Реалізація AI-оптимізації складських запасів

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

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:

1. Щоденний перерахунок demand forecast на горизонт lead time + safety stock
2. Ідентифікація SKU нижче ROP
3. Розрахунок оптимальної кількості замовлення
4. Формування draft purchase orders в ERP
5. Автоматичне затвердження для позицій A-класу з високим confidence
6. 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

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.

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.