Demand Planning — процес, від якого залежать закупівлі, виробництво та логістика. Традиційний S&OP цикл займає 4 тижні, а прогнози оновлюються раз на місяць. На момент затвердження вони часто розходяться з реальністю. AI замінює цей каскад на continuous sensing: прогнози оновлюються щодня, аномалії виявляються автоматично, а планувальник отримує рекомендації замість порожньої таблиці.
Ми розробляємо системи під ключ — з адаптацією під ваш стек та бізнес-процеси. Застосовуємо LightGBM та Temporal Fusion Transformer — моделі, які враховують сотні ознак: промо, сезонність, зовнішні сигнали. На 30+ проєктах у FMCG та retail ми досягли MAPE 8–12% на оперативних горизонтах, що на 40% точніше за класичні методи.
Які проблеми вирішує AI Demand Planning?
Одна з частих проблем — відсутність єдиного прогнозу: відділ продажів дає оптимістичний план, маркетинг — на основі промо, а виробництво спирається на історію. AI об'єднує всі сигнали в консенсус-прогноз з автоматичним зважуванням за точністю кожного джерела. AI Demand Planning включає S&OP автоматизацію та ієрархічне прогнозування для узгодження рівнів.
Інша проблема — ручне управління винятками. З 10 000 SKU планувальник фізично не може контролювати кожен. AI пріоритезує: прогноз змінився більше ніж на X%, accuracy впала нижче порогу, велика промо без коригування, ризик дефіциту. Exception workbench зводить рев'ю до 50–200 винятків на тиждень.
Чому AI-прогнозування попиту краще за традиційний S&OP?
Класичний S&OP цикл займає 4 тижні: тиждень Demand Review, Supply Review, Pre-S&OP та Executive S&OP. Прогнози оновлюються раз на місяць, часто застаріваючи на момент затвердження. AI замінює цей каскад на continuous sensing and responding:
- Прогнози оновлюються щодня у міру надходження даних.
- Автоматична ідентифікація аномалій та gap.
- Рекомендації замість порожньої таблиці на нараді.
LightGBM дає MAPE 8–12% на оперативних горизонтах — це на 40% точніше, ніж класичний ARIMA (15–20%).
Як формується консенсус-прогноз?
Дані для формування консенсусу включають три рівні:
- Statistical baseline: кількісна модель на історичних продажах.
- Market intelligence: якісні входи від команди продажів:
- Нові великі угоди в pipeline (CRM).
- Плановані промо та листівки.
- Зміни конкурентного середовища.
- External signals:
- Sell-out дані (для виробників): реальні продажі з магазинів.
- Panel data (Nielsen, GfK): ринкові частки, цінова еластичність.
- Google Trends, social media mentions.
Автоматичне зважування:
def consensus_forecast(statistical, sales_input, external, weights=None): """ Автоматичне зважування за історичною точністю кожного джерела """ if weights is None: weights = calculate_historical_accuracy_weights( statistical_history, sales_history, external_history ) return (weights[0] * statistical + weights[1] * sales_input + weights[2] * external)Multi-horizon forecasting
Demand Planning потребує прогнозів на різних горизонтах одночасно:
Горизонт Призначення Модель MAPE Target 1–4 тижні Оперативний запас, вироблення LightGBM + промо 8–12% 1–3 місяці Виробничий план Ensemble 12–18% 3–12 місяців Закупівля сировини, капекси TFT + macro 15–25% 12+ місяців Стратегічне планування Macro + S-curve 25–40% Важливо: всі горизонти мають бути узгоджені. Reconciliation як в ієрархічному прогнозуванні, але за часовою віссю.
Як працює Demand Sensing?
Demand Sensing — короткострокове (1–2 тижні) уточнення прогнозу за високочастотними сигналами: Сигнали:
- Sell-out дані від key retailers (EDI 852 / retailer portal).
- POS дані від власних магазинів (near real-time).
- Online search volume (Google Trends API).
- Social media mentions.
Модель: regression на sell-out відхилення від базового прогнозу. Якщо останні 3 дні sell-out на 15% вище прогнозу → скоригувати 2-тижневий прогноз вгору на 8%.
Що входить у розробку AI Demand Planning системи?
Ми постачаємо закінчене рішення:
- ML-моделі (LightGBM, TFT) з автоматичним ретрейнінгом.
- Exception workbench — один екран для роботи з 50–200 винятками замість 10 000 SKU.
- Інтеграція з вашою ERP (SAP, Oracle, 1C) через EDI або API.
- CPFR-модуль для обміну прогнозами з рітейлерами (Walmart Retail Link, Target POD).
- S&OP дашборд з метриками Forecast Value Added (FVA), Bias, Plan Adherence.
- Документація, навчання команди та 3 місяці супроводу.
Як ми працюємо
- Аналітика: збір даних, аудит поточного процесу, визначення цільових метрик (MAPE, Bias).
- Проєктування: вибір архітектури моделей, узгодження точок інтеграції.
- Реалізація: навчання моделей, розробка exception workbench, налаштування пайплайнів даних.
- Тестування: A/B-тест проти поточних прогнозів, валідація на відкладеній вибірці.
- Деплой: контейнеризація (Docker, Kubernetes), розгортання у вашому хмарі або on-prem.
Порівняння традиційного S&OP та AI-підходу
Характеристика Традиційний S&OP AI-підхід Частота оновлення прогнозу Раз на місяць Щодня Обробка винятків Ручний перегляд всіх SKU Автоматичний exception management Врахування промо Експертна оцінка Модель з feature engineering Зважування джерел Суб'єктивне За історичною точністю Архітектура моделі: LightGBM використовується для коротких горизонтів та промо-моделювання. TFT — для довгострокових прогнозів з урахуванням макроекономіки. Обидві моделі інтегровані в єдиний пайплайн з автоматичним ретрейнінгом при надходженні нових даних.
Управління винятками
З 10 000 SKU планувальник фізично не може контролювати кожен. AI пріоритезує: Exception triggers:
- Прогноз змінився більше ніж на X% vs. попередній цикл.
- Accuracy останніх 4 тижнів впала нижче порогу.
- Велика промо без коригування прогнозу.
- SKU з високим ризиком дефіциту (< 2 тижнів запасу).
Exception workbench: один екран, де планувальник бачить лише винятки з контекстом та рекомендацією AI. Замість рев'ю 10 000 рядків — робота з 50–200 винятками на тиждень.
Collaborative Planning з рітейлерами (CPFR)
Collaborative Planning, Forecasting and Replenishment:
- Обмін прогнозами та планами промо між виробником та рітейлером.
- Стандарт GS1 для EDI обміну: ORDERS/ORDRSP/DESADV.
- AI порівнює виробничий прогноз з рітейлерським, виявляє розбіжності.
Інтеграція:
- EDI через AS2/SFTP: традиційні рітейлери.
- API: сучасні FMCG платформи (SAP Trading Partner Management).
- Retail Link (Walmart), POD (Target): пропрієтарні платформи.
Метрики системи:
- Forecast Value Added (FVA): покращення accuracy vs. naive прогнозу.
- Bias: систематичний перепрогноз або недопрогноз (ціль: близько 0).
- Plan Adherence: % виконання demand plan за фактом.
За даними Gartner, AI покращує точність прогнозів на 30–50%. Середня економія від впровадження становить значну суму на рік на кожні 1000 SKU. Типові інвестиції окупаються за 6–12 місяців за рахунок скорочення дефіцитів та надлишків.
Терміни — від 8 тижнів на базову версію до 5–6 місяців на комплексне рішення. Оцінимо ваш кейс за 2 дні — зв'яжіться, щоб обговорити деталі. Замовте консультацію, щоб отримати детальний план впровадження. Маємо 7+ років досвіду в ML-прогнозуванні, 30+ виконаних проєктів. Гарантуємо зниження MAPE не менше ніж на 20% після запуску.