Українка Соломія Шиян розробила ML-платформу, що економить мільйони торговим мережам. Як працює H-DSOP
Торгівельні мережі з асортиментом понад 10 тисяч найменувань товарів щомісяця втрачають мільйони гривень через помилки в плануванні закупівель. Одні купують забагато, побоюючись дефіциту, інші втрачають клієнтів через розриви в асортименті. Через неточне прогнозування український роздрібний бізнес втрачає 12-15% від місячного виторгу. Сюди входять фінансові втрати від дефіцитів, списань/знижок через надлишки та перевантажений склад.
[social_blue social="telegram"]У мережі з оборотом 100 мільйонів гривень це може спричинити до 15 мільйонів витрат щомісяця. То як зробити так, щоб магазини не переплачували за надлишки і водночас не втрачали продажі через порожні полиці? Розповідає аналітикиня Соломія Шиян, яка розробила програму на базі ШІ для планування без втрат.
Як розробка допомагає прогнозувати попит
Розробка Соломії Шиян називається H-DSOP (Hybrid Demand and Supply Optimization Platform), це гібридна платформа оптимізації попиту та постачань. Аналітикиня завершила її розробку у серпні 2022 року.
Це одне з перших українських рішень на основі штучного інтелекту для прогнозування попиту в роздрібній торгівлі. Зокрема інструмент підказує, скільки товару замовляти, щоб не було ні порожніх полиць, ні зайвих запасів. Система підтягує історію продажів і підбирає метод розрахунку під кожен продукт. Розглянемо, який шлях привів аналітикиню до H-DSOP і які рішення вона заклала в платформу, щоб прибрати надлишки й розриви одночасно.
Один прогноз для всього не працює
Коли Соломія почала працювати над проєктом, замовники хотіли простого рішення, звичайну Excel-формулу з ручними правками. Це було надто спрощене рішення: воно змішувало акції зі звичайним попитом, ігнорувало ризики в поставках і лише дуже приблизно враховувало сезонність.
Фахівчиня зіткнулася з типовими проблемами українського роздрібного бізнесу. Дані приходять із запізненням, інколи їх взагалі немає. Асортимент змінюється щомісяця, а кожен регіональний офіс веде облік по-своєму. Також сюди варто додати економічну нестабільність, зміни курсу валют, сезонні коливання.
Методику тестували у дистрибуційній мережі STV Group з національним покриттям та у компанії «Ферреро Україна». Точність прогнозу досягла 88-95% на контрольованих групах. Надлишки зменшились, дефіцит стабілізувався, а оборотність зросла.
«Найстрашніше було показувати перші результати керівництву закупівель та фінансовому директору. Якби я помилилася в розрахунках, компанія отримала б або дефіцит товару в мережі, або заморожені мільйони в зайвих запасах. Тому перевіряла кожну цифру по кілька разів», – згадує Соломія.
Як розробка обирає найкращий метод
Система H-DSOP працює як досвідчений закупівельник, який пам’ятає всі деталі. А далі працює у декілька етапів.
Перший – коли система спочатку вивчає характер кожного товару. Чи продається продукт стабільно щодня? Чи є сезонні сплески? Наскільки сильно на нього впливають акції та інші цінові коливання?
Після аналізу наступає другий етап, коли технологія обирає спосіб прогнозування. Для товарів зі стабільним попитом вона використовує статистичні розрахунки на основі минулих даних. Для складніших випадків підключає алгоритми, які одночасно враховують десятки факторів: прайс конкурентів чи доходи покупців.
«Я розділила асортимент на чотири групи: стабільні товари, сезонні, промозалежні та ризикові. Кожна група отримала власну логіку розрахунку прогнозу і запасу. Система почала враховувати тип продукту та його реальну поведінку на ринку», – пояснює Соломія.
Третій етап – розумне групування асортименту. Платформа знаходить товари, які продаються схожим чином та часто разом, навіть якщо вони належать до різних категорій. Дитяче харчування та підгузки купують одні й ті ж батьки. Вугілля для мангалів і маринади для м’яса злітають у продажах одночасно.
Якщо один метод починає давати занадто велику похибку, програма автоматично перемикається на резервний варіант. Коли даних недостатньо, система переходить у безпечний режим та використовує найпростіші перевірені підходи.
Результати впровадження
Перші відчутні зміни з’явилися через два-три місяці після запуску системи. Точність прогнозів підвищилася в середньому на 20-25% порівняно з ручними розрахунками. Обсяги зайвих запасів на складах скоротилися на 15%. А кількість випадків, коли товару не було в наявності, зменшилася майже вдвічі.
Для планувальників змінився принцип роботи. Раніше вони витрачали по 3-4 години щодня на ручні розрахунки в Excel, постійно сумніваючись у результатах. Тепер ця платформа видає конкретні рекомендації з детальним поясненням логіки.
Погляд у майбутнє
Наступний етап розвитку технології передбачає інтеграцію з системами управління ресурсами підприємства NetSuite та SAP, а також з логістичними платформами середніх дистриб’юторів. Для американського ринку це особливо актуально – тут більшість існуючих рішень працюють з історичними даними, але не враховують ризики в реальному часі. Проте H-DSOP автоматично коригує замовлення постачальникам на основі змін попиту, сезонності та збоїв у ланцюгу поставок. Система вже готова масштабуватись на американський ринок, де проблема заморожених грошей у запасах та дефіциту стоїть так само гостро.
Аналоги від SAP та Oracle коштують від 500 тис. до 2 млн доларів і вимагають ідеально налаштованих бізнес-процесів. H-DSOP дешевша у впровадженні та стабільно працює навіть за умови відсутності частини даних, збоїв у поставках чи різких стрибків попиту.
Більшість американських систем використовують одну формулу для всього асортименту. Натомість H-DSOP автоматично визначає тип кожного товару та підбирає для нього окремий алгоритм розрахунку.
Для інтеграції H-DSOP іншим компаніям потрібно надати дані з ERP: історію продажів і залишків, терміни та обмеження постачальників, а також графік акцій (щоб відділити промо від звичайного попиту). Впровадження триває від двох тижнів до місяця. Процес проходить у два етапи: спочатку тестування на частині товарів, а після перевірки результатів – запуск для всього асортименту.
Інструмент враховує фактори, які традиційні моделі ігнорують: затримки поставок, мінімальні партії замовлення, варіації попиту в різних регіонах. Це дозволяє автоматично коригувати замовлення постачальникам ще до того, як виникне проблема.
H-DSOP Соломії Шиян демонструє, що українські AI-рішення можуть конкурувати зі світовими, бо вони спроєктовані під нестабільність, тоді як інструменти зрілих ринків частіше розраховані на передбачуваність.
ㅤ Новина ㅤ