Розничная сеть: прогноз спроса после наведения порядка в данных

Компания пришла с запросом на машинное обучение для прогноза спроса, но данные оказались слишком грязными. Сначала построили хранилище и навели порядок в справочниках, затем запустили модель на 4 недели вперёд.

Задача

Исходная ситуация

Розничная сеть (200 сотрудников) пришла с конкретным запросом: сделать прогноз спроса с помощью машинного обучения. Но при первом анализе выяснилось, что данные «грязные»: в таком виде использовать их нельзя.

Строить модель на таких данных не имело смысла: результат был бы неточным, а доверия к нему не возникло бы.

Что нужно было сделать

Привести данные в порядок и собрать их в одном месте.
Унифицировать справочники товаров и других объектов.
Построить прогноз спроса на 4 недели вперёд.
Использовать прогноз для снижения излишков и дефицита.

Решение

Что мы сделали

Этап 1. Основа данных. Настроили загрузку данных (ETL), построили хранилище (DWH), очистили данные и унифицировали справочники (НСИ). На этом этапе ещё не было ни одной модели, но появилась надёжная основа.

Этап 2. Прогноз спроса. На подготовленных данных построили предиктивную модель, которая прогнозирует спрос на 4 недели вперёд. Прогноз помогает планировать закупки.

Почему это сработало

Клиент пришёл за моделью, а мы начали с данных. Это не отложило результат, а сделало его возможным: модель, обученная на очищенных и согласованных данных, даёт предсказуемую точность. Такой порядок («сначала данные, потом модель») применим почти во всех проектах прогнозирования.

Что изменилось для бизнеса

Прогноз спроса на 4 недели вперёд показывает точность 84%. Излишки снизились на 22%, дефицит на 17%, а экономия на закупках составила 1,8 млн ₽ в год.