Health & Nutrition (Логика молока) — ML-прогнозирование спроса на базе продукта ADF и Yandex Cloud
Описание проекта
Health & Nutrition использует ML-платформу ADF (Advanced Demand Forecasting) для прогнозирования спроса на всех уровнях цепочки поставок FMCG: от прогноза продаж до планирования поставок, производства и закупки сырья. Система обрабатывает историю продаж глубиной более 2,5 лет и при прогнозировании комбинирует свыше 15 факторов.
Облачная инфраструктура для ML-вычислений переведена с зарубежных платформ (Amazon AWS, Microsoft Azure) на Yandex Cloud.
Стандартный процесс планирования в FMCG-компании охватывает все звенья цепи: прогноз продаж → планирование поставок → производство → сырьё и материалы. ML-подход позволяет учитывать рыночные факторы, которые не улавливают классические статистические методы.
Задача
Традиционные математические и статистические методы прогнозирования не учитывают рыночные факторы (акции, сезонность, внешняя конъюнктура) и дают неточные прогнозы для широкого ассортимента FMCG-продукции. Ошибки прогнозирования ведут к перепроизводству скоропортящейся продукции или к дефициту на полке.
Цели внедрения
-
Повышение точности прогнозирования спроса по всему ассортименту
-
Автоматизация планирования на всех уровнях цепи поставок
-
Переход на российскую облачную инфраструктуру (Yandex Cloud) вместо зарубежных платформ
-
Сокращение списаний скоропортящейся продукции
Результаты
-
Финансы
-
Сокращение потерь от перепроизводства и списаний скоропортящейся продукции (конкретные цифры не раскрыты) Время
-
Автоматическое прогнозирование по истории продаж за 2,5+ лет Качество и эффективность
-
Комбинирование 15+ факторов при прогнозировании (сезонность, акции, рыночные тренды и др.)
-
Общая модель даёт быстрый старт; эволюция достигается через дробление модели по сегментам Нагрузка и масштаб
-
Охватывает весь ассортимент FMCG-продукции компании Надёжность
-
ML-модели дообучаются на новых данных Импортозамещение и compliance
-
Переезд с Amazon AWS и Microsoft Azure на Yandex Cloud Качественный эффект: Компания формирует ML-компетенцию в области прогнозирования спроса, накапливая опыт выбора значимых данных и дробления моделей по сегментам — что характерно для зрелого подхода к ML в FMCG.