«Инфосистемы Джет» реализовала для гипермаркета «Утконос» пилотный ML-проект (Machine Learning) по предсказанию объема выкупа скоропортящихся товаров. Точность прогноза по различным категориям составила в среднем 75–80% при горизонте планирования в 2 дня (такова регулярность поставок на склад).
Используемая компанией «Утконос» аналитическая система с высокой точностью предсказывает выкуп товаров на неделю. Однако там, где необходим более короткий горизонт планирования, ее точность заметно снижается, что влечет потенциальные убытки. В отличие от классических BI-систем, решения на базе машинного обучения позволяют учитывать большее число факторов, а значит, дают больше возможностей для аналитики.
«Нам крайне важно с одной стороны не разочаровать своих покупателей отсутствием нужного им товара, а с другой — не закупить избыток у поставщиков, особенно если речь о скоропортящихся продуктах. Данный пилотный проект продемонстрировал нам возможности машинного обучения в сфере прогнозирования спроса, а также выявил ряд интересных закономерностей, влияющих на поведение покупателей», — комментирует Дмитрий Сухоруков, руководитель управления планирования и товародвижения компании «Утконос».
Проект затронул несколько товарных наименований в категории «Мясо охлажденное», так как это товар короткого срока хранения и сложных условий поставок, по которому особенно важно точно определить требуемый объем закупок. Также была рассмотрена категория «Яйцо куриное», по которой в течение года прослеживается специфический сезонный спрос, а Machine Learning как раз позволяет выявлять скрытые взаимосвязи.
Эксперты «Инфосистемы Джет» построили математическую модель и обучили ее на исторических данных о покупках в «Утконосе» за 2 года. При этом была учтена информация не только по товарным остаткам, но и производственный календарь с выходными и праздничными днями, а также данные о погодных условиях. На историческом интервале в 2 месяца прогностическая точность созданной модели оказалась на уровне 80%, а на интервале в полгода — порядка 75%.
«За последний год оборот “Утконоса” значительно вырос, в том числе благодаря насыщенной маркетинговой активности ритейлера. Это усложнило нашу задачу, т.к. не позволяло корректно применять исторические данные прошлых лет для соответствующих периодов текущего года. Тем не менее за счет привлечения дополнительных внешних данных нам удалось реализовать ML-решение достаточно высокой точности, которое может дать заметную экономию средств на закупках и реальное увеличение выручки при грамотном снабжении склада», — отметил Владимир Молодых, директор по разработке и внедрению ПО «Инфосистемы Джет».
Компания «Утконос» сегодня активно развивает направление машинного обучения. В частности, ритейлер выступил партнером RAIF Hackathon 2018, предоставив командам-участникам свои обезличенные данные для решения творческой задачи по прогнозу спроса. Победителем стала команда Help The Platipus, которая сфокусировалась на анализе групп сопутствующих товаров, товаров-заменителей и так называемой каннибализации.
