Прогнозування та маркдаун: як AI допомагає скоротити харчові відходи

Ресторани втрачають до 30-40% закуплених продуктів — це прямі збитки та екологічне навантаження. За даними WRAP, британський рітейл щорічно втрачає £1,9 млрд на харчових відходах. Мережа пекарень після впровадження AI-системи заощадила $15 тис. на місяць за рахунок зниження відходів. В іншому проєкті для мережі ресторанів швидкого харчування економія склала €12 тис. на місяць.

Наша мета — скорочення харчових відходів. AI-система скорочує втрати через точне AI прогнозування попиту, динамічне ціноутворення, управління запасами та інтелектуальне ціноутворення. Команда реалізувала 20+ проєктів у рітейлі та громадському харчуванні, гарантуючи зниження харчових відходів на 20-35%. В одному проєкті для мережі пекарень ми скоротили відходи на 28% за 3 місяці, а виручка від знижкових продажів зросла на 18%. Наша команда має 7+ років досвіду в data science та retail, сертифікати від провідних вендорів. Понад 5 років на ринку розробки AI-рішень для рітейлю.

Які проблеми вирішує AI?

Основні джерела втрат: overproduction (приготовано більше, ніж продано), overordering (закуплено понад потребу), expiry (товар не проданий до закінчення терміну), spoilage (порушення умов зберігання). AI-система впливає на всі точки: прогноз попиту знижує overproduction, shelf-life aware replenishment бореться з expiry, динамічний маркдаун — з overordering.

Як shelf-life aware replenishment знижує списання на 15-25%

Стандартні методи прогнозу не враховують залишковий термін придатності. Ми застосовуємо shelf-life aware replenishment: при розрахунку замовлення враховується, скільки днів кожен продукт може ще пролежати на полиці. Залишок, який буде проданий до закінчення терміну мінус 2 дні, вважається sellable inventory. Net need = forecast - sellable_inventory. Такий підхід в 1.3 рази точніший за стандартний forecast-only метод і скорочує списання на 15-25%.

def shelf_life_adjusted_order(forecast, current_inventory, expiry_dates, min_shelf_life_at_sale=2):
    """
    Остаток, который будет продан до истечения срока минус 2 дня
    = Sellable inventory
    Net need = forecast - sellable_inventory
    """
    sellable = sum(qty for qty, exp in zip(current_inventory, expiry_dates)
                   if (exp - today).days >= min_shelf_life_at_sale)
    return max(0, forecast - sellable)

Чому динамічний маркдаун збільшує виручку в 1.4 рази порівняно з фіксованими знижками

Відзначимо: коли до закінчення терміну залишається мало днів, система автоматично знижує ціну, максимізуючи виручку від залишку. Використовується ймовірнісна модель: survival_model оцінює ймовірність продати всі одиниці за поточною ціною. Якщо ймовірність нижча за 80%, price_optimizer знаходить оптимальну знижку. Типові маркдауни: за 3 дні до закінчення — знижка 15%, за 1 день — 30%, в день закінчення — 50%. Застосування маркдауну товарів з терміном придатності дозволяє зменшити списання.

def calculate_markdown(current_price, days_remaining, daily_demand, units_remaining):
    """
    Оптимальная скидка: максимизировать выручку от остатка
    при ограничении: продать всё до истечения срока
    """
    prob_sell = survival_model.predict_proba(days_remaining, units_remaining, daily_demand)
    if prob_sell > 0.8:
        return 0
    optimal_price = price_optimizer(daily_demand, price_elasticity, days_remaining, units_remaining)
    markdown_pct = (current_price - optimal_price) / current_price
    return markdown_pct

Для ресторанів механізм адаптується в Daily Specials: AI генерує страви дня із залишків інгредієнтів з терміном, що спливає, підвищуючи маржу та скорочуючи відходи.

Навіщо потрібен IoT-моніторинг відходів?

Встановлення smart bin — вагів та камер над сміттєвими баками — дозволяє в реальному часі бачити, які продукти та чому викидаються. Шеф-кухар отримує щоденний звіт:

daily_waste_report = {
    'total_kg': 12.3,
    'value_usd': 45.80,
    'top_wasted_items': [
        {'item': 'Salmon', 'qty_kg': 2.1, 'cause': 'overproduction'},
        {'item': 'Mixed salad', 'qty_kg': 1.8, 'cause': 'plate_waste'},
        {'item': 'Croissants', 'qty_kg': 1.4, 'cause': 'expired'}
    ]
}

Це дозволяє оперативно коригувати закупівлі та меню. Наші інженери інтегрують дані з IoT у загальну платформу для відображення в дашбордах. Система підтримує інтеграцію з API донаційних платформ (FoodCloud, Too Good To Go), автоматично пропонуючи надлишки благодійним організаціям з урахуванням логістики та термінів.

Як розпочати впровадження?

1. Аудит поточних втрат і потоків продукції
2. Збір та очищення даних (транзакції, інвентаризації, терміни)
3. Розробка прогнозної моделі з урахуванням сезонності та shelf-life
4. Інтеграція з POS/ERP через REST API або файловий обмін
5. Розгортання динамічного маркдауну та IoT-моніторингу
6. Тестування на історичних даних та A/B-тести
7. Промисловий запуск і навчання персоналу
8. Пост-релізна підтримка та оптимізація

Очікувані результати

AI допомагає зменшити харчові втрати в рітейлі. Система сприяє оптимізації громадського харчування. Моделі demand forecasting використовуються для прогнозу. Food waste reduction є головною метою. Терміни розробки: базова система з demand forecast та markdown engine — від 4 тижнів. Повноцінна платформа з IoT та donation API — від 3 місяців. Вартість розраховується індивідуально. Замовте демо для вашого бізнесу — ми покажемо, як AI знижує ваші втрати. Отримайте консультацію без зобов'язань.

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.