Авторизация
Сброс пароля
Система планирования производства
Заказчик: Группа «Черкизово»
Страница кейса/результат: https://www.tadviser.ru//%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82:%D0%A7%D0%B5%D1%80%D0%BA%D0%B8%D0%B7%D0%BE%D0%B2%D0%BE_%D0%93%D0%9A_(%D0%A1%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0_%D0%BF%D1%80%D0%B5%D0%B4%D0%B8%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D1%82%D0%B8%D0%BA%D0%B8_Insight_AI)#.D0.A0.D0.B5.D0.B7.D1.83.D0.BB.D1.8C.D1.82.D0.B0.D1.82.D1.8B_.D0.BF.D1.80.D0.BE.D0.B5.D0.BA.D1.82.D0.B0

Как мы заменили ручное планирование производства на ML-модель, которая точно предсказывает спрос по 3500+ SKU на 6 месяцев вперёд.
1. Вводная задача от заказчика, проблематика, цели
Группа «Черкизово» производит охлаждённое мясо, колбасные изделия и полуфабрикаты — продукцию со сроком годности от 5 до 25 суток. При такой скоропортимости цена ошибки в планировании очень высока: перепроизводство ведёт к списаниям, недопроизводство — к дефициту на полках федеральных сетей и упущенной выручке.
До внедрения системы планирование строилось на среднем значении отгрузок за последние недели с ручными корректировками менеджеров. Такой подход не улавливал сезонные волны, не реагировал на промо-активности сетей и давал разные результаты в зависимости от того, кто именно считал. По оценке бизнеса, совокупные потери от списаний и упущенных продаж достигали 430 млн рублей в год.
2. Описание реализации кейса и творческого пути по поиску оптимального решения
Чтобы решить задачу мы разработали систему предиктивной аналитики на базе алгоритмов машинного обучения. Она позволила прогнозировать спрос на 26 недель вперед с детализацией по неделям и товарным позициям.
Проект включал несколько этапов:
1. Сбор и консолидация данных.
Данные о отгрузках из разных систем и дивизионов свели в единый датасет, очистили и подготовили для обучения модели.
2. Обогащение внешними факторами.
К истории отгрузок добавили промо-календари сетей, погоду, динамику цен на сырьё и эпизоотическую обстановку.
3. Разработка и отбор модели.
Протестировали несколько алгоритмов — финальная модель прогнозирует спрос на уровне каждого SKU с учётом сезонности, эластичности и конкуренции внутри портфеля.
4. Интеграция в бизнес-процессы.
Систему встроили в BI-среду компании: прогноз на 26 недель доступен в привычном интерфейсе без перехода в новые инструменты.
3. Результаты сотрудничества
В результате внедрения решения были достигнуты следующие показатели:
1. +19% к точности прогноза — показатель вырос до 91% против прежнего метода на основе скользящего среднего.
2. −28% списаний по истечении срока годности за счёт точного планирования объёмов производства и логистики.
3. Сотни миллионов рублей экономического эффекта в год по оценке заказчика — за счёт снижения потерь и сокращения дефицита на полках.
4. Заключение
Insight AI разработали систему предиктивной аналитики на базе машинного обучения, которая прогнозирует спрос по каждой товарной позиции с детализацией по неделям на горизонте до 6 месяцев. Модель анализирует многолетнюю историю отгрузок в совокупности с десятками внешних факторов — от промо-акций торговых сетей до погодных условий и православного календаря, влияющего на структуру потребления. Для каждого SKU система выявляет свои ключевые драйверы: одни позиции чувствительны к сезону, другие — к глубине скидки, третьи — к конкуренции внутри портфеля. Решение прошло валидацию на исторических периодах и было интегрировано в BI-среду заказчика, что позволило отделам планирования и продаж работать с прогнозом без смены инструментов. Проект реализован за 5 месяцев — от сбора данных до запуска в промышленную эксплуатацию.


