Розробка AI-системи для прогнозування попиту

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:

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.

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 (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?

1. Зберіть дані про старти аналогічних SKU за останні 2 роки.
2. Виділіть атрибути: бренд, категорія, ціновий сегмент, сезон запуску.
3. Побудуйте регресійну модель для передбачення перших 4 тижнів продажів.
4. 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.

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.