Управління запасами: як ML вирішує задачу
Ми спеціалізуємося на впровадженні AI-оптимізації складських запасів під ключ. Знаємо: баланс між витратами на зберігання та ризиком дефіциту — задача, яку класичні методи (EOQ, ROP, safety stock за Кертоном) вирішують лише при стаціонарному попиті та незалежності SKU. На практиці попит нелінійний, а позиції взаємозалежні. ML-моделі — від LightGBM до Temporal Fusion Transformer — враховують ці складності та дають реальне зниження витрат. Машинне навчання для складу — це не просто прогноз, а основа для автоматизації замовлень та зниження витрат на зберігання.
Переплата за зберігання надлишків або втрата продажів через дефіцит — типові болі наших клієнтів. Проводимо аудит поточних процесів і будуємо модель, що передбачає попит з MAPE менше 10% на рівні окремого SKU. Термін впровадження базової системи — 3-4 місяці, ефект — зростання оборотності на 15-30%.
Приклад з практики: для дистриб'ютора запчастин впровадили Temporal Fusion Transformer. Після збору даних за 2 місяці отримали прогноз на 8 тижнів з MAPE 8%. Safety stock знизили на 22%, fill rate зріс до 98.5%. Проект окупився за 5 місяців.
Як AI покращує прогнозування попиту?
Основа системи — точний прогноз попиту. Temporal Fusion Transformer, описаний в роботі Google Research, або LightGBM з lag features, промо-флагами, сезонністю дозволяють досягти MAPE < 10% на рівні SKU × склад. Модель враховує нелінійні залежності та рідкісні події, що недоступно класичним часовим рядам.
Компоненти AI-системи
| Компонент | Класичний підхід | AI-підхід |
|---|---|---|
| Demand Forecasting | Середнє за період | TFT / LightGBM з lag features, промо, сезонністю |
| Lead Time Forecasting | Константа | ML-модель розподілу по постачальнику |
| Safety Stock | Z × σ × √LT | Передбачена дисперсія з квантильної моделі |
| Reorder Point | Середній попит в LT + SS | Probabilistic forecast |
| Replenishment | Фіксований розмір | Оптимізація з volume discounts, capacity constraints |
Demand Forecasting
Використовуємо Temporal Fusion Transformer або LightGBM з різноманітними фічами: лаги, ковзні середні, промо-акції, сезонні індекси. Модель навчається на історичних даних 2-3 років і дає ймовірнісний прогноз (distribution forecast), що важливо для розрахунку safety stock.
Lead Time Forecasting
Класичний підхід передбачає постійний lead time. На практиці його варіативність — 20-40%. ML-модель (градієнтний бустинг) передбачає розподіл lead time по постачальнику, SKU, сезону. Це безпосередньо впливає на safety stock та точність ROP.
Safety Stock
Класика: SS = Z × σ_demand × √Lead_Time. AI-покращення: σ_demand — передбачена дисперсія з квантильної моделі, а не статистична. Враховується постачальник-специфічна варіативність lead time.
Reorder Point
ROP = Expected_Demand_During_LT + Safety_Stock. З ML: Expected_Demand_During_LT береться з probabilistic forecast, а не середнього. Це дозволяє реагувати на зміни попиту швидше.
Replenishment Optimization
Не просто "коли замовляти", але й "скільки". Враховуємо:
- Volume discounts: вибір оптимального lot size з ціновими сходами
- Capacity constraints: обмеження складу та транспорту
- Multi-supplier selection: оптимальний розподіл між постачальниками
Чому multi-echelon оптимізація складніша?
У розподілених мережах (центральний склад → регіональні → магазини) запаси взаємопов'язані. Класичний підхід — окрема оптимізація кожного вузла — викликає bullwhip effect. AI-підхід використовує спільну оптимізацію всієї мережі через стохастичне програмування. Алгоритм: стохастичний градієнтний спуск (SGD) з симуляцією supply chain як диференційованого середовища (PyTorch supply chain simulator). Параметри політики поповнення (base stock levels) оптимізуються через gradient descent.
Категоризація ABC-XYZ з ML
Класика: ABC за виручкою (A=80%, B=15%, C=5%), XYZ за варіативністю (X=CV<0.5, Y=0.5-1.0, Z>1.0). ML-розширення: кластеризація за 20+ features (сезонність, тренд, intermittency, lead time variability) за допомогою k-Means або HDBSCAN. Кожен кластер отримує свою політику управління — це дає зниження витрат на 10-15% порівняно з ABC-XYZ.
Автоматичне формування замовлень
Workflow:
- Щоденний перерахунок demand forecast на горизонт lead time + safety stock
- Ідентифікація SKU нижче ROP
- Розрахунок оптимальної кількості замовлення
- Формування draft purchase orders в ERP
- Автоматичне затвердження для позицій A-класу з високим confidence
- Маршрутизація на рев'ю для нестандартних ситуацій
Anomaly detection: автоматичне флагування аномального попиту (промо не введено, виявлення недостач) до включення в навчання.
Інтеграція з ERP
- SAP S/4HANA: MRP run через BAPI, прямий запис в таблиці EKKO/EKPO
- 1С:УТ / 1С:ERP: COM/HTTP-інтеграція, REST API в 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%
Типові результати впровадження AI-оптимізації
| Показник | До впровадження | Після впровадження |
|---|---|---|
| Оборотність запасів | 4-6 разів/рік | 7-9 разів/рік |
| Fill Rate | 80-85% | 97-99% |
| Stockout rate | 8-12% | 3-5% |
| Списання | 5-7% від запасів | 2-3% від запасів |
Що входить в роботу
- Аудит поточних процесів та даних
- Розробка ML-моделей (Demand Forecasting, Lead Time, Replenishment)
- Інтеграція з вашою ERP (SAP, 1C, Oracle, Dynamics)
- Навчання персоналу
- Моніторинг та підтримка протягом 6 місяців
Гарантуємо якість: більше 7 років досвіду в AI/ML для supply chain, сертифіковані спеціалісти.
Терміни та вартість
Базова система (demand forecast + автоматичний ROP/SS розрахунок для flat supply chain) — 3-4 місяці. Multi-echelon оптимізація — 6-9 місяців. Вартість розраховується індивідуально після аудиту.
Замовте пілотний проект на 3-5 SKU — переконайтеся в ефективності. Отримайте консультацію нашого інженера.
Технічні деталі (натисніть розгорнути)
Для full production-системи використовуємо vLLM для інференса, Kubeflow для пайплайнів, Prometheus + Grafana для моніторингу. Весь код версіонується, моделі проходять A/B-тестування.