AI-прогноз остатков

Задача клиента и исходная проблема

В проекте заказчику из сферы «E-commerce» требовалось прогнозировать спрос и рекомендовать заказ по товарным группам.

До запуска проекта заказ строился по средним продажам без учета акций и сезонности.

Что именно реализовали

Основой решения стал следующий сценарий: модель прогнозирует спрос, оценивает риск дефицита и формирует рекомендации закупщику.

• История продаж.
• Промо.
• Остатки.
• Сроки поставки.
• Прогноз.
• Доверительный интервал и контроль.

Как работает решение

1. 01

   Запрос или документ

   В проекте заказчику из сферы «E-commerce» требовалось прогнозировать спрос и рекомендовать заказ по товарным группам.

2. 02

   Подготовка контекста

   Основой решения стал следующий сценарий: модель прогнозирует спрос, оценивает риск дефицита и формирует рекомендации закупщику.

3. 03

   ИИ-обработка

   Внутри решения предусмотрены история продаж, промо, остатки, сроки поставки, прогноз, доверительный интервал и контроль.

4. 04

   Передача результата

   В контуре решения связаны ERP, маркетплейсы, DWH.

5. 05

   Рабочий эффект

   После внедрения решения закупщик получает прогноз с уровнем уверенности и принимает решение до возникновения дефицита.

Техническая логика и интеграции

Внутри решения предусмотрены история продаж, промо, остатки, сроки поставки, прогноз, доверительный интервал и контроль. Подтверждённые системы и элементы: ERP, маркетплейсы, DWH.