Авторизация
Сброс пароля
AI-прогнозирование для дистрибьютора автоэмалей
Заказчик: ЛКМ Полимер
Страница кейса/результат: https://insightai.ru/cases/lkm-polymer/
Как мы увеличили точность прогноза на 22% и сэкономили 300 млн рублей для дистрибьютора автоэмалей.
Агентство-исполнитель кейса
1. Вводная задача от заказчика, проблематика, цели
"ЛКМ Полимер" — крупный продавец лакокрасочных покрытий. Ассортимент насчитывает более 600 уникальных товарных позиций (SKU) — от банок с краской до различных баллончиков и клея.
Компания столкнулась с тем, что склад забит неликвидным товаром на миллионы, а самых ходовых позиций постоянно не хватает, что приводит к упущенной выгоде в полмиллиарда рублей в год.
2. Описание реализации кейса и творческого пути по поиску оптимального решения
Мы внедрили модель, которая автоматически генерирует прогнозы на будущее, регулярно обновляя их с поступлением новых данных.
1. Сбор данных
Основа — исторические данные. В основе любого прогноза лежат данные о прошлом. До 80% успеха модели зависит от качества и полноты истории предыдущих заказов и продаж. Чем за больший срок доступны данные, тем точнее будет прогноз.
2. Обогащение внешними факторами
Чтобы сделать прогноз точнее, к внутренним историческим данным добавляют внешние факторы, которые могут повлиять на результат. Это могут быть: Курс валют; Маркетинговые активности (как свои, так и конкурентов); Демографические данные; Прогноз погоды и сезонность и т.д.
3. Разработка моделей машинного обучения
Нейронные сети способны анализировать миллионы строк информации и находить в них самые неочевидные закономерности и тенденции. Например, модель может выявить сложную взаимосвязь между погодой, днем недели и продажей конкретного товара.
4. Внедрение и прогнозирование
Выбранная модель внедряется в рабочие процессы компании (например, в BI или CRM-систему) и начинает автоматически генерировать прогнозы на будущее, регулярно обновляя их с поступлением новых данных.
3. Результаты сотрудничества
В результате работы над задачей нам удалось добиться показателей:
- Точность прогнозирования выросла на 22% по сравнению с предыдущим методом и достигла 89%.
- Компания сэкономила 300 000 000 рублей за счет оптимизации закупок и складских остатков.
- Автоматизация заказа товара на популярные позиции.
4. Заключение
Решение позволило учитывать не только внутренние данные компании, но и внешние факторы, влияющие на бизнес, что повысило точность прогнозирования и помогло сократить затраты за счет оптимизации запасов. Для заказчика была подобрана модель, показавшая наилучшее качество прогнозирования на его данных и с учетом особенностей бизнес-процессов. Решение интегрировано с внутренними ИТ-системами компании, что обеспечивает автоматическое обновление данных и удобное использование модели в повседневной работе.
Агентство-исполнитель кейса