Реалізація AI-оптимізації складських запасів
Управління запасами — задача балансування між вартістю зберігання та ризиком дефіциту. Класичні методи (EOQ, ROP, safety stock за формулою) припускають стаціонарність спроса та незалежність позицій. ML враховує нелінійності, залежності між SKU та динаміку спроса.
Математична постановка задачі
Цільова функція:
Мінімізувати: Σ (Holding_Cost × Avg_Inventory + Stockout_Cost × P(Stockout) + Ordering_Cost × N_Orders)
При обмеженні: Fill_Rate ≥ target (e.g., 95%)
Holding cost: 15-25% річних від вартості запасу (капітал, зберігання, порча). Stockout cost: упущена маржа + штраф (виробництво — зупинка лінії). Ordering cost: трансакційні видатки + штраф за часткову поставку.
Компоненти AI-системи
1. Модуль прогнозування спроса Основа всієї системи — точний прогноз спроса. TFT (Temporal Fusion Transformer) або LightGBM з lag features, промо-флагами, сезонністю. MAPE < 10% на рівні SKU × склад.
2. Модуль прогнозування lead time Класичні методи використовують постійний lead time. На практиці — варіативний. ML-модель прогнозує розподіл lead time за постачальником, SKU, сезоном. Напряму впливає на safety stock.
3. Розрахунок Safety Stock
Класика: SS = Z × σ_demand × √(Lead_Time)
AI-вдосконалення: σ_demand — не статистична, а прогнозована дисперсія з квантильної моделі. Постачальник-специфічна σ_leadtime.
4. Модель Reorder Point (ROP)
ROP = Expected_Demand_During_LT + Safety_Stock
З ML: Expected_Demand_During_LT — з probabilistic forecast, а не простого середнього.
5. Оптимізація поповнення Не просто "коли замовляти", але й "скільки замовляти" з урахуванням:
- Volume discounts: оптимальний lot size з цінових сходинок
- Capacity constraints: обмеження складу, транспорту
- Multi-supplier selection: оптимальний розподіл між постачальниками
Multi-echelon оптимізація
У розподілених мережах (центральний склад → регіональні → магазини) запаси на кожному рівні взаємопов'язані:
- Класика: окрема оптимізація для кожного вузла (bullwhip effect)
- AI-підхід: joint optimization всієї мережі через стохастичне програмування
Алгоритм: стохастичний градієнтний спуск (SGD) з симуляцією supply chain як диференційованого середовища (PyTorch supply chain simulator). Оптимізуємо параметри політики поповнення (base stock levels) через gradient descent.
Категоризація ABC-XYZ з ML
ABC: за часткою у виручці (A=80%, B=15%, C=5%) XYZ: за варіативністю спроса (X=CV<0.5, Y=0.5-1.0, Z>1.0)
ML-розширення: ML-кластеризація по 20+ фічам (сезонність, тренд, intermittency, lead time variability) замість двох простих осей. k-Means або HDBSCAN. Кожен кластер отримує свою політику управління запасами.
Автоматичне формування заказів
Workflow:
- Щодня: перерахунок demand forecast на горизонт lead time + safety stock horizon
- Ідентифікація SKU нижче ROP
- Розрахунок оптимальної кількості замовлення
- Формування draft purchase orders в ERP
- Автоматичне схвалення для позицій A-класу з високою confidence
- Маршрутизація на ревʼю для нестандартних ситуацій
Anomaly Detection: автоматична флаговка аномального спроса (промо не введено в систему, виявлення недостач) до включення в навчання.
Інтеграція з ERP
- SAP S/4HANA: MRP run через BAPI, пряма запис в таблиці EKKO/EKPO
- 1C:UT / 1C:ERP: COM/HTTP-інтеграція, REST API у сучасних версіях
- Oracle NetSuite: SuiteScript API
- MS Dynamics 365: Power Automate + D365 API
Метрики оцінки системи:
- Inventory Turnover: зростання на 15-30%
- Fill Rate: цільовий показник > 97%
- Inventory Days (DOH): зниження на 20-35%
- Stockout rate: зниження на 40-60%
- Obsolescence write-offs: зниження на 25-40%
Строки: базова система з demand forecast + автоматичним ROP/SS розрахунком для flat supply chain — 3-4 місяці. Multi-echelon оптимізація з joint optimization — 6-9 місяців.