Скорочення харчових відходів за допомогою ШІ: прогнозування та маркдаун

Скорочення харчових відходів: де ламається поточний прогноз

Списання швидкопсувних товарів зростають не там, де їх шукають. Логістика зазвичай гаразд — товар приїжджає вчасно й у потрібному обсязі.

Ламається прогноз попиту в роздрібі: він рахує середні продажі за товаром загалом і не враховує, що термін придатності партій на полиці різний.

Для системи обліку залишок — це одна цифра на товар. Скільки одиниць доживе до кінця тижня, а скільки піде в уцінку за два дні, з неї не видно, і замовлення на постачання будується за загальною цифрою.

Прогноз, який не розрізняє партії за датами, фізично не може вирішити, що і в якому порядку продавати першим, — частина полиці гарантовано не встигає піти до дати закінчення.

Окремий шар — промо та локальні сплески попиту. Акція в одній точці підтягує продажі, середній прогноз її не чекає і замовляє із запасом; в іншій сплеск вимиває полицю за день, а машина з товаром уже в дорозі. Запас, зібраний «на всякий випадок», осідає на складі та на полиці.

Далі вмикається ланцюжок: товар підходить до терміну, його уцінюють перед закінченням, щоб повернути хоч частину, а те, що не купили й в уцінці, іде в списання. Порожня полиця в момент попиту втрачає виручку, яку вже не повернути. Розбираємо, як це закривається.

Ефект прогнозу: скорочення уцінки, менше списань, повна полиця

Метрики рахуємо на одній гранулярності — день, точка, товар, партія — інакше порівняння «до» і «після» доводить будь-що. Номенклатуру та терміни придатності звіряємо за стандартом маркування GS1, залишки тягнемо з облікової системи, промо та постачання — з календаря акцій. Без прив'язки до партії прогноз не відрізнити від середньої витрати по полиці.

Точність прогнозу легко «покращити» усередненням — і тоді частка списань падає не тому, що закупівля стала точнішою, а тому, що товар просто не привезли. Тому метрики читаємо лише в парі: помилка прогнозу плюс втрачені продажі знизу та уцінка зверху.

Якщо списання впали, а нульові залишки зросли — модель не навчилася прогнозувати попит, вона навчилася економити полицю.

Оборотність — зведений показник: вона зростає і коли запас скоротився розумно, і коли полиця спорожніла. Звідси порядок розбору: спочатку перевіряємо уцінку за швидкопсувними, потім оборотність за категоріями з найбільшою часткою списань, і вже потім дивимося точність прогнозу. Так видно, де ефект дав прогноз попиту, а де — зміна правил викладки.

Порівняння підходів: правила за термінами, статистика, машинне навчання

Експертні правила, статистика та машинне навчання розв'язують одну задачу — зрозуміти, скільки одиниць товару піде до закінчення терміну придатності, але переносять помилку по-різному.

Правила передбачувані та легко перевіряються, статистика ловить сезонність і промо, навчена модель враховує десятки слабких сигналів. Вибір визначається не «прогресивністю», а обсягом історії та ціною помилки в категорії.

Модель прогнозу попиту дає очікуваний залишок на дату, а правила автоматичної уцінки тримають поріг і крок знижки детермінованими — рішення залишається зрозумілим для категорійного менеджера.

Зазвичай починають з однієї еталонної категорії: заміряють частку списаного та точність прогнозу, і лише потім переносять логіку на решту матриці.

Впровадження за кроками: від аудиту даних до передачі регламентів

Порядок робіт вибудуваний так, що кожен наступний етап спирається на перевірений попередній: спочатку переконуємося, що історія продажів і постачань придатна для розрахунку, і лише потім щось рахуємо.

Інакше модель навчається на уривчастих даних і видає гарні цифри, які не сходяться з полицею в залі.

1. Аудит даних про продажі та постачання. Звіряємо історію за кожною точкою: знаходимо діри в списаннях, розбіжності між прийманням і продажами, дублі, задвоєні акції. Визначаємо період, на якому даних достатньо для навчання, і фіксуємо, яких ознак не вистачає.

2. Проєктування схеми розрахунку. Вибираємо горизонт прогнозу, рівень деталізації — точка, товар, день — і пороги, після яких залишок іде в уцінку. На цьому кроці замовник бачить логіку до того, як вона стане кодом.

3. Навчання моделі прогнозу. Модель враховує сезонність, промо, свята та локальний попит конкретної точки. Швидкопсувні та товари з довгим терміном придатності рахуємо окремо — у них різна ціна помилки.

4. Перевірка моделі на минулих періодах. Проганяємо її на закритих тижнях і порівнюємо з фактом, окремо розбираємо дні акцій та аномалій. Модель, яка не обігрує поточне правило списання, в роботу не йде.

5. Пілот у кількох точках. Ставимо поруч контрольні та експериментальні точки різного формату, щоб відокремити ефект моделі від сезонних коливань. На пілоті ж калібруємо пороги уцінки під реальну поведінку покупців.

6. Регламент роботи із залишками. Описуємо, хто і коли підтверджує уцінку, що робити при відхиленні факту від прогнозу і як повертати зворотний зв'язок у модель. Змінний персонал отримує коротку інструкцію, а не документ на півсотні сторінок.

7. Передача та супровід перших циклів. Перші тижні після запуску інженери залишаються на зв'язку: дивляться розбіжності, правлять налаштування та передають команді замовника розбір типових ситуацій.

Артефакти проєкту: схеми даних, правила уцінки, регламенти

Проєкт вважається зданим не в момент демонстрації дашборда, а коли рішення щодо залишків можна ухвалювати без нашої участі.

Тому в контур замовника передається не «модель у контейнері», а комплект, за яким новий інженер або категорійний менеджер розбереться в логіці розрахунку і зможе її змінити, не переписуючи систему цілком.

• Схема потоків даних — звідки надходять продажі, складські залишки, терміни придатності та постачання, з якою періодичністю, у яких розрізах і що відбувається з позицією, якщо вивантаження не надійшло вчасно.
• Документація щодо моделі прогнозу — які ознаки використовуються, на якому горизонті рахується попит, які категорії модель розуміє гірше і чому, як запускається перенавчання на нових даних.
• Правила спрацювання уцінки — пороги за залишком і терміном реалізації, крок знижки, пріоритет між схожими позиціями, умови, за яких система не знижує ціну, а передає рішення людині.
• Регламент роботи із залишками — хто і в яку пору доби підтверджує уцінку, як діяти при розбіжності прогнозу та факту, куди ескалюється спірний випадок на вихідних.
• Моніторинг якості прогнозу — частка позицій із помилкою вище допустимої, зміщення прогнозу за категорією, сповіщення при падінні точності або зміні поведінки попиту.
• Інструкції для категорійних менеджерів — короткі сценарії на кожен тип ситуації та розбір типових помилок при ручному коригуванні.
• План відкату — як за один крок повернутися до попередньої версії правил або перевести категорію в ручний режим.

Кейс: як мережа магазинів знизила списання швидкопсувних товарів

Як було до впровадження

Швидкопсувні категорії замовляли за середніми продажами за минулі тижні, а залишок перевірявся вручну: товарознавець обходив залу й уцінював те, що виглядає несвіжим.

Ні профіль дня тижня, ні погода, ні календар акцій у розрахунку не брали участі — частина партій ішла в уцінку першого ж дня, а у вечірній пік полиця порожніла. Списання вважалися неминучістю, хоча половина з них була наслідком не попиту, а грубого округлення замовлення.

Що змінили і що вийшло

Прогноз побудували на рівні «товар — магазин — день» з горизонтом у термін придатності партії: дані про партії та планограми брали з Blue Yonder, продажі — з касових даних.

Правило уцінки стало ймовірнісним: якщо прогноз продажів до кінця терміну придатності нижчий за залишок із заданою ймовірністю, система запускає уцінку заздалегідь, а не в останній день, і водночас блокує дозамовлення.

Страховий запас перераховується щоночі з фактичної помилки прогнозу, а не з фіксованої кількості днів покриття.

Пілот пройшов на сорока магазинах одного регіону, розкатка йшла хвилями за кластерами — порівняння тримали з контрольною групою.

• Списання швидкопсувних товарів — мінус 31% у порівнянних магазинах.
• Втрачені продажі через порожню полицю — удвічі менше.
• Середня помилка прогнозу на горизонті один-три дні — з 34% до 17%.
• Частка уціненого товару, проданого до закінчення терміну, — з 68% до 91%.

Перерахунок відбувається вночі, тому ранкове замовлення уточнюється за фактичними продажами минулого дня.

Чим нейромережевий прогноз відрізняється від правил за термінами придатності?

Правила ротації запасів відповідають на одне питання: що викладати й списувати першим. Логіка «першим іде те, у чого термін придатності закінчується раніше» наводить лад на полиці, але нічого не каже про те, чи встигне залишок продатися.

Пороги виду «за кілька днів до кінця терміну — уцінка» тримають ситуацію, поки попит рівний і повторюється за календарем.

Нейромережевий прогноз попиту рахує не порядок, а ймовірність: скільки одиниць конкретної партії піде до дати закінчення. На вхід ідуть продажі з розбивкою за точкою, днем тижня та годиною, календар акцій, погода, дані про термін придатності й залишок за кожною партією.

Модель будує локальний попит за точками: магазин біля метро і точка в спальному районі розходяться і за профілем покупця, і за піковими годинами.

Різниця проявляється там, де правила перестають влучати у факт. За довгого терміну придатності та рівних продажів порогів достатньо — вони прозорі й легко перевіряються.

Короткий термін, акції, спека або дощ і різний попит за точками ламають середні: те, що для мережі виглядає нормою, в окремій точці обертається простроченням або порожньою полицею.

Практичний ефект — вікно реакції. Правило спрацьовує постфактум, коли до кінця терміну залишилися лічені дні, і вибір зводиться до уцінки. Прогноз дає запас часу на перерозподіл партії між точками та ранню уцінку, тому частка списань знижується без зростання дефіциту на полиці.

Часті технічні питання щодо прогнозування попиту

Прогноз попиту ламається не на моделі, а на даних і на стику з товарообліком. Нижче — питання, які технічна команда замовника ставить до старту, і короткі відповіді по суті.

Як часто перераховується прогноз?

Базовий цикл — добовий, до відкриття точки: на цей момент підтягнуті продажі за минулий день і актуальні залишки. Для швидкопсувних додаємо внутрішньоденний перерахунок за фактом продажів першої половини дня. Горизонт — від доби до двох тижнів: далі точність падає швидше, ніж зростає користь для закупівлі.

Що з новинками без історії і як часто перенавчати модель?

Новинка спирається не на власний ряд, а на схожі позиції: категорію, бренд, ціновий сегмент, сезонність. Через 4-6 тижнів фактичних продажів вона переходить на свою історію.

Перенавчання йде за розкладом — раз на один-два тижні, плюс позачерговий запуск при зміні асортименту або промо-календаря. Кожен запуск проганяється на відкладеному періоді: якщо якість падає, залишається попередня версія моделі.

Обговоримо задачу: з чого почати прогнозування у вашій мережі

Прогноз попиту тримається не на моделі, а на даних: історія продажів за товарно-складськими позиціями, залишки, терміни придатності, календар промо та постачань.

Тому починаємо з оцінки даних замовника — дивимося, що вже накопичується в обліковій системі, з якою періодичністю і чи вистачає історії, щоб прогноз був стійким, а не випадковим.

Для обговорення задачі прогнозу достатньо відповісти на кілька питань — цього вистачить, щоб оцінити обсяг робіт і зібрати пілотний проєкт прогнозування на реальних даних, а не на демонстраційному наборі.

• Вивантаження продажів і залишків за днями, точками та товарними позиціями — мінімум за однією категорією за кілька сезонів.
• Дані про партії та терміни придатності: від них залежить, у який момент прогноз переходить в уцінку, а не в списання.
• Календар промо, свят і графік постачань — без нього модель пояснює минулий попит, а не майбутній.
• Чинні правила уцінки та обмеження складу: що не можна змінювати в процесах, які пороги вже застосовуються.
• Ваші критерії успіху — частка списаних залишків, точність прогнозу за категорією, глибина уцінки.

Після розмови повернемося з планом робіт із прогнозу: етапи, склад пілоту, перелік вивантажень, критерії приймання та порядок повернення до поточного правила уцінки, якщо результат не підтвердиться. Опишіть задачу — повернемося з оцінкою та планом.