О роли искусственного интеллекта и ML-моделей в оптимизации оптового бизнеса

ML в России и в мире. Статистика

В последние годы прослеживается явный тренд на развитие технологий искусственного интеллекта. Так, по данным портала Statista, к 2024 году объем мирового рынка ИИ достиг $84 млрд. Open AI активно развивает Chat GPT и обучает его новым функциям. В частности, Chat GPT-4.0 научился понимать не только текст, но и изображения. Предыдущая версия была точна в понимании пользователя на 70%, теперь этот показатель увеличился до 85%.

Для сравнения - в 2022 году российский рынок ИИ оценивался в 650 млрд рублей, и эти цифры продолжают расти. Российский BigTech уже давно использует ML в своих продуктах, чтобы сделать сервисы эффективнее. Например, Яндекс в 2023 году выпустил свою языковую модель YandexGPT 3 — она на 69% лучше отвечает на пользовательские запросы, а еще умеет решать бизнес-задачи и генерировать идеи.

Использование ML на благо бизнеса - уже не туманное будущее, а вполне себе настоящее, в котором множество компаний тестирует технологию и внедряет ее в работу.

Возможности ML в 2024: анализ массивов данных и поиск закономерностей

ML – технология, которая позволяет искусственному интеллекту обучаться на собственном опыте, а не просто следовать заранее заложенным алгоритмам.

Одна из главных сильных сторон ML-инструментов – способность обрабатывать и анализировать большие объемы данных. На их основе мы можем составлять точные прогнозы и создавать решения для бизнеса.

Например, машинное обучение используется для прогнозирования трендов рынка. При обучении модели мы не объясняем принципы работы экономики, а делимся данными за прошедшие годы. Постепенно компьютер учится распознавать разные факторы, которые влияют на спрос: сезонность, инфляция и другие. Так система обучается самостоятельно, опираясь на уже знакомые ей данные. А еще ML помогает автоматизировать процессы и сократить количество ошибок в однотипных задачах. ML позволяет обнаружить необычные паттерны поведения и аномалии, благодаря чему компании могут находить ошибки или операции мошенников намного быстрее. Благодаря таким новшествам безопасность бизнеса можно поднять на новый уровень.

ML уже применяют в различных сферах:

банки оценивают потенциальных заемщиков; инвесторы формируют инвестиционный прогноз, ищут аномалии; бизнес оптимизирует производственные потери и снижает расходы на техническое обслуживание за счет прогнозирования сбоев.

ML в оптовой торговле

Есть большой список задач, решить которые быстрее и эффективнее помогают инструменты машинного обучения. Посмотрим на основные направления:

Прогнозирование спроса и планирование KPI

По опыту, бизнес, занимающийся оптовой торговлей, чаще всего использует технологии ML для прогнозирования спроса. Такие прогнозы помогают избежать дополнительных издержек, ускорить процессы принятия решений и сократить расходы на планирование.

Пример: представительство крупной международной компании, которая распространяет товары разных марок в России. Они сняли задачу по планированию с менеджеров, внедрили в рабочие процессы ML-модель прогнозирования спроса и за год смогли увеличить выручку на 2%. Как это получилось. Для бесперебойной работы им важно уже за полгода-год знать все организационные подробности: какую продукцию нужно произвести, в каком количестве она необходима, как организовать поставки и понадобятся ли дополнительные распределительные центры. Для ответа на эти вопросы компания прогнозирует спрос на каждый товар, календарный период и магазин.

Обнаружилась сложность в управлении процессами. Получалось, что региональные менеджеры подгоняли плановые данные по продажам для выполнения собственных KPI. И хотя розничные точки выполняли план, в экономическом плане в сравнении с другими периодами мог быть регресс. ML-модель анализировала все загруженные в нее показатели, касающиеся истории спроса и влияющие на спрос, и определяла KPI на всех уровнях управления.

Планирование маркетинговых акций

Этот пункт связан с предыдущим: если компания может прогнозировать спрос, она может спланировать производство, поставки и запланировать маркетинговые активности: подобрать периоды, когда нужно запустить акцию, определить сумму скидки или другой формат предложения, и обеспечить достаточное количество товара для удовлетворения спроса.

Региональные менеджеры компании, о которой мы говорили выше, могли использовать маркетинговый бюджет, чтобы с помощью скидок на товары достигать собственных KPI. Товары продавались, объемы продаж росли, но компания не использовала весь экономический потенциал и зарабатывала меньше. ML-модель лишена такой функции, она не имеет интересов, связанных с собственными KPI, не пропускает сигналы и не ошибается в расчетах.

Собираем таланты в эффективную ИТ-команду. Как привлечь в ИТ-компанию лучших соискателей и удержать их в штате На какие специальности сейчас самый высокий спрос? Где искать крутых специалистов? Что предложить, чтобы в ИТ-команду пришли талантливые специалисты? Как объединить джунов и опытных сотрудников?

Планирование закупок

Еще один пример. Компания, лидирующая в сегменте производства пластиковой упаковки товаров. Из-за нестабильного спроса она часто сталкивалась с незапланированными крупными заказами от старых партнеров. Уже закупленного сырья на производство таких заказов не хватало. В итоге компания вставала перед выбором: приобретать его по завышенным ценам и брать кредиты или терять долгосрочных клиентов.

После внедрения ML-модели клиент избегает ситуаций, в которых крупный заказ появляется неожиданно. Модель анализирует историю таких запросов, выявляет закономерности и планирует спрос, тем самым позволяет заранее планировать закупки сырья на основе прогнозов. В итоге компании не нужно брать срочные кредиты с большими процентами. По подсчетам компании, она сэкономила свыше 2 млн рублей, которые тратила на срочные кредиты и незапланированные расходы из-за хранения запасов на складе.

Учет складских остатков

Эта же компания до введения ML-технологий сталкивалась с ситуациями, когда сырье «простаивает» на складе и не используется для производства из-за перерыва в заказах. Или, наоборот, на складе остается недостаточно сырья для нового заказа.

Модель, прогнозирующая неожиданные рывки и спады спроса, помогла клиенту уменьшить издержки на аренду за счет снижения расходов на обслуживание и хранение. Такой подход безопасен и надежен, потому что не привязан к конкретным условиям. Это обеспечивает безопасность и гибкость в использовании ML для решения различных задач прогнозирования спроса.

Когда использовать ML не получится

Прогнозирование с помощью ML может быть полезным инструментом, который помогает решать вопросы оптимизации быстрее и проще. Однако в некоторых случаях использование машинного обучения может не подойти бизнесу или требовать дополнительных шагов для своего применения.

Недостаток данных

Для обучения ML-модели нужен большой объем данных. Если у компании нет истории за последние несколько лет, прогнозы могут получится неточными. Связано это с тем, что модели учатся распознавать паттерны постепенно, и информации за несколько месяцев или за год не хватит для того, чтобы посмотреть, как на продажи может влиять сезонность без погрешностей.

Часто меняющийся рынок

В некоторых областях спрос меняется непредсказуемо, и модели машинного обучения испытывают сложности в прогнозах. Так, в индустрии моды тренды и идеи могут сменять друг друга особенно быстро, а устаревшие данные не будут помогать в прогнозах.

Нишевые продукты

Иногда продукты и услуги имеют специфическую и узкую аудиторию, их характеристики бывает сложно учесть в модели. К таким сферам относятся продажа коллекционных предметов и инновационные продукты, которые только выходят на новые рынки. В таких случаях можно использовать другие инструменты прогнозирования, например, экспертные оценки.

Как внедрить ML в рабочие процессы

Какие шаги нужны для внедрения ML-технологий в бизнес-процессы компаний и как это ощущается для бизнеса:

Этап подготовки

На этом этапе нужно собираем всю необходимую информацию. Именно эти данные будем использовать для создания тестовых прогнозов модели. Как правило, это исторические данные от трех с половиной лет, чтобы можно было отследить то, как на продажи влияет сезонность и другие факторы.

Слепые тесты

Проверяем, как работает модель. Для этого на основе данных прошлых лет прогнозируем результаты за предыдущий год и сравниваем их с реальными данными. Так у компании клиентов есть возможность увидеть, насколько точны расчёты, и принять решение об использовании данных.

Готовим параметры для прогноза

Выбираем период для построения модели, разбиваем прогноз по дням, неделям и месяцам, указываем планирующиеся акции, изменения цен и другие планы компании, которые нужно учесть.

Стресс-тесты

Добавляем новые параметры в модель, чтобы отследить как изменения влияют на прогнозы. Часто главными переменными являются сезонность, праздники и изменение погоды. Ожидаемо, что продажи мороженого и холодных напитков летом выше из-за жары, но теперь мы видим это в цифрах и знаем, сколько именно товара понадобится.

Получаем отчет

Программа готовит отчет на основе обработанных данных. В нем отображается вся аналитическая и логистическая информация, необходимая для поднятия эффективности бизнеса, готовая к использованию.

Как выбрать решение: индивидуальная разработка или коробка

В действительности далеко не всегда у компаний возникает необходимость в разработке собственной модели, ведь на рынке существуют универсальные решения. К таким решениям относятся SAS, AWS, Google Analytics и другие. Важно понять, может ли готовый инструмент решить задачи вашего бизнеса.

Александр Клёнин: всё о технологиях подбора сотрудников для ИТ-отрасли Геополитические вызовы, уход из России глобальных ИТ-компаний, тренд на импортозамещение и усиливающийся дефицит кадров в индустрии ИТ - всё это актуализировало вопросы закрытия потребностей в ИТ-персонале. Заместитель генерального директора ГК BSS Александр Клёнин в интервью IT-World – о моделях найма ИТ-персонала, их преимуществах и недостатках.

Как правило, ответ «нет» характерен для ситуаций, где бизнес:

планирует развивать работу с данными внутри компании и внедрять это направление в новые вертикали; стремится к сохранению в компании для развития моделей и оценки влияния альтернативных параметров на прогнозные значения спроса; видит необходимость адаптировать систему под свои задачи; хочет сверхточные прогнозы.

Большинство готовых решений пытается включать в себя специфику разных областей, но за счет такого подхода падает точность их прогнозов. Логика, используемая в B2C-продажах косметики, плохо подходит для B2B-торговли мороженой рыбой, эти ниши очень разные по сезонности, поведению пользователей, объемам продаж и прочим условиям.

Если трансформация готовых решений под узкие задачи бизнеса выходит более трудоемкой и дорогой, чем собственная разработка, под специализированные задачи лучше создавать собственное решение.

Основная задача ML — быть полезным для бизнеса

Машинное обучение используется для прогнозирования спроса, анализа данных, автоматизации процессов. Используя ML, мы работаем с живыми данными, и стремимся учесть все факторы, которые влияют на прогноз. ML-модель с участием AI учитывает все возможные факторы на разных уровнях и создает прогнозы учетом опыта предыдущих лет. Чем больше данных, тем точнее результат.

ML служит бизнесу, и польза подтверждается реальными кейсами, когда с помощью прогнозирования получалось увеличить прибыль, сократить расходы на аренду складов и получить больше отдачи от маркетинговых активностей.