Прогнозування попиту для retail-мережі: -23% надлишкових запасів
Завдання
Retail-мережа стикалась із системними проблемами надлишкових запасів через ручне прогнозування попиту. Категорійні менеджери закладали до 30% надлишку «на всяк випадок», що заморожувало оборотний капітал і збільшувало витрати на зберігання. Помилки ручного прогнозування досягали 25–35%, особливо для сезонних позицій та нових SKU.
Рішення
Розробили ML-систему прогнозування попиту на базі ансамблю LightGBM та LSTM з горизонтом прогнозу 90 днів. Модель враховує сезонність, свята, промо-акції, цінові зміни та зовнішні фактори. Автоматизовано поповнення запасів для 340 SKU через інтеграцію з ERP-системою за допомогою Apache Airflow.
Результат
Надлишкові запаси скоротились на 23% вже за перші 4 місяці роботи системи. Точність прогнозу досягла 89% (MAPE < 11%). Автоматизоване поповнення звільнило менеджерів від рутинного планування. ROI проєкту склав 4.2x за 8 місяців.
Технології
Схожі кейси
Гібридний рушій рекомендацій для fashion e-commerce: +47% до середнього чека
+47% Середній чек (AOV)
FinTech / Платіжні послугиML-система виявлення фроду для платіжного сервісу: -89% втрат від шахрайства
-89% Скорочення втрат від фроду
Агросектор / АПКПрогнозування врожайності для агрохолдингу: +31% точність планування
7,3% Точність прогнозу (MAPE)
Схожа задача? Поговоримо
Маєте схожу задачу?
Ми вже вирішували виклики у галузі Роздрібна торгівля. Розкажіть про ваш проєкт — разом знайдемо оптимальне рішення та складемо план дій.
Хочете подібний результат?
Розкажіть про вашу задачу — проведемо безкоштовну консультацію з ML-архітектором і запропонуємо рішення.