Как работает ИИ-прогнозирование спроса в продуктовом ритейле

ИИ-прогнозирование спроса для свежих продуктов принципиально отличается от прогнозирования бакалеи. Ставки выше — ошибка истекает и оказывается в мусорном контейнере, — а сигналы спроса сложнее: на них влияют погода, сезоны и внутринедельные паттерны, с которыми типовые ERP справляются плохо.

В этом материале — как устроена специализированная модель прогнозирования, какие данные ей нужны и как выглядит реальное внедрение для сети с 5–200 магазинами.

Почему ERP-модули не справляются с прогнозированием свежих продуктов

Большинство ERP управляют пополнением через три механизма: фиксированные точки дозаказа, минимум/максимум или простые скользящие средние. Все три не работают для свежих продуктов по одной причине: они предполагают стабильный во времени спрос.

Спрос на свежие продукты нестабилен. Он зависит от:

Дня недели — спрос на большинство свежих категорий в выходные на 40–80% выше, чем в понедельник. Статические точки дозаказа усредняют это и ошибаются в оба дня.
Сезона и погоды — продажи шашлычных принадлежностей растут в жару, супов — в холода. Эти паттерны предсказуемы, но требуют интеграции внешних данных.
Локальных событий — региональная ярмарка, школьные каникулы, государственный праздник — всё это смещает спрос так, как исторические средние не могут предсказать.
Остаточного срока годности — свежий товар на полке расходует собственный ресурс свежести. Заказ, не учитывающий, сколько жизни осталось у текущих запасов, рискует переполнить полку.

Как работает ИИ-прогнозирование свежих продуктов

1. Приём данных в реальном времени

Фундамент точного прогнозирования свежих продуктов — данные в реальном времени. Пакетные обновления остатков — раз в сутки или раз в смену — создают лаг, который слишком велик для быстрооборачиваемой свежей продукции. Специализированная ИИ-система принимает скорость продаж с кассы непрерывно, обновляя модель спроса в течение часа.

Это также означает интеграцию сроков поставки по мере их изменений. Если поставка сдвигается на сутки — оптимальный объём заказа на этот день меняется. Статическая система игнорирует это; ИИ-система корректируется автоматически.

2. Моделирование спроса на уровне SKU

Ключевое архитектурное отличие специализированного ИИ от типовой ERP: каждая SKU получает собственную модель спроса. Молоко, клубника, нарезанные салаты и хлеб на закваске имеют разные профили спроса, разную волатильность и разные кривые порчи. Объединение их в общую модель даёт прогнозы, которые ошибаются по всем позициям сразу.

Хорошо спроектированная модель улавливает:

Базовую недельную кривую спроса (понедельник vs пятница vs воскресенье)
Сезонные мультипликаторы (клубника в январе vs в июне)
Промо-буст (изменение выкладки, снижение цены)
Кросс-категорийные эффекты (продажи угля коррелируют с кукурузой в початках)

3. Интеграция внешних сигналов

Современные ИИ-системы прогнозирования автоматически подтягивают данные из нескольких внешних источников: локальные прогнозы погоды (скользящие 7 дней), региональные календари событий, даты школьных каникул и государственные праздники. Эти сигналы взвешиваются против исторических данных для оценки их влияния на спрос.

Результат: модель предвидит изменения спроса до того, как они происходят, а не реагирует постфактум.

4. Замкнутый цикл обратной связи

Именно это отличает ИИ от умных таблиц. Каждый заказ, прошедший через систему, — каждое списание, которого удалось избежать, каждый зафиксированный дефицит, — возвращается в модель как обучающий сигнал. Модель непрерывно улучшается с каждым циклом заказов, становясь точнее со временем.

Большинство сетей видят значимое улучшение точности на второй–четвёртой неделе пилота, когда модель калибруется под их специфические паттерны спроса.

Какие данные нужны для старта

Минимальные требования к данным для эффективной модели прогнозирования свежих продуктов:

Исторические данные о продажах: 12+ месяцев на уровне «SKU — магазин — день». Больше — лучше, но 12 месяцев захватывают полный сезонный цикл.
Текущие остатки: Данные о запасах в реальном времени или близком к нему по каждой SKU в каждом магазине.
Сроки поставки: Ожидаемые окна доставки по поставщикам и товарным категориям.
Данные о сроках годности: Остаточный срок годности по SKU (как правило, доступен из WMS или журналов приёмки).

У большинства сетей все эти данные уже есть в ERP. Работа по интеграции — подключить ИИ-систему к их получению в реальном времени. Этот процесс занимает 1–2 недели с готовыми API-коннекторами.

Как выглядит 30-дневный пилот

Самый быстрый способ проверить ИИ-прогнозирование для свежих продуктов — структурированный пилот с заранее согласованными метриками успеха. Типичная структура:

Дни 1–7: Интеграция данных, обучение модели на исторических данных, первые ИИ-рекомендации (ещё не отправляются в ERP)
Дни 8–14: Команда закупок сравнивает рекомендации со своими ручными заказами. Калибровочные обсуждения. Корректировки модели по фидбеку команды.
Дни 15–30: Рекомендации ИИ поступают в ERP. Команда ежедневно проверяет и утверждает. Отслеживаются уровень списаний и наличие на полке.

Метрики успеха, измеряемые на 30-й день: уровень списаний (% выручки категории), наличие на полке (% SKU в наличии в пиковые часы) и продажи свежих категорий относительно базового периода.

В нашем пилоте в 100 магазинах все три метрики улучшились одновременно: списания снизились на 76%, наличие выросло до 91,8%, продажи увеличились на 24%.

Хотите узнать, как это работает в вашей сети? Подробнее об автоматическом заказе на основе ИИ или об интеграции с 1С.