Прогнозування продажів

Клієнту була потрібна надійна система прогнозування для мережі з 16 фізичних магазинів, розташованих у різних містах України. Точні прогнози були необхідні для підтримки операційного планування в кожній локації. Основну увагу було приділено виключно офлайн-магазинам з метою вдосконалення контролю запасів, оптимізації використання складських приміщень та покращення загального управління ресурсами. Наявні методи прогнозування клієнта були недостатніми для врахування коливань локального попиту, сезонності та зовнішніх чинників.

Для задоволення цих потреб було розроблено систему прогнозування на основі машинного навчання. Історичні дані продажів із фінансової бази даних було доповнено зовнішньою інформацією, такою як погодні умови та календар свят.

Було протестовано та оцінено кілька підходів до моделювання:

• Моделі на основі трансформерів (наприклад, TimeSformer, Autoformer)
• Рекурентні нейронні мережі (LSTM, GRU)
• Класичні моделі часових рядів (ARIMA, Prophet)
• Моделі на основі дерев та ансамблі (XGBoost, LightGBM, Random Forest)

Впроваджене рішення забезпечило детальні та надійні щоденні й щомісячні прогнози продажів для кожного з 16 фізичних магазинів клієнта. Завдяки використанню історичних даних продажів разом із зовнішніми факторами, такими як свята, погодні умови та маркетингові активності, модель прогнозування уможливила більш обґрунтований підхід до управління діяльністю магазинів на основі даних.

У результаті клієнт зміг суттєво покращити планування запасів, узгоджуючи кількість товару з очікуваним попитом, таким чином зменшуючи ризик надлишкових запасів або дефіциту. Прогнози також сприяли кращому використанню складських приміщень, забезпечуючи ефективнішу логістику та координацію ланцюжка поставок. Крім того, інтеграція результатів прогнозування в наявне середовище Power BI клієнта надала керівникам магазинів та менеджерам із запасів чітке розуміння майбутніх тенденцій попиту, що сприяло своєчасному прийняттю обґрунтованих рішень.