Лента — Прогнозирование спроса с ИИ (КОРУС Консалтинг + Microsoft Azure)
Описание проекта
«Лента» совместно с «КОРУС Консалтинг» в технологическом партнёрстве с Microsoft разработали автоматизированную систему прогнозирования спроса. ML-модели, развёрнутые в облаке Microsoft Azure (Azure DataBricks), ежедневно рассчитывают прогноз необходимого ассортимента по каждому магазину сети с учётом исторических данных, сезонности, промоакций. Система интегрирована с собственным хранилищем данных «Ленты». Для оптимизации вычислений используется динамический вычислительный кластер Azure DataBricks.
Задача
Планирование запасов в сети гипермаркетов с широким ассортиментом — крайне трудоёмкая задача. Классические методы не учитывали всех факторов (промо, сезонность, региональная специфика), что приводило к затариванию складов или дефицитам. Расчёты занимали слишком много времени.
Цели внедрения
-
Повысить точность прогноза спроса
-
Оптимизировать товарные запасы (избежать излишков и дефицитов)
-
Ускорить цикл ежедневного планирования
-
Снизить товарные потери (списание, истечение сроков)
Результаты
-
Финансы
-
Результаты по экономии в рублях не раскрыты публично; ожидаемый эффект — снижение потерь от дефицита и избытка товаров Время
-
Скорость прогнозирования выросла в 1,5 раза (по сравнению с предыдущей системой)
-
Длительность расчётов сократилась на 30% благодаря Azure DataBricks Качество и эффективность
-
Улучшенная точность планирования запасов (конкретные метрики не раскрыты)
-
Система разработана за около 1 года (от первых тестов до продуктивной эксплуатации) Нагрузка и масштаб
-
Пилот: 10 магазинов «Ленты»
-
Ежедневный расчёт прогнозов по всему ассортименту каждого магазина сети Надёжность
-
Облачная инфраструктура Azure с SLA Microsoft Импортозамещение и compliance
-
Российский интегратор — КОРУС Консалтинг; облако Microsoft Azure (международная платформа). Частичное соответствие требованиям импортозамещения — интеллектуальная часть (алгоритмы, модели) создана российской командой Качественный эффект: Переход от статистических методов к ML-прогнозированию в крупной федеральной сети; снижение роли ручного планирования; улучшение доступности товаров для покупателей.