Розробка AI Demand Planning системи для ланцюгів постачання

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:

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

1. Аналітика: збір даних, аудит поточного процесу, визначення цільових метрик (MAPE, Bias).
2. Проєктування: вибір архітектури моделей, узгодження точок інтеграції.
3. Реалізація: навчання моделей, розробка exception workbench, налаштування пайплайнів даних.
4. Тестування: A/B-тест проти поточних прогнозів, валідація на відкладеній вибірці.
5. Деплой: контейнеризація (Docker, Kubernetes), розгортання у вашому хмарі або on-prem.

Порівняння традиційного S&OP та AI-підходу

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.

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.