Розробка AI-системи для прогнозування попиту
Прогнозування попиту — основа планування виробництва, закупок та логістики. Розрив між прогнозом та реальністю конвертується прямо в write-offs излишків або упущені продажі. AI-система зменшує MAPE з 20-30% (типово для Excel-методів) до 8-12% при правильній постановці задачі.
Специфіка задачі за вертикаллю
Виробництво з плановим горизонтом: Горизонт 3-6 місяців через production lead time. Точність важлива для економії на сировині, не для оперативного управління. Дані: історичні замовлення, фічі ринку, мощності конкурентів.
FMCG / Ритейл: Горизонт 1-4 тижні, висока частота. Промо-ліфти можуть дати +100-300% до базового попиту. Необхідно розділяти baseline demand та incremental від промо.
E-commerce: Горизонт 1-7 днів. SKU-рівневий прогноз для dynamic pricing та inventory positioning. Екстремальна сезонність (Black Friday).
Послуги (телеком, банки): Попит на сервіс, а не фізичний товар. Нема фізичного запасу, але є мощності (оператори КЦ, серверна інфраструктура).
Архітектура системи прогнозування
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 (тижні)
├── 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 прогнози
Промо-моделювання
Промо-акції — найбільший джерело помилки в demand forecasting:
Decomposition:
Total Demand = Baseline Demand + Incremental Demand (Promotional Lift)
Lift = f(discount_depth, mechanic, category, brand_strength)
Промо-ліфт модель:
# LightGBM регресор для прогнозування ліфту
lift_features = {
'discount_pct': 20.0, # 20% скидка
'mechanic': '2+1', # механіка
'display_flag': 1, # виставлення на дисплей
'leaflet_flag': 0, # нема в листівці
'competitor_promo': 0, # нема промо конкурента
'category': 'soft_drinks',
'brand_strength': 0.8,
'seasonality_index': 1.2
}
predicted_lift = lift_model.predict([lift_features])
# predicted_lift = 1.85 (т.е. +85% до базового попиту)
Cannibalization & Halo: При промо на SKU A частина продажів перетікає з SKU B (cannibalization). Супутні SKU можуть виросту (halo effect). Матриця cross-SKU ефектів → корректування прогнозів по всій категорії.
Ієрархічне прогнозування
Total Company Forecast
└── By Category
└── By Brand
└── By SKU
└── By Location (склад/магазин)
Reconciliation:
- Bottom-up: суммуємо прогнози SKU × Location
- Top-down: ділимо прогноз топ-рівня по історичним долям
- MinT (Minimum Trace): матричні операції, теоретично оптимальна
Для 10,000 SKU × 50 складів: 500,000 прогнозів щодня. Потрібні ефективні глобальні моделі, не індивідуальні.
New Product Introduction (NPI)
Нові SKU без історії — окрема задача:
- Analog-based: прогноз на основі продажів подібних продуктів при запуску
- Attribute-based: регресія на характеристики продукту (бренд, категорія, ціна) для прогнозування launch curve
- Bayesian Prior: початковий прогноз = аналогічний SKU, оновлюється по мірі поступлення першіх продажів (Bayesian update)
Інтеграція та активація прогнозів
Автоматичні замовлення (VMI — Vendor Managed Inventory): Прогноз попиту → розрахунок ROP та EOQ → формування purchase orders → EDI 850 постачальнику.
S&OP інтеграція: Прогнози експортуються в S&OP (Sales & Operations Planning) систему (SAP IBP, Anaplan, Kinaxis Maestro) через API для узгодження з production plan.
Accuracy Tracking:
Forecast Accuracy = 1 - WMAPE
WMAPE = Σ |Actual - Forecast| / Σ Actual (зважена по обсягу)
Дашборд точності на всіх рівнях ієрархії — ключовий KPI команди S&OP.
Часовая шкала: базова система з LightGBM для 1000+ SKU та промо-флагами — 6-8 тижнів. Повна ієрархічна система з NPI, reconciliation та ERP-інтеграцією — 4-6 місяців.