Закупили слишком мало товара
Упущенные продажи
Магазин теряет деньги
Снижаем издержки бизнеса, связанные с дефицитом и просрочкой товаров
/ Введение
/ Введение
Спрос прогнозируют перед закупкой товара в магазин
/ Введение
Упущенные продажи
Магазин теряет деньги
Товар просрочился
Магазин теряет деньги
/ Актуальность
Почему происходят потери?
64–77 млрд ₽
79 млрд ₽
~140–160 млрд ₽ потерь в год именно в сегменте дарксторов
IHL/Blue Yonder (Overstock/OOS) и рыночная аналитика Infoline/Data Insight по дарксторам РФ
/ Введение
— небольшой склад, откуда курьеры развозят заказы. Обычно в городе множество дарксторов для обеспечения высокой скорости доставки.
Ему тоже нужно прогнозировать спрос.
/ Введение
Человек уже находится внутри / поход спланирован. Если начался дождь — далеко не все уйдут или передумают.
Дождь может привести к всплеску онлайн-заказов
Человек покупает, когда спланировал поход или оказался рядом.
Заказ оформляется из дома, спрос сильнее зависит от времени суток.
/ Введение
/ Введение
Ни одно из решений не заточено под изменчивый спрос дарксторов
/ Введение
Современные ML-модели лучше работают с изменчивым спросом, если их архитектура предназначена для этого
↓ 15–20%
Makridakis et al. — M5 Forecasting Competition.
Deep Learning for Time Series Forecasting: A survey
↓ 15–20%
Учёт внешних факторов снижает ошибку прогноза, если они имеют значение. Weather impact on retail demand forecasting
/ Customer Development
Менеджер даркстора по управлению ассортиментом
Систематические ошибки требуют ручного вмешательства, вызывают дефицит ходовых позиций и рост просрочки. Респондент подтвердил потери до 5–6% выручки ежегодно.
Коммерческий директор поставки продуктов с коротким сроком годности в сети X5, Магнит, Самокат
Неточный алгоритм вынуждает ежедневно вручную корректировать объёмы поставок. Из‑за дефицита ходовых товаров и списаний просрочки даркстор несёт существенные потери.
/ Проблема
Проблема/ Решение
Наше решение/ Целевая аудитория
Компании, которые:
от 250 млрд ₽
от 150 млн
Яндекс Лавка, Самокат, Ozon Fresh и другие операторы быстрой доставки
По данным сервисов «Яндекс Лавка», «Самокат» и Ozon Fresh, а также отраслевого обзора Retail.ru
/ Общая структура
Исторический датасет + внешние данные (погода, цены конкурентов)
Подготовка признаков и пайплайн для ML-модели
ML-модель формирует прогноз и оценку рисков
Веб-панель в браузере для менеджера даркстора
/ Frontend часть решения
Веб-интерфейс для просмотра прогноза спроса, рисков дефицита и просрочки, фильтров и экспорта отчётов
/ Пользовательский сценарий
Система показывает прогноз и рекомендуемый момент / объём заказа
Менеджер проверяет рекомендации и риски по позициям
При необходимости корректирует объёмы перед подтверждением
Формирует и экспортирует отчёт для поставки
/ Backend часть решения
Запрос задачи → Результат
/ ML часть решения
Задача: прогноз спроса по ритейл-признакам
Метрика: MAE
Штук продано − прогноз = MAE
Расчёт объёма и момента заказа по математическим формулам
Сравнивает ожидаемый спрос с доступным запасом
Цель: минимизировать дефицит и излишние списания
/ Дорожная карта
Актуальность проблемы, анализ рынка и конкурентов
Выбор стека технологий
Frontend & Backend, дизайн, алгоритм и обучение нейросети
Объединение всех компонентов системы
Финальное тестирование и доработка
/ Экономика — стоимость внедрения
| Frontend (панель менеджера) | 150 000 ₽ |
| Backend (API, БД, интеграции) | 175 000 ₽ |
| ML (модель прогноза спроса) | 175 000 ₽ |
| Итог | ~500 000 ₽ |
| Сервер / облако | 5 000 ₽ |
| Подключение и настройка | 80 000 ₽ |
| Обучение персонала | 50 000 ₽ |
| Итог | ~135 000 ₽ |
| Frontend | 1 050 000 ₽ |
| Backend | 900 000 ₽ |
| ML | ~250 000 ₽ |
| Итог | ~2 500 000 ₽ |
/ Перспективы развития проекта
Запуск пилота в 1–2 дарксторах: проверка метрик точности прогноза, снижение дефицита и просрочки, сбор обратной связи менеджеров.
Подключение региональных сетей дарксторов и новых операторов доставки, тиражирование модели на другие города.
/ Команда проекта
Frontend & Design
Backend
ML
Аналитик
Аналитик
DevOps-Тестировщик
Наставник
Наставник