AI-система управління запасами сировини та комплектуючих

Управління запасами у виробництві критично відрізняється від ритейлу: сировина потрібна в точній кількості до конкретного моменту виробничого циклу. Відсутність одного компонента зупиняє лінію, приносячи збитки до 100 тисяч рублів на годину. Класична MRP (Material Requirements Planning) використовує єдиний точковий прогноз попиту — будь-яка помилка каскадом спотворює всі закупівлі. Ми розробляємо AI-системи, які замінюють детермінований план на ймовірнісний розподіл сценаріїв та динамічно балансують ризики. Типовий результат — скорочення дефіциту на 60–80% і зростання оборотності сировини на 20–30%. Додатково, AI-моделі прогнозування потреби в сировині враховують сезонність, тренди та макроекономічні фактори, що підвищує точність на 40% порівняно з традиційними методами.

Як AI-MRP перевершує класичний MRP?

Класична формула: Net Requirement = Gross Requirement - Available Inventory - Scheduled Receipts. AI-MRP використовує три ключові покращення:

1. Probabilistic demand forecast — не точка, а p10/p50/p90 перцентилі.
2. Stochastic MRP — розрахунок потреби для кожного сценарію, отримуємо розподіл вимог.
3. Safety stock на основі квантилів — не за історичним σ, а за розподілом попиту × service level.

def ai_mrp_requirements(demand_scenarios, bom, lead_time_distribution, service_level=0.95):
    """
    demand_scenarios: матриця [n_scenarios × n_periods]
    Для кожного сценарію → потреби сировини через BOM
    Safety stock = (service_level)-й квантиль потреби мінус mean
    """
    requirements = []
    for scenario in demand_scenarios:
        finished_goods_needed = scenario
        raw_material_needed = explode_bom(finished_goods_needed, bom)
        requirements.append(raw_material_needed)

    req_array = np.array(requirements)
    safety_stock = np.percentile(req_array, service_level * 100, axis=0) - req_array.mean(axis=0)
    return req_array.mean(axis=0) + safety_stock

Результат: дефіцит сировини падає на 60–80% при зростанні оборотності на 20–30% порівняно з класикою. У ряді проектів дефіцит знизився в 3-5 разів.

Чому варто використовувати стохастичне планування?

У реальному виробництві lead time та попит нестабільні. MRP II ігнорує цю варіабельність. AI-MRP моделює її:

Специфіка виробничих запасів

• Bill of Materials (BOM): кожен продукт розкладається в дерево компонентів. Зміна плану → каскадний перерахунок по всіх рівнях.
• Lead time варіабельність: ML-модель враховує OTIF постачальника, сезонність, категорію сировини, макроекономічні шоки.
• Мінімальні партії (MOQ): оптимізація з MOQ — NP-складна задача, що вирішується метаевристиками.

supplier_features = {
    'otif_3m': otif_last_3_months,         # On-Time In-Full
    'lead_time_cv': lead_time_std / lead_time_mean,  # варіативність
    'quality_rejection_rate': rejected_qty / received_qty,
    'financial_stability': altman_z_score,
    'geographic_risk': country_risk_index,
    'single_source_flag': 1 if only_supplier else 0
}
reliability_score = reliability_model.predict(supplier_features)

Dynamic safety stock

Класична формула SS = Z × √(ADL × σ²_demand + D² × σ²_lead_time) замінюється на AI-версію:

• σ_demand з квантильної моделі, а не історичного std.
• σ_lead_time з ML-моделі.
• Z варіюється за SKU: для критичної сировини 97.7%, для стандартної — 90%.

Що входить у роботу

• Архітектурна документація (модель даних, API, інтеграційні схеми).
• Впровадження ML-моделей у SAP PP/MM через RFC BAPI, оновлення safety stock у MARC.
• Навчання команди закупівель роботі зі звітами та алертами.
• Технічна підтримка 3 місяці після релізу.

Як впровадити AI-MRP: покроковий процес

1. Аудит даних та інфраструктури: оцінюємо якість та повноту історичних даних, налаштовуємо конвеєр.
2. Проектування моделі: обираємо алгоритми для probabilistic demand та ML lead time.
3. Розробка прототипу: реалізуємо core-модулі на Python з інтеграцією через API.
4. Інтеграція з ERP: підключаємо читання/запис через RFC BAPI (SAP) або REST.
5. Навчання та калібрування: налаштовуємо safety stock під service level, включаємо supplier scores.
6. Запуск та моніторинг: розгортаємо в production, відстежуємо концептуальний дрейф та перенавчаємо моделі.

Типові помилки

• Ігнорування якості історичних даних: модель вимагає мінімум 2-3 роки з очищеними аномаліями.
• Неврахунок MOQ в оптимізації: округлення без дискретної оптимізації призводить до надлишку.
• Відсутність моніторингу концептуального дрейфу: розподіли попиту змінюються, модель потрібно перенавчати.

Ключові метрики та досвід

Ми реалізували такі системи для 5+ виробничих замовників. Наш загальний досвід у AI/ML — понад 7 років, більше 50 проектів. Середня економія для клієнтів — від 1 до 5 млн рублів на рік. Додатково, за рахунок зниження списань та вартості зберігання економія може досягати 2-4 млн рублів щорічно.

Терміни та вартість

Базова версія AI-MRP (probabilistic demand + ML lead time) — від 6 до 8 тижнів. Повноцінна система з supplier risk, disruption forecasting та повною ERP-інтеграцією — від 4 до 5 місяців. Вартість розраховується індивідуально під завдання конкретного виробництва. Отримайте консультацію: ми оцінимо ваші дані та сформулюємо план за один робочий день. Зв'яжіться з нами для обговорення вашого виробництва.

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.