«Не магия, а точный инструмент прогноза». 28 октября в рамках вебинара эксперты AXELOT рассказали, как алгоритмы машинного и нейросетевого обучения позволяют учитывать множество различных факторов, влияющих на спрос, и улучшать точность прогнозирования.
Большинство разговоров про применение искусственного интеллекта ограничивается обсуждением возможностей нейросетей – ChatGPT, Алиса и др. без глубокого понимания, что из себя на самом деле представляют технологии искусственного интеллекта. На деле ИИ – это не нечто волшебное, а целый комплекс технологий.
Для логистики ключевое значение имеет применимость ИИ-возможностей для решения практических задач, таких как прогнозирование спроса. В нашем контуре прогнозирования участвуют две системы. Это AXELOT IBP (ранее AXELOT DOM) – решение, отвечающее за управление запасами и сбор данных, и внешний плагин прогнозирования (разработанный на платформе AXELOT SCAP), оперативно обрабатывающий большие массивы данных.
1. Подготовка – основа точного прогноза
На этом этапе закладывается фундамент точности. В приоритете – факт продаж минимум за три года, так как алгоритмам необходимо понять исторические паттерны. Помимо основной статистики, данные можно обогатить внутренними факторами влияния: остатками на складе, графиками работы, производственным календарем и промо-акциями (включая планы на будущее). Можно анализировать практически бесконечное количество событий и ограничений, влияющих на спрос.
Настройка алгоритмов прогнозирования сделана интуитивно понятно для пользователей без опыта в Data Science. Нужно определить разрезы прогнозирования (по клиенту, каналу сбыта, складу и т.д.), горизонт, гранулярность (дни, недели, месяцы) и частоту обновления. Итог этапа – собранный в AXELOT IBP полный «пакет данных», готовый к отправке в AXELOT SCAP.
2. Прогнозирование: мощь автоматизации и выбор лучшей модели
AXELOT SCAP берет «набор исходных данных» и начинает полностью автоматизированную работу:
- предобработка: система сглаживает выбросы и заполняет пропуски в данных;
- нормализация и обогащение: данные приводятся к единому стандарту;
- запуск моделей: параллельно запускается более 90 моделей прогнозирования – от классических статистических методов до передовых алгоритмов машинного обучения и комбинаторики.
3. Результат прогнозирования: анализ, корректировка и согласование
Прогнозы из плагина на базе AXELOT SCAP поступают обратно в AXELOT IBP и выводятся в наглядном графическом виде для удобства анализа. Система автоматически выбирает «чемпиона» – оптимальный метод прогнозирования для каждого конкретного разреза (например, для одного склада лучше работает градиентный бустинг, а для другого – квантильная регрессия).
Аналитик не остается с сухими цифрами один на один. Используя динамическую визуализацию прогноза, он может анализировать причины пиков и провалов, точечно или целыми периодами корректировать прогноз и т.д. Все версии прогнозов архивируются, обеспечивая полную управляемость и прозрачность процесса.
Хотите своими глазами увидеть весь путь прогнозирования с ИИ – от данных к результату – на примере прогнозирования количества продаж по номенклатуре в разрезе складов отгрузки? Смотрите запись вебинара на нашем Rutube-канале.
Подпишитесь, чтобы не пропустить новые видео!