01 — Кейс · ML Нейросети

AI-аналитика для ритейла: прогноз спроса и оптимизация запасов

Мы разработали продвинутую AI-систему розничной аналитики: ML-модели прогнозируют спрос по товарным позициям, анализируют поведение покупателей и превращают эти данные в рекомендации по оптимизации запасов. Проект вела команда полного цикла — от обследования данных до промышленного запуска — на Python и TensorFlow с применением компьютерного зрения; на всё ушло 6 месяцев. Ритейл-бизнес получил единый аналитический контур, где решения по закупкам и ассортименту опираются на прогноз, а не на интуицию и средние значения прошлых периодов.

6 месяцевNDA

Обновлено: 14 июля 2026 г.

Смотреть кейс

срок проекта: 6 месяцев
функциональных модулей: 7
этапов разработки: 6
ключевых технологий: 5

AI-аналитика для ритейла: прогноз спроса и оптимизация запасов

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Розничная торговля ежедневно отвечает на один и тот же вопрос: сколько товара заказать и куда его распределить. Ошибка в любую сторону стоит денег: излишки замораживают оборотные средства и уходят в списания, дефицит — это упущенные продажи и покупатели, ушедшие к конкурентам. Чем шире ассортимент и география точек, тем дороже обходится каждая неточность планирования.

Данных у ритейла при этом много: кассовые чеки, программы лояльности, товарные остатки, камеры в торговых залах. Проблема в том, что эти данные живут в разных системах и не превращаются в решения. Планирование закупок строится на средних значениях прошлых периодов, сезонность и промоакции учитываются на глаз, а поведение покупателей остаётся для бизнеса чёрным ящиком.

Заказчик поставил задачу собрать из этих разрозненных данных работающий аналитический контур: систему, которая прогнозирует спрос машинным обучением, анализирует поведение покупателей и выдаёт рекомендации по товарным запасам — так, чтобы категорийные менеджеры принимали решения на основе цифр, а не догадок.

Излишки и дефицит одновременно

По одним позициям склад переполнен и товар уходит в списание, по другим — полки пустеют задолго до следующей поставки. Закупки по средним значениям прошлых периодов не успевают за сезонностью и локальными колебаниями спроса.

Поведение покупателей не изучено

Чеки, трафик торгового зала и реакция на промо никак не связаны между собой. Бизнес не видит, как покупатели выбирают товары, из чего складывается корзина и что на самом деле влияет на продажи.

Аналитика вручную и с опозданием

Отчёты собирались в таблицах днями, и к моменту готовности цифры уже устаревали. На масштабе сети ручной анализ физически не успевал за темпом решений, которые нужно принимать каждый день.

03 — Возможности

Что делает система

Ключевые сценарии и рабочие модули, собранные в единую систему.

Прогнозирование спроса

Ядро системы — ML-модели на TensorFlow, которые прогнозируют продажи по товарным позициям и периодам. Модели учитывают сезонность, тренды, праздники, промоакции и историю каждой позиции, а прогноз автоматически пересчитывается по мере поступления свежих данных. Вместо усреднённых планов ритейлер получает детальный прогноз, на который можно опираться в закупках и распределении товара.

Аналитика поведения покупателей

Модели анализируют историю покупок и выявляют устойчивые паттерны: как часто покупатели возвращаются, из чего складывается корзина, как аудитория реагирует на акции и изменения ассортимента. Покупатели сегментируются по поведению, и система прогнозирует реакцию сегментов — это основа для решений по ассортименту, промо и выкладке товара.

Компьютерное зрение в зале

Контур на базе компьютерного зрения обрабатывает видеопоток из торгового зала в обезличенном виде: строит карту потоков посетителей, фиксирует зоны интереса и время, проведённое у полок. Эти офлайн-данные дополняют кассовую статистику: бизнес видит не только что купили, но и как покупатели двигались к этому решению.

Оптимизация товарных запасов

Прогноз спроса превращается в конкретные рекомендации по запасам: сколько товара держать по каждой позиции, когда и в каком объёме пополнять. Система учитывает сроки поставок и страховые запасы, помогая одновременно снижать излишки и не допускать пустых полок — два риска, которые раньше конфликтовали друг с другом.

Конвейер данных

Фундамент аналитики — автоматический конвейер, который собирает данные из касс, учётных систем и видеоаналитики, очищает их от аномалий и приводит к единому виду в централизованном хранилище. Модели всегда работают на свежих и согласованных данных, а подключение нового источника не требует переделки остальной системы.

Аналитические дашборды

Результаты работы моделей доступны команде в наглядных дашбордах: прогнозы и отклонения факта от прогноза, динамика по категориям, сегменты покупателей и рекомендации по запасам. Категорийные менеджеры и руководство смотрят на одни и те же цифры и принимают решения без ручной сводки отчётов из разных систем.

Мониторинг качества моделей

Служебный контур следит за точностью прогнозов в бою: сравнивает прогноз с фактом, отслеживает деградацию метрик и сигнализирует, когда модель пора дообучить. Переобучение на свежих данных выполняется регулярно и без остановки системы — точность не деградирует со временем, как это часто бывает с внедрёнными и забытыми ML-решениями.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Python

Единый язык всего проекта: конвейер данных, эксперименты с моделями, сервисы прогнозирования и интеграции написаны на одном стеке. Экосистема Python в ML — стандарт индустрии: зрелые библиотеки для обработки данных, обучения и валидации моделей. Это ускорило путь от исследовательских экспериментов до промышленного кода и упростило заказчику дальнейшее развитие системы.

TensorFlow

Фреймворк для построения и промышленной эксплуатации нейросетевых моделей. TensorFlow закрыл обе ML-задачи проекта: гибкие архитектуры для прогноза спроса на временных рядах и модели компьютерного зрения для видеоаналитики. Инструменты сервинга позволяют выкатывать обновлённые модели без простоя — критично для системы, которая регулярно пересчитывает прогнозы.

Machine Learning

Прогнозный слой системы: модели обучаются на истории продаж с учётом сезонности, промо и праздников, отдельные модели отвечают за сегментацию покупателей и рекомендации по запасам. Мы начинали с простых статистических базлайнов и усложняли архитектуру только там, где это давало измеримый прирост точности на отложенной выборке.

Computer Vision

Технология офлайн-аналитики торгового зала. Модели компьютерного зрения обрабатывают видеопоток в обезличенном виде и превращают его в структурированные данные о потоках посетителей и зонах интереса. Это единственный способ увидеть поведение до кассы: какие полки привлекают внимание, где покупатели задерживаются и как перемещаются по залу.

Data Analytics

Аналитический контур поверх моделей: хранилище согласованных данных, витрины для дашбордов и метрики качества прогнозов. Без этого слоя ML-модели остаются вещью в себе — а здесь их результаты доведены до людей, принимающих решения: в понятных разрезах по категориям, товарным позициям и периодам, на актуальных данных.

Machine Learning
Computer Vision
Data Analytics
Python
TensorFlow

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

Обследовали источники: историю продаж, чеки, товарные остатки, справочники номенклатуры и видеопоток из залов. Оценили полноту, глубину и качество данных, зафиксировали пробелы и договорились, какие данные нужно начать собирать ещё до обучения моделей.

Построили конвейер сбора и очистки: убрали аномалии и дубли, восстановили пропуски, свели источники к единой модели данных. Разметили промоакции и праздники в истории продаж — без этой разметки модели приписывали бы всплески спроса случайности.

Сначала зафиксировали точность простых статистических методов как ориентир, затем итеративно испытывали ML-архитектуры на TensorFlow. Каждую гипотезу проверяли на отложенной исторической выборке — в промышленный контур шли только модели с доказанным приростом точности.

Обернули модели в сервисы с API, автоматизировали регулярный пересчёт прогнозов, подключили контур компьютерного зрения и собрали дашборды. Настроили обмен данными с учётными системами заказчика, чтобы прогнозы попадали прямо в процесс планирования закупок.

Система несколько недель работала параллельно с привычным процессом планирования: команда заказчика сравнивала рекомендации с собственными решениями. По итогам пилота откалибровали модели и доработали дашборды под реальные сценарии работы категорийных менеджеров и закупщиков.

Перевели планирование на систему, обучили команду работе с прогнозами и дашбордами, настроили мониторинг качества и регулярное дообучение моделей. Через 6 месяцев после старта проекта AI-аналитика стала частью ежедневных процессов ритейл-бизнеса.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

Сегодня прогнозирование спроса, аналитика поведения покупателей и рекомендации по запасам работают у ритейлера в едином контуре: данные с касс, из учётных систем и с камер торгового зала автоматически превращаются в цифры, на которые опираются закупки и управление ассортиментом. От аудита разрозненных данных до промышленной AI-системы, встроенной в ежедневные процессы, прошло 6 месяцев.

Качественный результат — смена самой модели принятия решений. Планирование перестало опираться на средние значения прошлых периодов и интуицию: у категорийных менеджеров появился детальный прогноз по позициям, у руководства — прозрачная картина спроса и поведения покупателей. Открытый стек Python + TensorFlow оставил заказчику свободу развития: систему можно расширять новыми моделями и источниками данных без привязки к проприетарным платформам, а встроенный мониторинг качества не даёт точности прогнозов деградировать со временем.

6 месяцев

от аудита данных до запуска

7 модулей

от прогноза спроса до дашбордов

3 контура

спрос, поведение покупателей, запасы

Python + TensorFlow

открытый ML-стек системы

Детали проекта

Почему кейс без имени клиента

Имя ритейлера мы не раскрываем — как и его коммерческие показатели и любые данные о продажах и покупателях. Для торгового бизнеса прогноз спроса и структура запасов — конкурентная информация, поэтому такие детали мы оставляем за рамками публичного кейса.

Открытой остаётся инженерная часть: архитектура системы, стек Python и TensorFlow, устройство конвейера данных, подход к обучению и мониторингу моделей. Этим опытом мы делимся свободно — и готовы разобрать его применительно к вашим данным и вашему ассортименту, не раскрывая чужих секретов.

FAQ

Вопросы о проекте

Основа — история продаж по товарным позициям: чеки, остатки, цены и проведённые промоакции. Полезны справочники товаров с атрибутами и календарь праздников. Для устойчивого учёта сезонности желательно полтора-два года истории, но начинать можно и с меньшего объёма — модель дообучается по мере накопления данных. В этом проекте мы дополнительно использовали обезличенные данные видеоаналитики торгового зала, чтобы модели видели поведение покупателей до кассы.

Классические методы — скользящие средние и наивные сезонные модели — работают, пока спрос стабилен, и ломаются на промоакциях, праздниках и трендах. ML-модели учитывают эти факторы совместно, поэтому выигрывают именно там, где ошибка дороже всего — на пиках и всплесках спроса. В проекте мы сравнивали модели с базовыми методами на отложенной исторической выборке по метрикам вроде WAPE и оставляли только архитектуры с доказанным приростом точности; конкретные значения закрыты NDA.

Через конвейер данных. Учётная система остаётся источником правды по продажам, остаткам и закупкам: данные регулярно попадают в хранилище через API или выгрузки. В обратную сторону система отдаёт прогнозы и рекомендации по пополнению — их можно забирать по API или получать в виде отчётов и дашбордов. Мы не заменяем учёт: AI-контур работает поверх существующих систем, будь то 1С, ERP или их связка.

Кассовые данные показывают только завершённые покупки. Компьютерное зрение добавляет картину до кассы: модели на TensorFlow обрабатывают видеопоток из торгового зала в обезличенном виде и превращают его в структурированные данные — потоки посетителей, зоны интереса, время у полок. Это помогает объяснить продажи: например, товар не берут потому, что не находят, а не потому, что он не нужен.

Сезонность и праздники входят в модель как признаки — она обучается на размеченной истории и распознаёт повторяющиеся паттерны. Промоакции размечаются отдельно, поэтому всплеск от акции не искажает базовый прогноз. Для новых товаров без истории работает прогноз по аналогам: модель опирается на атрибуты позиции и поведение похожих товаров, а по мере накопления собственных продаж прогноз уточняется.

В системе есть отдельный контур мониторинга: каждый период факт продаж сравнивается с прогнозом, метрики точности считаются по категориям и товарным позициям, а деградация качества поднимает алерт. Модели регулярно дообучаются на свежих данных без остановки системы. Такой режим защищает от типичной проблемы ML-внедрений, когда точность незаметно падает через полгода после запуска.

Python — стандарт индустрии в ML: на одном языке написаны конвейер данных, эксперименты и промышленные сервисы, а рынок специалистов для развития системы самый широкий. TensorFlow закрыл обе ML-задачи проекта — прогноз спроса на временных рядах и компьютерное зрение — и дал инструменты промышленной эксплуатации: обновление моделей без простоя и воспроизводимое обучение. Открытый стек не привязывает заказчика к платным платформам.