ПРОГНОЗ ОСТАТКОВ

#1 Создание прототипа и утверждение точности

• Начальный этап проекта посвящен валидации математической модели и бизнес-логики. Мы разработали и протестировали прототип, который позволяет анализировать результаты расчетов.

• Мы использовали механизмы машинного обучения для детального анализа исторических и текущих данных о продажах.

• Цель этого анализа - выделить ключевые триггеры, сезонность и аномальные всплески продаж, чтобы на них формировать прогнозы спроса/продаж и высчитывать необходимое количество SKU для поставки на склады маркетплейсов. Данные мы брали из базы клиента (остатки, продажи, заказы).

• Прототип позволил провести эксперименты и выбрать оптимальные ML-модели для промышленного внедрения, обеспечивающие максимально точный прогноз спроса и продаж.

• Это гарантировало, что система готова к промышленному внедрению и способна сформировать надежные прогнозы на срок до 1 года, который, в свою очередь, строится на основании прогноза продаж и спроса.

#2 Промышленный запуск и обязательный функционал

• Этот этап был ключевым, поскольку обеспечивал достижение основной бизнес-цели — максимально эффективного управления складскими запасами. Мы довели модель и модули расчёта и рекомендаций до готовности к промышленной интеграции.

• Техническая команда обеспечила сопоставление полей из разных отчетов маркетплейсов для приведения данных к единому виду. При расчете прогноза система учитывала аномальные всплески по заказам, не завершившимся выкупом, чтобы «вычистить» их из общего прогноза продаж и корректно рассчитать потребность.

• Кроме того, мы внедрили двухфакторный АВС-анализ (по выручке и количеству заказов), чтобы присвоить каждому товару категорию. Это необходимо для правильной интерпретации точности прогноза, поскольку позволяет придать больший вес товарам, которые максимально влияют на общий результат.

• Мы настроили регулярное обогащение данных новыми отчетами о реализациях, заказах и историями остатков, а также учитывали исторические остатки по каждому SKU на протяжении всего анализируемого периода.

• Пример: Клиент вводит ручные корректировки (период прогноза, маркетплейс, кластер/регион поставки и количество товаров в пути). После нажатия кнопки «СДЕЛАТЬ ПРОГНОЗ» система рассчитывает прогноз поставок.

• Экспорт результатов уже доступен и на этом этапе: реализована первичная выгрузка в Word и Excel.

#3

• В третий месяц работ мы завершили функционал: добавили валидацию и редактирование, доработали справочники, реализовали сверку АПО и экспертизы и экспорт ведомостей.

• Вышли на целевые метрики качества на валидации F1 по дефектам и работам выше 0,90, интегрировались с «Техзором» для создания дефектов из системы с целевым SLA API не более 1 секунды на дефект.

• Провели аудит и настроили ретраи, выполнили нагрузочные и проверки безопасности на объёмах порядка 350 документов в месяц и пиках свыше 30 документов в час, а также настроили журналирование.

• Реализовали передачу сформированных и подтверждённых пользователем дефектов в «Техзор» через АРІ для автоматического создания карточек и загрузки информации в карточку квартиры.

• Финально провели отладку и сдачу: пилотировали решение на реальных данных из ~10 документов, сформировали отчёт по SLA (доступность > 99%) и закрыли инциденты

• Подготовили руководства пользователя и администратора, регламенты обновления словарей и ML, план оп-рrет-развёртывания (Helm/Docker, сети, БД) и ввели систему в промышленную эксплуатацию.