Как это работает? На основании прошлых периодов формируется «комплекс моделей», который сам определяет значимость каждого фактора для конкретного товара в отдельном магазине. Итоговая «модель» применяется для прогнозирования будущих периодов с максимальной детализацией, она самообучаема, гибка для настройки и учёта новых факторов. Модель постоянно адаптируется и развивается с учётом различных тенденций спроса.
Менеджер по развитию дирекции по управлению цепочками поставок «Ленты» Татьяна Бинецкая: «Многие компании пытаются решить подобные задачи, но нам не известны случаи, когда хороший результат был на всём ассортименте товаров и для всех типов продаж — как акционных, так и регулярных. Пожалуй, именно в этом уникальность и ценность продукта для компании. Рецепт успеха в решении таких задач — глубокая бизнес-экспертиза, которая стала основной для автоматизации».
Мы решили тестировать проект по прогнозированию продаж в десяти гипермаркетах Поволжья. Они были выбраны неслучайно: это наиболее стабильные по товарообороту магазины.
Раньше прогноз спроса рассчитывался в SAP, на основании рекомендаций руководитель секции каждого магазина оформлял заказ вручную с использованием рекомендации системы автозаказа. Мы начали использовать инструменты облачной платформы Microsoft Azure, в частности Azure DataBricks, что ускорило разработку и поддержку процедур обработки данных. Длительность расчёта прогноза для товаров магазинов сети удалось сократить на 30%. Точность решения на основе искусственного интеллекта даёт около 40% прироста в сравнении с предыдущим решением в SAP.
Развертывание продуктивного решения началось в ноябре 2020 года с трёх наименее рискованных по списаниям товарных групп: яйцо, колбасные изделия и майонез. В феврале 2021 года мы начали использовать прогноз для молочных продуктов и рыбных деликатесов. Параллельно этот опыт мы внедряли не только в магазинах на Волге, но и в других регионах. В июле проект был развёрнут во всех гипермаркетах «Ленты».
Руководитель проекта со стороны ИТ Дмитрий Кабанов: «Кроме технических работ по созданию и обучению моделей прогнозирования нам требовалось встроить информационную систему во внутренние процессы компании. За 7 месяцев пройдено 10 этапов тиражирования, перестроено 24 процесса и 13 коммуникационных потоков».
В результате по сравнению с 2020 годом мы снизили списания продукции категорий гастронома на 4 % на начальном этапе, рост показателей доступности акционных товаров составил до 5%
Автоматический заказ на базе умного прогноза высвободил сотрудников магазинов и снизил зависимость результатов от компетенций в магазинах. Мы ожидаем дальнейший рост бизнес-эффекта по мере развития этих новых технологий. Об этом можно судить по регионам, которые первыми перешли на новый бизнес-процесс с использованием ИИ-прогноза.
В конце 2021 года мы применили алгоритмы машинного обучения для централизации закупок овощей и фруктов и других продуктов с малым сроком хранения для магазинов «Мини Лента».