Przejdź do treści
SwankyForge
SwankyForge
Wszystkie case studies
PrognozowanieOptymalizacjaAnalityka4 miesiące

Prognozowanie popytu + optymalizacja zapasów

Planowanie opierało się na arkuszu i jednej stopie wzrostu. Teraz zapasy podążają za rzeczywistym popytem.

Ważony MAPE

2.7%

Uzgodniona prognoza hierarchiczna

Było

12.1%

Arkusz z uśrednioną stopą wzrostu

Prostymi słowami

Czym to jest.

W tej sekcji nie ma żargonu. Opis techniczny jest niżej.

Co szło nie tak

Planowanie korzystało z arkuszy i jednego założenia wzrostu stosowanego do wszystkiego. Popularne produkty się wyprzedawały, a wolno rotujące leżały w magazynie, zamrażając gotówkę, i nikt nie potrafił wycenić kompromisu między jednym a drugim.

Co zbudowaliśmy

Zbudowaliśmy prognozowanie, które działa produkt po produkcie i spójnie sumuje się do poziomu kategorii i całej firmy, jest wpięte w proces planowania, którego ludzie już używali, i odpowiada na pytania what-if.

Co się zmieniło

Błąd prognozy spadł z 12,1% do 2,7%. Gotówka zamrożona wcześniej w niewłaściwych zapasach została uwolniona bez wzrostu braków towaru, a planiści przeglądają teraz wyjątki, zamiast przebudowywać arkusze.

Architektura

Jak to się ze sobą łączy.

Proszę przewinąć etapy. Wszystko oznaczone jako dodane to komponent, który nie istniał przed tym projektem.

NA POZIOMERP + POSDZIENNIEBudowa cechKALENDARZ + PROMOCJEModel prognozyHIERARCHICZNYUzgadnianieSPÓJNEOptymalizator zapasówPOZIOM OBSŁUGIInterfejs planistyWYJĄTKI
  1. ERP + POS

    dziennie

    zasila
    Budowa cech
  2. Budowa cech

    kalendarz + promocje

    otrzymuje z
    ERP + POS
    zasila
    Model prognozy
  3. Model prognozy

    hierarchiczny

    To dodaliśmy
    otrzymuje z
    Budowa cech
    zasila
    Uzgadnianiena poziom
  4. Uzgadnianie

    spójne

    To dodaliśmy
    otrzymuje z
    Model prognozyna poziom
    zasila
    Optymalizator zapasów
  5. Optymalizator zapasów

    poziom obsługi

    To dodaliśmy
    otrzymuje z
    Uzgadnianie
    zasila
    Interfejs planisty
  6. Interfejs planisty

    wyjątki

    otrzymuje z
    Optymalizator zapasów
Opis

Jak by to zbudować.

Zbiór danych, podejście, docelowe metryki i stack. Napisane dla tego, kto będzie to weryfikował.

PrognozowanieOptymalizacjaAnalityka4 miesiące

Prognozowanie popytu + optymalizacja zapasów

Prognozowanie, które wpina się w procesy planowania i obsługuje scenariusze what-if.

Problem

Planowanie opierało się na arkuszach z jedną uśrednioną stopą wzrostu. Szybko rotujące produkty się wyprzedawały, wolno rotujące zamrażały kapitał obrotowy, a nikt nie potrafił zmierzyć tego kompromisu.

Zbiór danych

wiersze
31 mln SKU-dni
cechy
178
źródła
ERP, POS, promocje, pogoda
okno
48 miesięcy

Podejście

  1. 01Zbudowaliśmy prognozę hierarchiczną uzgodnioną między poziomami SKU, sklepu i regionu
  2. 02Przeprowadziliśmy backtest z ewaluacją rolling-origin zamiast pojedynczego podziału
  3. 03Zamodelowaliśmy promocje i efekty kalendarzowe jako jawne regresory
  4. 04Przekazaliśmy prognozy do optymalizatora zapasu bezpieczeństwa z docelowymi poziomami obsługi

Metryki

2.7%
ważony MAPE
-9.4pp
97.3%
trafność prognozy
horyzont 12 tygodni
-34%
braki towaru
w grupie A
-21%
utrzymywany zapas
ten sam poziom obsługi

Dowody

źródło
Projekt referencyjny
liczby
Poglądowe — typowe wartości dla tego projektu
pomiar
Nie mierzono. Typowe wartości dla projektu referencyjnego tego rodzaju, nie zaobserwowane w systemie klienta.
referencje
Niedostępne dla tego projektu
ostatnia weryfikacja
2026-08-25

Wpływ na biznes

  • Uwolniony kapitał obrotowy bez pogorszenia dostępności
  • Planiści przeglądają wyjątki, zamiast przebudowywać arkusze
  • Decyzje o promocjach oparte na zmierzonym oszacowaniu wzrostu

Stack technologiczny

  • Python
  • Prophet
  • CatBoost
  • dbt
  • BigQuery
  • Looker
  • Airflow

Dalej

Potrzebują Państwo takiego systemu?

Proszę odpowiedzieć na sześć pytań, a powiemy, czy ten kształt pasuje do Państwa problemu — także wtedy, gdy nie pasuje.