Реалізація прогнозування спроса на товари (Demand Forecasting)
Прогнозування спроса в роздрібі та виробництві — класична задача операційного управління. Помилка у меншу сторону веде до упущених продажів (out-of-stock), у більшу — до надлишків запасів та списань. ML-підхід порівняно з ARIMA та експертними методами зменшує MAPE на 20-40% при правильній постановці.
Специфіка задачі
Ієрархія прогнозування: Зазвичай потрібні прогнози на кількох рівнях одночасно:
- Компанія → дивізіон → категорія → SKU → SKU × склад
- Temporal coherence: сума прогнозів SKU повинна збігатися з прогнозом категорії
Методи reconciliation: bottom-up (агрегуємо знизу), top-down (розподіляємо зверху), MinT (Minimum Trace) — математично оптимальний.
Масштаб: Ритейлер з 10,000 SKU × 50 складів × 365 днів = 182.5M прогнозів на рік. Окрема модель на кожен SKU-склад — не реалістично. Потрібні глобальні моделі.
Підходи до моделювання
Global Deep Learning моделі (рекомендується для великого ритейлу):
- DeepAR (Amazon): Autoregressive RNN, працює як глобальна модель по всім SKU
- N-BEATS / N-HiTS: інтерпретовані нейромережі спеціально для часових рядів
- Temporal Fusion Transformer (TFT): state-of-the-art для hierarchical forecasting з known covariates
Преваги: одна модель навчається на всіх SKU і витягує загальні паттерни (паттерни вихідних днів працюють для більшості товарів).
Gradient Boosting для ритейлу: LightGBM з лаговими ознаками — часто найкращий компроміс speed/accuracy:
- Lag features: продажі t-1, t-7, t-14, t-28, t-365
- Rolling stats: середнє, медіана, std за 7/28/90 днів
- Calendar: день тижня, місяць, тиждень року, свята
- Price та promo-флаги: поточна ціна, скидка %, флаг акції
Intermittent demand (рідкі продажі): Croston's method, ADIDA, IMAPA — спеціальні методи для SKU з нечастими продажами (sporadics). Неправильні методи дають катастрофічні помилки для таких позицій.
Зовнішні фактори
| Фактор | Джерело | Вплив |
|---|---|---|
| Промо-активність | Trade calendar | +50-300% у період акції |
| Свята | Calendar + HR | Специфічно за категорією |
| Погода | OpenWeatherMap API | Сезонні товари ±30-50% |
| Конкурентні ціни | Парсинг / DataWeave | Еластичність спроса |
| Тренди | Google Trends | Нові товари без історії |
Промо-lift модель — критична частина: потрібно прогнозувати не просто базовий спрос, а incremental спрос від конкретного промо-механізму (скидка 10% vs. 2+1).
Виробниче прогнозування
У виробництві задача ускладнюється:
- Прогноз спроса → план виробництва → план закупки сировини
- Виробничі потужності як обмеження
- Lead time постачальників: спрос через 3 місяці визначає замовлення зараз
MRP II / APS-системи (SAP PP, OMP, Kinaxis) інтегруються з ML-прогнозом через API або файловий обмін. AI дає прогноз, APS-система транслює в виробничий план з урахуванням потужностей.
Метрики та бэктестинг
Правильне бэктестування — Walk-Forward Validation:
- Навчання на даних до дати D
- Прогноз на горизонт H (28 днів)
- Зсув вперед на H, повтор
- Усереднення помилок по всіх періодах
Метрики:
- MAPE: недолік — взривається при малих значеннях (ділення на 0)
- SMAPE (Symmetric MAPE): більш стійка
- RMSSE (Root Mean Squared Scaled Error): нормирована на наївний прогноз
- Bias: систематичний перепрогноз або недопрогноз (важливо для управління запасами)
SCM Інтеграція
- SAP S/4HANA: IBP (Integrated Business Planning) має native ML-інтеграцію або файловий імпорт прогнозів
- Oracle SCM: імпорт прогнозів через REST API у Demand Management
- Власні WMS: пряма запис у PostgreSQL / API endpoint
Строки: глобальна LightGBM-модель з базовими фічами для 1,000-10,000 SKU — 4-6 тижнів. Ієрархічне прогнозування з промо-лифтом та SCM-інтеграцією — 4-6 місяців.