Наша компания занимается дистрибуцией и розницей, и планированием у нас традиционно занимается отдел закупок, опираясь на опыт и ручные таблицы. Проблема в том, что ошибки такого планирования обходятся всё дороже: неликвид оседает на складе и связывает деньги, а по востребованным позициям мы регулярно уходим в минус по остаткам перед всплеском заказов. Руководство приняло решение развивать аналитику на данных, и нам нужен исполнитель, который разработает модель машинного обучения для прогнозирования продаж, используя ту историю, что уже собрана в учётной системе. Мы можем выгрузить порядка трёх-четырёх лет продаж по дням и неделям с разбивкой по артикулам, точкам и каналам сбыта, а также историю промоакций, переоценок и периодов отсутствия товара.
Главное в проекте — построить модель на временных рядах, дающую прогноз спроса на несколько недель и месяцев вперёд как по отдельным артикулам, так и по товарным направлениям. Модель должна корректно отрабатывать сезонность (у нас чёткие годовые и внутринедельные колебания), праздничные периоды и эффект от скидок и акций — без учёта промо прогноз для нас не имеет смысла. В объём работ мы закладываем аккуратную подготовку и чистку данных, формирование признаков, проверку нескольких алгоритмов и прозрачную оценку качества с метриками MAPE, MAE и смещения по каждой категории, чтобы было видно, где модели можно доверять, а где решение остаётся за человеком. Отдельно просим сопроводить результат кратким разбором на понятном языке, без перегруза терминами.
Критично важен и эксплуатационный момент: прогнозом должен пользоваться наш штатный аналитик, а не подрядчик каждый месяц. Поэтому нужен понятный и воспроизводимый механизм — скрипт или несложный интерфейс, куда загружаются новые продажи и на выходе получается обновлённый прогноз в файле, пригодном для Excel и дальнейшего планирования. Основной инструмент — Python. В отклике опишите, пожалуйста, свой опыт подобных задач, предложите подход к сезонности и промоакциям и дайте оценку реалистичной точности для наших данных и сроков.
— Выгрузка за 3–4 года по артикулам, точкам и каналам
— Учёт сезонности, праздников и промоакций в модели
— Оценка качества по MAPE, MAE и смещению по категориям
— Ежемесячный запуск силами штатного аналитика
— Аккуратный код на Python и краткий разбор для руководства
Главное в проекте — построить модель на временных рядах, дающую прогноз спроса на несколько недель и месяцев вперёд как по отдельным артикулам, так и по товарным направлениям. Модель должна корректно отрабатывать сезонность (у нас чёткие годовые и внутринедельные колебания), праздничные периоды и эффект от скидок и акций — без учёта промо прогноз для нас не имеет смысла. В объём работ мы закладываем аккуратную подготовку и чистку данных, формирование признаков, проверку нескольких алгоритмов и прозрачную оценку качества с метриками MAPE, MAE и смещения по каждой категории, чтобы было видно, где модели можно доверять, а где решение остаётся за человеком. Отдельно просим сопроводить результат кратким разбором на понятном языке, без перегруза терминами.
Критично важен и эксплуатационный момент: прогнозом должен пользоваться наш штатный аналитик, а не подрядчик каждый месяц. Поэтому нужен понятный и воспроизводимый механизм — скрипт или несложный интерфейс, куда загружаются новые продажи и на выходе получается обновлённый прогноз в файле, пригодном для Excel и дальнейшего планирования. Основной инструмент — Python. В отклике опишите, пожалуйста, свой опыт подобных задач, предложите подход к сезонности и промоакциям и дайте оценку реалистичной точности для наших данных и сроков.
— Выгрузка за 3–4 года по артикулам, точкам и каналам
— Учёт сезонности, праздников и промоакций в модели
— Оценка качества по MAPE, MAE и смещению по категориям
— Ежемесячный запуск силами штатного аналитика
— Аккуратный код на Python и краткий разбор для руководства
