Отрасль

Горизонт для ритейла:
автозаказ и запасы

Какую политику автозаказа выбрать по классам товаров, чтобы держать уровень сервиса и не раздувать запас. Прогноз спроса приходит извне, Горизонт считает последствия политики по магазину на тысячах траекторий.

Ранняя версия продукта. Примеры на сайте — демо-проекты на синтетических данных.

Решения, которые можно оптимизировать на модели

У каждого из этих решений высокая цена ошибки, а результат виден через месяцы. Их можно заранее проверить на модели бизнеса и выбрать лучшее.

Автозаказ

Параметры правила «заказать до целевого уровня» по классам товаров

Страховой запас

Уровень сервиса по классам ABC × XYZ против стоимости запаса и списаний

Период пересмотра

Как часто пересматривать заказ и чем это оборачивается в наличии на полке

Промо и цены

Эластичность, каннибализация, окупаемость акций

Поставки

Сроки и надёжность поставщиков, минимальные партии

Ассортимент

Ввод и вывод позиций, роль класса в выручке

Списания и дефицит

Баланс потерь: упущенные продажи против списаний

Внешний прогноз

Готовая ML-модель спроса подключается как часть модели и проверяется

Пример

Продуктовый ритейл: политика автозаказа магазина

Открытый набор данных продаж розничной сети: 3 049 товаров, дневные продажи за пять лет. Внешний прогноз — нейросетевая модель временных рядов.

Плагин прогноза

Интерфейс продукта · «Продуктовый ритейл» · прогноз спроса по 360 товарам от внешней модели · открытые данные продаж розничной сети

−14 %
денег в товарных запасах при том же наличии на полке
360
товаров в панели по 9 классам ABC × XYZ
Продукт не формирует заказы по тысячам товаров и не прогнозирует спрос сам: это работа учётной системы и ML-модели. Он выбирает политику автозаказа и оценивает её в Монте-Карло поверх внешнего прогноза
Решения — уровень сервиса по классам A, B и C: лист «Правила по классам» переводит его в страховой запас
Подобранные уровни сервиса снижают стоимость запаса на 14 % при том же наличии на полке: страховой запас переносится с товаров с ровным спросом на товары с неровным
Внешний прогноз проверяется на удержанных днях: смещение, ошибка против наивного прогноза, калибровка квантилей; пересчёт кнопкой с историей запусков

Что входит в модель

Панель товаров

360 SKU с весами классов как измерение модели; свёртки дают оценку по магазину

Спрос

Внешний прогноз с квантилями как плагин; розыгрыш продаж по Пуассону

Запасы

Остаток, заказ до целевого уровня, страховой запас по уровню сервиса, сроки поставки

Экономика

Выручка, стоимость запаса, списания, упущенные продажи

Решения

Уровень сервиса по классам, период пересмотра, потолок запаса

Листы

«Ассортимент» с ценами и спросом по товарам, «Правила по классам»

Как попробовать

Этап 1 · 2–3 недели

Демонстрация на вашей задаче

Разбор задачи на синтетических данных, повторяющих структуру и масштаб вашего бизнеса, без передачи ваших данных.

Этап 2

Пилот в вашем контуре

Реальная задача и согласованные данные; цикл бюджета и прогнозов вживую, уточнение модели по месяцам факта.

Этап 3

Промышленная эксплуатация

Рабочий инструмент принятия решений: источники данных, роли, регламенты, обучение экспертов.

Синтетические данные — сгенерированный набор, по структуре, масштабу, зависимостям и бизнес-контексту похожий на ваши реальные данные, но без вашей конфиденциальной информации. На таких данных сделаны все демо-проекты.

Покажем модель на вашей матрице товаров

Демонстрация строится на синтетических данных по структуре вашего бизнеса. Две-три недели от разговора до разбора вашей задачи на модели.