Розробка AI-системи прогнозування збоїв у ланцюзі постачання

Збої в ланцюгах постачання — від затримки постачальника до пандемії — обходяться компаніям у мільйони доларів щорічно. Традиційні методи реагують уже постфактум, коли збиток завдано. Наша AI-модель передбачає disruptions за 2–8 тижнів до прояву та автоматично пропонує превентивні заходи, що дозволяє знизити витрати на подолання збоїв у середньому на 30%. Середня економія клієнтів досягає 2.1 млн руб. на рік.

Як AI передбачає збої?

Модель аналізує три типи сигналів: операційні (OTIF постачальника, затримки на митниці), структурні (банкрутство, геополітика) та макроекономічні (пандемії, торгові війни). Комбінуючи структуровані дані та альтернативні джерела (новини, супутникові знімки, Baltic Dry Index), система будує композитний score ризику для кожного постачальника.

Таксономія disruptions

Операційні збої (висока частота, мала амплітуда): затримки постачальника (OTIF < 80%), якісний брак, митні затримки, недостача. Структурні збої (рідко, висока амплітуда): банкрутство постачальника, геополітичні обмеження, природні катастрофи, транспортні колапси. Макро-збої (системні): пандемії, торгові війни, commodity price spikes.

Джерела сигналів

Structured: OTIF-історія, AIS GPS трекінг суден, commodity futures, Baltic Dry Index. Alternative: NLP-аналіз новин, GPR Index, супутникові знімки, дані LinkedIn. Internal: тренди lead time, order exceptions.

Чому наша система ефективніша?

Ручний моніторинг пропускає до 40% ранніх сигналів. AI-прогнозування в 5 разів скорочує час реакції та на 30% знижує витрати на подолання збоїв. Для одного з клієнтів економія склала 1.8 млн руб. за перші 6 місяців.

NLP моніторинг новин

from transformers import pipeline

disruption_classifier = pipeline(
    "text-classification",
    model="supply-chain-risk-classifier-v2"
)

def monitor_news_feed(articles, supplier_list, region_list):
    risks = []
    for article in articles:
        is_relevant = any(s in article['text'] for s in supplier_list + region_list)
        if not is_relevant:
            continue
        result = disruption_classifier(article['text'][:512])
        if result['label'] == 'SUPPLY_CHAIN_RISK' and result['score'] > 0.7:
            risks.append({
                'article': article,
                'risk_score': result['score'],
                'category': classify_risk_category(article['text'])
            })
    return risks

Джерела новин: Reuters, Bloomberg, SupplyChainDive, Freightos, регіональні ЗМІ.

Supplier Risk Scoring

def supplier_risk_score(supplier_id):
    components = {
        'operational_risk': calculate_operational_risk(
            otif_trend=get_otif_trend(supplier_id, weeks=8),
            lead_time_variability=get_lt_cv(supplier_id)
        ),
        'financial_risk': calculate_financial_risk(
            altman_z=get_altman_z(supplier_id),
            payment_behavior=get_payment_delays(supplier_id)
        ),
        'concentration_risk': calculate_concentration(
            spend_share=get_spend_share(supplier_id),
            single_source_count=count_single_sourced_skus(supplier_id)
        ),
        'geopolitical_risk': calculate_geo_risk(
            country=get_supplier_country(supplier_id),
            region=get_supplier_region(supplier_id)
        ),
        'news_risk': get_news_risk_score(supplier_id, last_days=30)
    }
    weights = [0.25, 0.20, 0.25, 0.20, 0.10]
    return sum(w * s for w, s in zip(weights, components.values()))

Score оновлюється щодня. При score > 0.7 — автоматичний alert закупівнику.

Порівняння методів прогнозування

Реакція на передбачені disruptions

Playbook за типом ризику:

Система генерує ready-to-approve рекомендації з розрахунком вартості та термінів.

Як ми це робимо: покроковий процес

1. Аналіз даних: збір OTIF, фінансових та зовнішніх даних за 3 роки.
2. Розробка моделі: вибір архітектури (Transformer + GBDT), навчання на історичних збоях.
3. Валідація: backtesting на 12 місяців, A/B тестування в пілотній групі.
4. Інтеграція: REST API до ERP, налаштування дашборду.
5. Запуск: донавчання в продакшені, моніторинг drift.

Що включає повний цикл розробки?

• Архітектура ML-моделі (Transformer + GBDT ensemble)
• Збір та підготовка даних (ERP, зовнішні API)
• Навчання, валідація, A/B тестування
• Інтеграція з ERP/SAP через REST API
• Dashboard на базі Streamlit або Power BI
• Документація та навчання команди закупівель

Dashboard та звітність

• Supply Chain Risk Heatmap: географічна карта ризиків
• Trend експозиції портфеля
• Alert queue з рекомендаціями
• KPI: predicted disruptions, avoided cost (у середньому 15–20% зниження збитків)

Терміни: базова supplier risk scoring — 4-5 тижнів. Повноцінна система з NLP-моніторингом та playbook automation — 4-5 місяців. Вартість розраховується індивідуально.

Ми маємо 7-річний досвід в AI/ML, реалізували 30+ проєктів для виробничих та логістичних компаній. Згідно зі звітом McKinsey, AI в ланцюгах постачання знижує збої на 20–30%.

Зв'яжіться з нами, щоб обговорити впровадження AI-прогнозування у ваш ланцюг постачання. Отримайте консультацію з вибору моделі та термінів. Замовте демонстрацію системи на ваших даних.

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.