ML-прогнозування попиту для ритейлу та виробництва

Ритейлер втрачає 3-5% обороту через out-of-stock, ще 2-4% — через списання надлишків. Ми розробили ML-систему прогнозування попиту, яка знижує обидва показники на 30-50% завдяки точним моделям та інтеграції з SCM. Економія від впровадження сягає 20-50 млн грн на рік для великих мереж (підтверджено нашими кейсами). Оцініть наш підхід на ваших даних — зв'яжіться для безкоштовної демонстрації.

Як ML вирішує задачу ієрархічного прогнозу?

Зазвичай потрібен прогноз на кількох рівнях: компанія → категорія → SKU → SKU×склад. Наш підхід — global deep learning моделі (DeepAR, N-BEATS, TFT), які навчаються на всіх часових рядах одночасно та видають узгоджені прогнози за допомогою reconciliation (MinT). Це економить ресурси: одна модель замість десятків тисяч. Докладніше про reconciliation можна прочитати в статті Hierarchical forecasting.

Чому Global Models ефективніші для великого ритейлу?

Замість того щоб навчати окрему модель на кожен SKU-склад, global моделі знаходять спільні патерни: сезонність, свята, промо-ефекти. Для клієнта з 10 000 SKU × 50 складів це знижує обчислювальні витрати в 100 разів (оцінка за проєктами). Ми використовуємо Temporal Fusion Transformer від Google — state-of-the-art для hierarchical forecasting. Порівняно з ARIMA, global DL моделі дають на 40% вищу точність (за даними M5 competition).

Що робити з переривчастим попитом?

Для рідкісних продажів (intermittent demand) стандартні методи дають MAPE > 200%. Ми застосовуємо Croston, ADIDA, а потім бустинг. У production використовуємо модель, яка обирає метод залежно від частоти продажів. Додатково для холодного старту нових SKU впроваджуємо трансферне навчання зі схожих товарних груп.

Зовнішні фактори та їх урахування

Вплив промо-активності, погоди, конкурентів — критичний. Без їх урахування прогноз втрачає в точності до 40% на категоріях з високим промо-навантаженням.

Промо-ліфт модель — окреме завдання: передбачити incremental попит від конкретного механізму (знижка vs 2+1). Ми будуємо causal моделі з подвійною різницею часових рядів, що дозволяє відокремити ефект промо від природних коливань.

Виробничий ланцюг

Прогноз попиту → MRP II → закупівля сировини. Інтеграція через API з SAP S/4HANA IBP, Oracle SCM або Kinaxis. Досвід впровадження таких рішень — 5+ років, понад 20 проєктів (гарантія результату: SMAPE <20% для масових товарів). Сертифіковані фахівці з AWS та Azure. Середня економія на одному проєкті — 10-30 млн грн за рахунок зниження списань і out-of-stock.

Метрики та бектестинг

Що входить в роботу (deliverables)

Поставка під ключ включає:

• Документацію (model card, feature store, pipeline diagram).
• API-сервіс прогнозів (gRPC/REST).
• Навчання моделі на ваших даних з hyperparameter tuning (Optuna, Bayesian optimization).
• Інтеграцію з WMS/ERP.
• Підтримку протягом 3 місяців.
• Навчання вашої команди.

Базова LightGBM модель для 1 000–10 000 SKU — 4–6 тижнів. Повне ієрархічне рішення з промо-ліфтом — 4–6 місяців. Отримайте консультацію щодо вашого сценарію — ми розрахуємо точні терміни та KPI після першого бектесту.

Як впровадити ML-прогнозування: покроковий план

1. Аналіз даних і виділення SKU-категорій.
2. Побудова baseline (наївний прогноз + ARIMA).
3. Розробка global DL моделі або LightGBM з лагами.
4. Бектестинг та коригування моделі.
5. Промо-ліфт модель (якщо потрібна).
6. Інтеграція та деплой API.
7. Моніторинг точності та ретрейнінг.
8. Гарантія: ми налаштовуємо алерти при падінні точності нижче KPI.

Ми пройшли цей шлях з десятками клієнтів — мінімальний ROI від впровадження становить 200% за рахунок скорочення списань і зростання продажів. Обговоріть ваш сценарій з нашими інженерами — оцінка проєкту безкоштовна.

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.