Как упаковочный бизнес экономит миллионы с помощью прогнозов спроса на ML
В производственном бизнесе сюрпризы могут дорого обойтись. Особенно если речь идёт о внезапных крупных заказах — когда приходится срочно скупать сырьё по завышенному прайсу, снижая маржинальность сделки. Или в других случаях, когда в страхе дефицита, склады заполняется до отказа, что ведёт к лишним расходам на хранение.
Оба сценария создают проблемы и компания либо теряет деньги, либо не может быстро удовлетворить рыночный спрос и снова теряет деньги. Но что если можно было бы предсказывать такие моменты и вовремя к ним подготовиться?
Это не фантазия, а история внедрения ML-технологии. Рассмотрим тему с точки зрения практики, разобрав кейс такого внедрения ML на примере одного из клиентов Riverstart.
Технология позволила заранее планировать закупки сырья и оптимизировать складские запасы, что снизило операционные расходы. Компания сэкономила около 2 миллионов рублей в месяц и избавилась от необходимости брать срочные кредиты.
Когда каждый заказ — риск: проблема нестабильного спроса
Компания, о которой пойдёт речь в этой истории, — лидер в производстве пластиковой упаковки для FMCG-товаров.
Проблема этого сегмента — нестабильность со стороны заказчиков: клиенты не делают заказ в течение полутора лет, а потом неожиданно запрашивают миллион единиц продукции. В такой ситуации у производителя два варианта:
- Отказаться — потерять клиента, очки репутации, уважение и доход.
- Согласиться — сохранить клиента, но тогда нужно скупать сырье по завышенной стоимости. На это нужны деньги — компания берет кредиты — маржинальность и «настроение» бизнеса падает.
Классические методы прогнозирования не могли справиться с такой динамикой, а постоянные скачки спроса делали планирование непредсказуемым и приводили либо к дефициту, либо к накоплению избыточных запасов на складе.
В результате, компания либо несла дополнительные расходы на хранение, либо сталкивалась с нехваткой сырья, а это ещё больше осложняло работу.
Ситуация требовала свежего и радикального подхода — мы обратились к тарологу. Ладно, конечно же, это шутка, — мы обратились к технологии машинного обучения (ML) на базе нейросетей, предложив клиенту внедрить её для прогнозирования спроса.
Почему ML-система, а не классическое прогнозирование
Классические методы прогнозирования полагаются на линейные модели и простую аналитику исторических данных, что делает их неэффективными при резких скачках спроса. Они не способны учитывать сложные зависимости и множество факторов, влияющих на рынок в реальном времени.
Именно поэтому выбрали ML-модель: она способна анализировать огромное количество данных, учитывать скрытые зависимости и точнее предсказывать неожиданные изменения спроса, помогая бизнесу подготовиться к крупным заказам заранее и без потерь.
Подготовка и тестирование системы прогнозирования
Итак, мы разбили процесс подготовки внедрения системы на два основных этапа:
Первый этап: сбор данных. Анализ и сбор данных по каждому заказу и каталожному номеру. Эти данные стали основой для дальнейших прогнозов и позволили системе обучаться на реальных исторических данных.
Второй этап: внедрение. Чтобы максимально сгладить процесс адаптации для компании, реализовали этот этап в три основных шага:
- Демо-тесты: На этом этапе наша цель — дать компании возможность увидеть систему в действии. Мы собирали данные, взаимодействовали с клиентом и демонстрировали возможности системы. Длился этап около месяца и клиент мог осознать, полезна ли технология для его бизнеса и насколько.
- Слепые тесты: Загрузили собранные данные в систему, использовали исторические данные (с 2018 по 2022 год), чтобы предсказать спрос на прошедший 2023 год. Это и есть «слепые» тесты — система делает прогнозы без учёта данных о продажах за этот период. Сравнив прогнозы с реальными цифрами, клиент смог убедиться в точности модели, которая составила 90% с погрешностью в 10%.
- Стресс-тесты: Чтобы понять, насколько устойчива система к изменениям, мы добавляли новые параметры, такие как погода, праздники, и проверяли, как они влияют на прогнозы.
Что такое 10% погрешности в прогнозе?
Прогнозирование — это не просто выбор между «да» или «нет»; система прогнозирует количество единиц продукции, которое будет заказано.
Погрешность в 10% означает, что если система прогнозирует заказ на 1000 единиц, фактическое количество может варьироваться в пределах от 900 до 1100 единиц.
Такая точность позволяет бизнесу спокойно планировать и прогнозировать.
После успешного прохождения всех тестов и оценок системы прогнозирования, следующим шагом стал выбор способа доступа к ML-системе.
Выбираем оптимальный доступ к ML-системе
Есть несколько вариантов в зависимости от потребностей бизнеса. Каждый адаптирован для различных уровней взаимодействия и контроля.
Самостоятельная работа с SaaS-решением. Самый простой и бюджетный вариант. Клиент получает доступ к SaaS-решению, в котором он сам подготавливает данные, загружает их в систему (например, в формате Excel) и получает прогноз спроса.
Развертывание on-premises решения. В этом случае мы разворачиваем ML-систему на инфраструктуре клиента (on-premises), интегрируем её с их внутренними системами и настраиваем так, чтобы клиент мог по клику получать прогнозы без необходимости вручную загружать данные. Такое решение подходит компаниям, которым важно хранить данные в локальном контуре и автоматизировать процесс прогнозирования.
Анализ данных нашей командой. Если клиент не имеет возможности или ресурсов для подготовки данных, мы берем на себя задачу анализа «сырых» данных. Клиент предоставляет доступ к файлам, мы обрабатываем их, устраняя возможные проблемы, подгружаем и предоставляем прогнозы.
Работа с внутренними системами клиента. Наша команда интегрируется с внутренними системами клиента, например, 1С, через VPN-доступ. Мы самостоятельно извлекаем данные и настраиваем прогнозирование, предоставляя клиенту полностью готовые результаты. Этот вариант предполагает минимальное участие клиента и включает полный цикл работ — от анализа до выдачи прогноза.
Изначально компания, историю которой мы описали в кейсе использовала самый простой вариант — SaaS-решения для прогнозирования, самостоятельно загружая данные и получая результаты. Однако в будущем они планируют перейти на on-premises версию, чтобы повысить контроль над данными и обеспечить большую автономность.
Итоги для компании
В результате стресс-тестов мы выяснили, что сезонность оказалась основным фактором, влияющим на спрос.
До внедрения системы машинного обучения компания могла терять до миллиона рублей каждый месяц из-за излишков сырья на складе или наоборот, их недостатка, а теперь благодаря точному планированию получилось существенно сократить эти потери и избежать ненужных расходов.
Другими словами, появилась возможность предварительно планировать закупки сырья на основе прогнозов и не брать срочные кредиты под огромные проценты, а также оптимизировать запасы товаров на складе, избегая дополнительных расходов на обслуживание и хранение.
Всё это в итоге улучшило общую эффективность бизнес-процессов.
Советы бизнесу перед внедрением ML-технологий
Иногда исторические данные могут скрывать неожиданные пики или спады, которые на первый взгляд кажутся аномалиями. На самом деле они могут быть связаны с закрытием точек продаж, изменением дистрибьюторов или победой в тендерах. Такие детали невозможно понять со стороны, только по цифрам, поэтому в сборе и разметке данных важно участие самого бизнеса. Знающий человек из компании сразу увидит рациональное объяснение.
В остальном, если мы занимаемся внедрением ML-системы, то проводим аудит данных, чтобы найти и исправить проблемы. Например, для одного из клиентов мы изучили отчеты, построили графики распределения цен и обнаружили, что часть данных была введена с учётом НДС, а часть — без, отсюда пошли бы ошибки в данных и, как следствие, неверный прогноз. Ошибку исправили и ML-модель получила хорошую базу для построения прогнозов.
Внедрение ML-технологий требует подготовки и постоянного мониторинга данных, но это не значит, что нужно забрасывать идею с ML в долгий ящик. Клиент из нашего примера теперь избегает ситуаций, в которых крупный заказ появляется из ниоткуда и также внезапно исчезает, и, как следствие, лишних стрессов и кредитов.
Насколько важна для вас точность прогнозирования в бизнесе? Считаете ли вы 90% точности достаточной для принятия важных решений?