2 млн экономии за месяц — прогноз спроса на ML для производителя упаковки
Внедрили на производство ML-систему прогнозирования спроса и складских запасов. Машинное обучение помогло снизить издержки и оптимизировать остаток на складе
Задача: создать инструмент прогнозирования спроса для производственной компании, чтобы планировать закупки сырья, оптимизировать запасы на складе и заранее готовиться к крупным заказам.
Причина: производитель упаковки для FMCG-товаров сталкивался с резкими колебаниями заказов: месяцами были простои, но внезапно появлялись заказчики на крупные партии. Это приводило к срочным закупкам сырья по высоким ценам, потерям маржи и переполненным складам. Клиент пытался прогнозировать спрос — анализировал исторические данные вручную с помощью таблиц, но отказался от этого способа, поскольку в нем сложно учесть все многообразие факторов: внезапные скачки спроса, сезонность, изменения цен на сырье и прочие события на рынке.
В итоге клиент обратился с запросом внедрить систему на основе машинного обучения, которая предсказывает спрос и помогает принимать решения на основе данных, а не догадок.
Почему производство выбирает ML для прогнозирования спроса
Многие производственные компании прогнозируют спрос с помощью Excel и простых статистических моделей. Такой подход работает в стабильной среде, но становится неэффективным при резких изменениях рынка.
- Точность таких прогнозов редко превышает 40–60%.
- Не учитываются внешние факторы: скачки цен на сырье, действия конкурентов, сезонные колебания.
- Анализ занимает слишком много времени и требует ручных корректировок.
Клиенту нужно было решение, которое поможет адаптироваться к изменяющимся условиям рынка и уменьшит человеческий фактор в планировании.
Riverstart создали систему прогнозирования спроса для производителя упаковки
Мы разработали модель на основе Machine Learning, которая обрабатывает большие массивы данных и выявляет скрытые взаимосвязи между факторами спроса. Производственная компания получает прогноз спроса на упаковочную продукцию и может оптимизировать запасы и снижать расходы.
Точность прогноза нашей модели по шкале MAPE довольно высока: средняя абсолютная процентная ошибка (MAPE — Mean Absolute Percentage Error) модели составляет всего 10%.
Модель способна:
- находить нелинейные зависимости и адаптироваться к изменениям рынка;
- учитывать как внутренние данные (история заказов, остатки на складе, отгрузки), так и внешние сигналы (сезонность, валютные колебания, тренды);
- автоматически определять ключевые факторы, влияющие на спрос;
- обновляться по мере поступления новых данных без ручной настройки.
Как мы подготовили данные для обработки
Первый этап проекта показал: качество исходных данных сильно влияет на точность прогноза. Мы начали с диагностики данных, история заказов оказалась «рваной»:
- Более 30% SKU содержали пропуски и несостыковки.
- Встречались записи с разными налоговыми атрибутами (с НДС и без), что искажало картину выручки.
Мы провели масштабную работу с данными: выровняли форматы, проверили корректность каждой записи, очистили историю заказов. Это позволило построить устойчивую модель, отражающую реальную операционную картину бизнеса
Как мы оценивали решение: три вида тестов
Мы провели обучение и тестирование модели в три этапа:
- Пилотный месяц в «песочнице»: клиент видел прогнозы и сравнивал их с фактическим спросом.
- Ретроспективный анализ: обученная на данных 2018–2022 годов модель прогнозировала спрос на прошедший 2023-й год, а клиент сравнивал ее данные с фактическими, которые были в 2023.
- Стресс-тесты: мы моделировали экстремальные сценарии с резкими ценовыми колебаниями и сезонными скачками — точность осталась в рабочем диапазоне.
Эти результаты убедили клиента в необходимости масштабного внедрения системы.
Как клиент внедрил решение в производственные процессы
Производитель упаковки для товаров выбрал подходящий ему SaaS-формат: аналитики клиента самостоятельно загружают обновления данных и сразу получают прогнозы. Это позволило быстро начать использовать модель без сложной интеграции.
Для масштабирования возможен вариант on-premises, когда разработчики разворачивают систему на серверах клиента, интегрируют с CRM и другими внутренними системами, а клиент получает прогнозы автоматически. Такой подход дает полный контроль над данными и минимизирует ручные операции.
Клиенты выбирают формат в зависимости от масштаба, состояния своей ИТ-инфраструктуры и готовности к изменениям.
Riverstart создали инструмент прогнозирования спроса на основе машинного обучения с показателем средней ошибки 10% по шкале MAPE. Теперь компания видит, когда спрос вырастет или упадет, может заранее подготовить производство и держать складские остатки на оптимальном уровне.
До внедрения бизнес терял деньги: на складе накапливались излишки сырья или его, наоборот, не хватало для выполнения заказов. После внедрения системы удалось стабилизировать запасы, ускорить оборот продукции и сократить лишние расходы.
По оценке клиента, за месяц экономический эффект составил около 2 млн ₽ за счет сокращения экстренных закупок, отказа от дорогих краткосрочных кредитов и оптимизации запасов. Сезонность больше не приводит к кризисам — система предупреждает об изменениях заранее и помогает принимать решения по закупкам, производству и финансам.