От ручного анализа к ИИ: как "АрхиМед" автоматизировал процесс прогнозирования спроса и улучшил процесс ценообразования

Как алгоритмы ООО "Сбер Бизнес Софт" помогают оптовой компании прогнозировать спрос, оптимизировать цены и управлять остатками с помощью искусственного интеллекта.

О компании

ООО "АрхиМед" — один из игроков на российском фармацевтическом рынке с 27-летним опытом работы. Компания специализируется на оптовых поставках лекарственных средств, медицинского оборудования, БАДов и расходных материалов, представленных в 32 регионах страны. ООО "АрхиМед" располагает сертифицированным фармацевтическим складом класса "А", что требует эффективного управления запасами и ценообразованием для минимизации издержек.

Предпосылки проекта

Являясь региональным дистрибьютером, компания применяет гибкую систему ценообразования, базирующуюся на анализе конкурентных цен. Многие шаги процесса выполнялись вручную (сбор необходимых данных, установление стоимости товаров), при этом не до конца учитывались ключевые факторы, такие как прогнозируемый срок хранения партии на складе. Это приводило к двум основным проблемам:

1. Неэффективное управление запасами — часть товаров залеживалась, создавая избыточные остатки и замораживая оборотные средства.
2. Недостаток информации в процессе ценообразования — решения принимались без учета динамики спроса, что сказывалось на оборачиваемости товарных запасов и прогнозе маржинальности.

Компании требовалось решение, которое могло бы автоматизировать анализ цен конкурентов, прогнозировать спрос и оптимизировать цены с учетом сроков хранения товара.

В качестве подрядчика выбрали ООО "Сбер Бизнес Софт", так как компания подходила под два основных критерия, которые обозначил ООО "АрхиМед":

• Наличие опыта в реализации проектов по динамическому ценообразованию и прогнозированию спроса.
• Наличие собственной команды data science (специалисты по работе с данными) и разработок в области предиктивной аналитики, что гарантировало гибкость и возможность доработки моделей под специфику бизнеса.

Решения на базе искусственного интеллекта

В условиях высокой конкуренции и изменчивого спроса компании должны оперативно адаптировать цены и управлять запасами. Традиционные методы, основанные на ручном анализе, часто оказываются недостаточно точными и гибкими. Современные решения на базе ИИ используют машинное обучение и анализ больших данных, чтобы прогнозировать спрос и оптимизировать ценообразование в режиме реального времени.

Динамическое ценообразование – автоматизированная система корректировки цен с учетом прогнозируемого спроса, остатков на складе, цен конкурентов и т.д. Алгоритмы на базе ИИ рассчитывают оптимальную цену, которая максимизирует прибыль и ускоряет оборот товаров, предотвращая затоваривание.

Прогнозирование спроса – это процесс предсказания будущего потребительского спроса на товары или услуги с помощью алгоритмов машинного обучения. Оно позволяет компаниям оптимизировать запасы, планировать закупки и производство, обеспечивать непрерывную доступность товаров для клиентов.

Этапы внедрения проекта

Шаг 1. Определение проблематики и формирование бизнес-требований

Специалисты совместно с заказчиком провели детальный анализ текущей ситуации. Были выделены две ключевые проблемы:

• Отсутствие системы прогнозирования сроков хранения товаров в зависимости от их стоимости.
• Невозможность прогнозирования маржинальности в зависимости от назначенных цен.

На основе этого сформулировали основные требования к решению:

• Внедрение механизма прогнозирования спроса с учетом сроков хранения товаров.
• Оптимизация процесса ценообразования.

Шаг 2. Получение данных от заказчика

Для разработки решения были собраны:

• Исторические данные о продажах.
• Информация о текущих остатках на складе.
• Данные о сроках хранения товарных партий.
• Информация о закупочных и продажных ценах.

Шаг 3. Предобработка данных и разведочный анализ

Проведены следующие работы:

• Очистка данных от аномалий и ошибок.
• Унификация форматов данных.
• Анализ закономерностей в исторических данных.
• Выявление особенностей товаров с разной динамикой продаж.

Шаг 4. Разработка и тестирование алгоритма

Процесс включал:

• Эксперименты с различными методами прогнозирования.
• Создание модели, работающей с разреженными рядами данных.
• Оптимизацию кода для ускорения расчетов (удалось сократить время с 27 до 8 минут).
• Слепое тестирование модели на исторических данных.
• Несколько итераций доработки алгоритма.

Для разработки применялись методы вероятностного прогнозирования на основе линейной регрессии в сочетании с бизнес-правилами, чтобы реализовать динамическое ценообразование. Прогнозирование спроса строилось на основе градиентного бустинга (метод машинного обучения, который последовательно создаёт набор слабых прогностических моделей, обычно деревьев решений, комбинируя их в единую сильную модель). Модели были реализованы на Python — языке программирования, широко распространённом в сфере искусственного интеллекта. Готовое решение было передано в виде дистрибутива с исполняемым файлом (exe).

Шаг 5. Интеграция и внедрение

Основываясь на всех полученных данных, ООО "Сбер Бизнес Софт" разработал двухэтапную рекомендательную систему:

1. Прогнозирование спроса — модель анализирует исторические данные и внешние факторы, предсказывая потенциальные объемы продаж.
2. Оптимизация цены — алгоритм рассчитывает оптимальную стоимость товара, учитывая сроки хранения, остатки на складе и маржинальность, чтобы максимизировать прибыль и ускорить оборот товаров.

Особенностью решения стала работа с разреженными рядами данных (нерегулярные продажи некоторых товаров), а также значительное ускорение расчетов за счет оптимизации кода. Разработка решения заняла около 4 месяцев.

Шаг 6. Сопровождение и поддержка после внедрения системы

После успешного внедрения системы динамического ценообразования и прогнозирования спроса начался этап сопровождения. Команда ООО "Сбер Бизнес Софт" обеспечила непрерывную поддержку заказчика и доработку моделей.

Специалисты провели несколько плановых проверок, анализируя, насколько рекомендации системы соответствуют реальной рыночной ситуации. Кроме того, команда ООО "АрхиМед" получала консультационную поддержку — разбор сложных случаев, помощь в интерпретации отчетов и обучение новых сотрудников работе с решениями.

Результаты

Скорость анализа информации по ценам и принятия решения увеличилась на 50%

Запуск решений на базе искусственного интеллекта позволил:

• Усовершенствовать процессы планирования продаж и закупок на основе данных модели прогнозирования спроса в разрезе поставщиков и препаратов
• Улучшить управление остатками — система помогает избегать залеживания товаров.
• Повысить прозрачность процесса по управлению маржинальностью за счет возможности оперативного получения информации по оптимальным ценам с учетом спроса и сроков хранения.
• По процессу ценообразования — перераспределить время сотрудников в пользу анализа цен и внесения корректировок с учетом специфики фармацевтического рынка, поставщиков, препаратов, сезонности, влияния внешних факторов. Скорость анализа информации по ценам и принятия решения увеличилась на 50%.