Ещё в 2019 году в службе управления запасами компании появилась команда из аналитиков и инженеров больших данных, которая начала заниматься проектом по прогнозированию спроса с помощью искусственного интеллекта Machine learning forecast. Идея заключается в том, что алгоритм должен учитывать для магазинов всех форматов сотни признаков. Это атрибуты товаров, специфика торговых точек, особенности и пересечения промо-акций, ценовые, товарные характеристики, запасы, спрос в зависимости от сезона, праздников и даже от того, сколько магазинов конкурентов находится рядом. Команда собрала модель больших данных из разных информационных систем компании и внешних источников. Это данные геолокации, погодные условия и так далее.

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. При этом модель постоянно адаптируется и развивается с учётом различных тенденций спроса.
Многие компании пытаются решить подобные задачи, но нам не известны случаи, когда хороший результат был получен на всём ассортименте товаров и для всех типов продаж – как акционных, так и регулярных.

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, руководитель секции каждого магазина оформлял заказ вручную с использованием рекомендации системы. Мы начали использовать инструменты облачной платформы Microsoft Azure, в частности Azure DataBricks, что ускорило разработку и поддержку процедур обработки данных.

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». В итоге искусственный интеллект дал в среднем до 40% прироста точности прогноза в сравнении с алгоритмом SAP, а длительность расчёта прогноза для товаров магазинов сети удалось сократить на 30%.

Кроме технических работ по созданию и обучению моделей прогнозирования, нам требовалось встроить информационную систему во внутренние процессы компании. Что особенно непросто учитывая масштабы сети — 254 магазина и 50 000 сотрудников. 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 и обеспечили рост показателей доступности акционных товаров до 5%. Отличный результат мы объясняем именно сочетанием алгоритмов с интегрированной в них категорийной и географической бизнес-экспертизой. Это не голые математические модели, они обогащены достаточным количеством экспертных данных, что в итоге создает синергию и позволяет рассчитать прогноз с высокими метриками качества.

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».

Автоматический заказ на базе умного прогноза высвободил сотрудников магазинов и снизил зависимость результатов от компетенций в точках продаж. Мы ожидаем дальнейший рост бизнес-эффекта по мере развития технологий. Об этом можно судить по регионам, которые первыми перешли на новый бизнес-процесс с использованием ИИ-прогноза.