Предиктивная модель спроса для агрохолдинга: −32% списаний
Разработка ML-модели прогнозирования спроса на скоропортящуюся продукцию для агрохолдинга с 200+ SKU и 45 точками дистрибуции. Снижение потерь от списаний и дефицита.
Задача
Агрохолдинг с оборотом 2,5 млрд ₽ терял 12% выручки на списаниях скоропортящейся продукции (молочка, овощи, зелень). Одновременно дефицит на полках составлял 8% — потеря продаж. Планирование велось вручную на основе средних за прошлый период. Сезонность, погода, акции — не учитывались.
Решение
Построили предиктивную ML-модель на Python (LightGBM + Prophet): прогноз спроса на 7–14 дней для каждого SKU в каждой точке. Учитываемые факторы: история продаж, сезонность, погода (API Яндекс.Погоды), промоакции, праздники, день недели. Интегрировали с 1С:УТ — модель автоматически формирует заказы поставщикам. Дашборд в DataLens для мониторинга точности прогнозов и потерь.
Хотите похожий результат?
Расскажите о вашем проекте, и мы подготовим индивидуальную стратегию с учётом специфики вашего бизнеса.
Обсудить проект