Зачем нужны ML-решения для прогнозирования спроса?

С его помощью бизнес может или получить хорошую прибыль при грамотном подборе товаров для продажи, или прогореть, оставив лишние товары лежать на складах. Но если с сезонными товарами, например елками на новый год, все очевидно, то как научиться прогнозировать спрос в течение всего года на другие продукты?

Учесть вручную все факторы для прогнозирования спроса большой товарной линейки практически невозможно. На помощь приходят алгоритмы машинного обучения. Несколько раз в сутки или в режиме реального времени они предсказывают необходимый результат, используя микс параметров на входе. В ритейле и сфере услуг алгоритмы машинного обучения находят свое применение для составления рекомендаций к покупке товаров или в предоставлении услуг, а также для предсказания их стоимости.

{{cenoobrazovanie}}

В ритейл-компаниях хорошо развиты рекомендательные системы – алгоритмы, которые рекомендуют товары на основе ряда факторов: совершенных ранее покупок, текущей корзины, или других, на первый взгляд совершенно неочевидных. Так, в Ozon уже несколько лет применяется машинное обучение для прогнозирования спроса на основе таких параметров, как статистика продаж, наличие прямых конкурентов, номера дня в году и прогноза погоды [1]. Главный критерий для рекомендательной системы – решение задач бизнес-заказчиков. Поэтому команда Ozon каждую итерацию старалась снизить среднюю абсолютную ошибку (MAE) от 496 до 1,01 через обучение моделей. Сперва random search вырабатывает лучшие наборы гиперпараметров, затем дата-сайентист вручную строит дополнительные метрики качества, learning curves и другие графики. 

В ситуациях высокого спроса на товар, а также риска порчи продукции такие алгоритмы становятся чуть ли не спасательным кругом для бизнеса. Сервис готовки и доставки еды «Кухня на районе» использует машинное обучение на основе статистики заказов. Это помогает привезти нужное количество продуктов на точку и избежать остатков товаров. Также, сбор и анализ данных по заказам определяет самые популярные блюда в разных районах города: нейросеть выбирает около сотни блюд из 3500 вариантов для приготовления на кухнях в течение следующей недели [2].

Но определить спрос на продукцию можно и не прибегая к данным о покупках. Например, Walmart, одна из крупнейших ритейл компаний в мире, использует социальные сети для поиска информации о трендовых товарах, а затем доставляет их в магазины [3]. Также благодаря анализу данных и поиску корреляций, они обнаружили, что в ветреных городах с температурой до 26°C лучше продаются ягоды. Зная это, они запустили рекламу на подходящие регионы и увеличили продажи в 3 раза [4].

В далеком 2016 году Napoleon IT запустили проект для сети ресторанов быстрого питания «Додо Пицца». Команда разработчиков обучила машину анализировать разные переменные – прогноз погоды, день недели, другие факторы. Построенная модель предсказывала количество онлайн и офлайн заказов на протяжении дня с точностью 84%. Прогнозирование помогло компании снизить простои сотрудников и оптимизировать нагрузку персонала и время ожидания заказа. Это был один из первых проектов Napoleon IT в направлении машинного обучения. 

В 2022 году компания «МТС» запустила курс по разработке рекомендательных систем на языке Phyton в рамках онлайн-магистратуры по машинному обучению AI Talent Hub, созданной университетом ИТМО и компанией Napoleon IT. За время обучения магистранты освоят работу с большими данными, популярными фреймворками для построения рекомендательных систем, научатся оценивать эффект влияния решения на продукт, использовать двухуровневые, нейросетевые модели и многое другое. Именно рекомендательные системы становятся мощнейшим инструментом для продаж и повышения лояльности клиентов во всех сферах бизнеса, начиная с ритейла и заканчивая цифровыми сервисами. По итогам программы выпускники подготовят финальный проект, который смогут включить в портфолио: на основе заданного шаблона создадут сервис рекомендаций по API. 

Таким образом, алгоритмы машинного обучения не просто превращают набор данных в модели. В зависимости от бизнес-задачи можно спрогнозировать продажи, способствовать им и получению последующей прибыли. Используя модели машинного обучения и предварительно собрав данные, даже компании малого и микро-бизнеса способны найти такую корреляцию параметров, которую человек мог бы никогда и не найти.

Материал подготовлен магистрантом AI Talent Hub Артуром Казаряном

Источники

1. https://habr.com/ru/company/ozontech/blog/431950/
2. https://www.the-village.ru/business/businessmen/371631-kuhnya-na-rayone
3. https://www.projectpro.io/article/how-big-data-analysis-helped-increase-walmarts-sales-turnover/109
4. https://habr.com/ru/company/ibm/blog/332536/

‍

‍