Заміна непрозорого прогнозу від підрядника на власну систему, яку можна пояснити
Регіональний британський продуктовий рітейлер (проєкт 2024 року, ~340 магазинів) платив стороньому постачальнику прогнозування попиту ~$600 тис. на рік, чия точність прогнозу деградувала приблизно на 18% за два роки. Постачальник пояснював це «волатильністю ринку» і не надавав жодної можливості пояснити модель. Надлишкове прогнозування спричиняло ~$2,1 млн на рік втрат від псування швидкопсувних товарів. Ансамбль LightGBM, натренований на 4 роках історії продажів і збагачений даними про погоду, місцеві події, промокалендар і ціни конкурентів, разом з поясненнями на основі SHAP для кожного прогнозу, щоб комерційна команда могла перевіряти модель, а не сприймати її як чорну скриньку, скоротив MAPE на 31% проти попереднього постачальника. Річні втрати скоротилися приблизно на $2,1 млн. Контракт із постачальником розірвано; власна команда дата-саєнс клієнта тепер самостійно володіє моделлю, перенавчає її та моніторить.
−31%
Похибка прогнозу (MAPE)
100%
Команда володіє моделлю
−$2.1M
Скорочення річних втрат
Виклик
Рітейлер платив стороньому постачальнику прогнозування попиту $600 тис. на рік. Точність прогнозу деградувала на 18% за 2 роки. Постачальник пояснював це «волатильністю ринку», але не надавав жодної можливості пояснити модель і жодного способу це перевірити. Надлишкове прогнозування спричиняло $2,1 млн на рік втрат від псування швидкопсувних товарів.
Внутрішня команда дата-саєнс хотіла перенести прогнозування всередину компанії, але не мала архітектурної експертизи для проєктування та валідації продакшн-системи прогнозування.
Наш підхід
Discovery & Blueprint окреслив ансамбль градієнтного бустингу (LightGBM), натренований на 4 роках історії продажів і збагачений зовнішніми ознаками: погодою, місцевими подіями, промокалендарем і сигналами цін конкурентів.
Ключовим було використання значень SHAP для пояснюваності: кожен прогноз показує, які ознаки на нього вплинули. Це дало комерційній команді змогу перевіряти й довіряти моделі, а не сприймати її як чорну скриньку.
Результат
MAPE прогнозу скоротився на 31% проти попереднього постачальника. Річні втрати від надлишкового прогнозування скоротилися на $2,1 млн. Внутрішня команда дата-саєнс тепер самостійно володіє моделлю, перенавчає її та моніторить. Контракт із постачальником розірвано.
Чого ми навчились
01
Моделі постачальника типу чорна скринька створюють залежність: пояснюваність є стратегічною вимогою, а не приємним доповненням.
02
Зовнішні сигнали (погода, події, промоакції) стабільно дають кращий результат за прогнози лише на внутрішніх даних для продуктової роздрібної торгівлі.
03
Мета якісної передачі полягає в тому, що ви більше не потрібні.
Залучені етапи
Аудит готовності до ШІ
Discovery & Blueprint
Перевірка концепції
Продакшн-розробка
Загальна тривалість
6 місяців загалом
Передані артефакти
PRD
Архітектура прогнозування
Специфікація інжинірингу ознак
WBS
Інструкція з моніторингу моделі
Почніть із дзвінка з оцінки доцільності
2 години, безкоштовно. Чесно скажемо, чи має сенс ШІ саме для вашого випадку.