Висока | Висока | Продажі 1-4 тижні |
Архітектура системи прогнозування
Повний pipeline: від даних до прогнозів
Data Sources → Feature Engineering → Model Training → Forecast → Activation Data Sources: ├── Internal: ERP sales, WMS, CRM ├── External: macro data, weather, search trends └── Promotional: trade calendar, planned campaigns Feature Engineering (dbt / Spark): ├── Temporal lags: t-1, t-7, t-28, t-52 (weeks) ├── Rolling aggregations: 4w, 13w, 52w ├── Promotional features: lift estimation, channel flags └── External features: weather index, macro indicators Model Training (MLflow): ├── Baseline: Seasonal Naive, ETS ├── Statistical: Prophet, SARIMA ├── ML: LightGBM, DeepAR └── Ensemble: Stacking / Weighted Average Forecast Generation: └── Hierarchical reconciliation → SKU × Location prognoses Як побудувати baseline прогноз для нових SKU?
- Зберіть дані про старти аналогічних SKU за останні 2 роки.
- Виділіть атрибути: бренд, категорія, ціновий сегмент, сезон запуску.
- Побудуйте регресійну модель для передбачення перших 4 тижнів продажів.
- Використовуйте Bayesian update: щотижня коригуйте прогноз на основі фактичних продажів.
Цей підхід дає точність старту WMAPE 15-18% проти 30% при наївній середній.
Інтеграція та активація прогнозів
Система експортує прогнози в S&OP (SAP IBP, Anaplan) через API та генерує purchase orders для VMI. Accuracy tracking: 1 - WMAPE на дашборді. Ми гарантуємо прозорість: model card, SHAP-звіти, документація пайплайну. Завдяки точності прогнозів наші клієнти скорочують витрати на зберігання на 20-30%.
Що входить в роботу (deliverables)
- Аудит джерел даних та очищення.
- Feature engineering pipeline (dbt/Spark).
- Навчання та валідація моделі (MLflow).
- Документація архітектури та model card.
- Інтеграція з ERP/S&OP через API.
- Навчання команди та підтримка 3 місяці.
Оцінимо ваш проєкт за 2-3 дні — зв'яжіться з нами. Досвід 5+ років, 30+ впроваджених demand forecasting систем для рітейлу та виробництва. Типові строки: базова система з LightGBM для 1000+ SKU — 6-8 тижнів, повноцінна ієрархічна система з NPI та reconciliation — 4-6 місяців. Отримайте консультацію, щоб обговорити деталі.