Рефиниш Автолак

Кейс компании

Сфера : Производство

Рефиниш Автолак

Крупная компания-дистрибьютор, которая поставляет лакокрасочные материалы из-за рубежа. Ассортимент насчитывает более 600 уникальных товарных позиций (SKU) — от банок с краской до различных баллончиков и клея.

Задача

Как мы увеличили точность прогноза на 22% и сэкономили 300 млн рублей для дистрибьютора автоэмалей

Процесс внедрения ИИ

Сбор данных

Основа — исторические данные. В основе любого прогноза лежат данные о прошлом. До 80% успеха модели зависит от качества и полноты истории предыдущих заказов и продаж. Чем за больший срок доступны данные, тем точнее будет прогноз.

Обогащение внешними факторами

Чтобы сделать прогноз точнее, к внутренним историческим данным добавляют внешние факторы, которые могут повлиять на результат. Это могут быть: Курс валют; Маркетинговые активности (как свои, так и конкурентов); Демографические данные; Прогноз погоды и сезонность и т.д.

Разработка моделей машинного обучения

Нейронные сети способны анализировать миллионы строк информации и находить в них самые неочевидные закономерности и тенденции. Например, модель может выявить сложную взаимосвязь между погодой, днем недели и продажей конкретного товара.

Внедрение и прогнозирование

Выбранная модель внедряется в рабочие процессы компании (например, в BI или CRM-систему) и начинает автоматически генерировать прогнозы на будущее, регулярно обновляя их с поступлением новых данных.