Журнал / Кирилл Наумов
ИИ в прогнозировании спроса: чему на самом деле учит кейс Cainz
Независимый разбор кейса японской сети Cainz: подготовка данных, пополнение запасов, решения сотрудников и проверка результата для покупателя.
Автор: Кирилл Наумов ·
«Давайте добавим ИИ в прогнозирование» звучит как аккуратный проект. Только спрос в рознице не любит аккуратность. Один и тот же товар продаётся по-разному в зависимости от магазина, сезона, акции и канала. Модель может выдать цифру, но кому-то всё равно нужно решить, сколько заказать, куда отправить товар и что делать, если прогноз промахнулся.
Публичный кейс японской сети товаров для дома Cainz даёт материал для размышления. По данным Google Cloud, Cainz построила систему прогнозирования спроса на Vertex AI и к августу 2024 года использовала её в 209 магазинах. Компания также сообщила, что подготовка данных о продажах стала занимать около 50 минут для всей сети. Это цифры из публикации поставщика технологии, а не независимый аудит и не обещание такого же результата другим магазинам. Это независимый разбор, а не проект Кирилла Наумова.
Прогноз сам товар не закажет
Раньше, как рассказывает Cainz, система пополнения опиралась на средние продажи последних недель и плохо справлялась с сезонными товарами и краткосрочными скачками спроса. Более точный прогноз может помочь. Но для бизнеса важнее другое: успеет ли команда изменить заказ так, чтобы товар появился на полке вовремя? Красивый график грузовик не разгрузит.
В кейсе есть и менее эффектная деталь: подготовка данных для шести магазинов занимала примерно три часа. При расширении на сотни точек этот этап мог стать узким местом. Поэтому заявленные 50 минут важны не сами по себе, а потому что актуальный сигнал может попасть в решение, пока он ещё полезен.
Сначала решение, потом модель
До выбора технологии назовите одно решение, которое хотите улучшить. Нужно реже оставлять полку пустой в сезонной категории? Уменьшить излишки в отдельных магазинах? Быстрее реагировать на акцию? Для каждой задачи нужен свой тест. Разберите четыре звена: насколько актуальны данные о продажах и остатках; на какой срок нужен прогноз; кто может принять или изменить рекомендацию; по каким результатам покупатель и команда поймут, что стало лучше.
Остатки в системе требуют отдельного внимания. Если программа показывает десять штук, а на полке ноль, даже умная модель уверенно предложит неверное количество. Спросите сотрудников магазина и планировщиков, какие исключения система пропускает. Причина может быть в ошибке учёта, задержке поставки, местном событии или изменившейся акции.
Проведите пилот, от которого будет толк
Возьмите ограниченную категорию и сопоставимые магазины. Зафиксируйте исходные показатели и учитывайте акции и сезонность. Наряду с точностью прогноза смотрите на наличие товара на полке, дефицит, излишки, уценки и нагрузку на пополнение. Отмечайте, когда сотрудники меняют рекомендации, и выясняйте почему. Если простое правило работает не хуже, оставьте его: его легче объяснять и поддерживать.
Масштабируйте подход, когда можете объяснить, что улучшилось, сколько стоит поддержка решения и кто отвечает за нестандартные ситуации. Полезный урок Cainz не в призыве «купить такую же модель». Нужно связать прогноз, подготовку данных и пополнение запасов в один рабочий процесс. Результат — товар там, где его ждёт покупатель, а не красивая линия на экране.
Англоязычный AI-воркшоп 7 ноября → · Обсудить AI-консалтинг для ритейла
Источник кейса: материал Google Cloud о Cainz. Показатели опубликованы поставщиком; это не независимый аудит и не прогноз для другого ритейлера.