ML-прогнозирование спроса для сети спортивных магазинов: точность 92%

Задача

При огромном ассортименте и широкой географии магазинов неточное планирование приводило к дефициту популярных моделей и избытку неликвидных товаров, увеличивая расходы на хранение и списания. Традиционные методы не учитывали внешние факторы: погоду, курсы валют и праздники.

Решение

Разработана ML-модель, анализирующая исторические данные о продажах, промо-акциях и внешних факторах для выявления скрытых зависимостей спроса. Система агрегирует данные, обучает нейросеть и интегрируется в IT-контур ритейлера для автоматического планирования закупок.