Умное прогнозирование в теплицы до прилавка: основатель Jume о проникновении ML в индустрии

Читать полное интервью

Редакция CloudExpert пригласила Гургена Мелконяна, основателя и CEO платформы Jume, к вопросу о прикладной пользе ML-прогнозирования за пределами FMCG. Приводим главное для бизнеса: от необходимости участия человека в процессах прогноза до задачи планировать всход урожая.

— Чаще всего, когда говорят об ML-прогнозировании, приводят примеры компаний FMCG, ритейла или e-com. Почему именно эти индустрии стали первыми использовать новые технологии?

Этому есть несколько причин. Международные корпорации FMCG всегда находились в авангарде технологий, они развивали культуру постоянной трансформации бизнеса, и это во многом было связано с высокой конкуренцией в отрасли — совершенствуйся или проиграешь. Они десятилетиями улучшали бизнес-процессы, внедряли передовые системы ERP, MDM, CRM, BI, систематизировали данные и формировали команды для реализации сложных проектов. Эти компании первыми начали пилотировать решения на базе ИИ. Наш опыт подтверждает, что именно от FMCG-компаний был наибольший отклик на рынке.

Сфера e-commerce — это другой случай. Эти компании изначально строились как технологичные. Для них прогнозирование спроса и трафика — критически важный процесс. Но стоит отметить, что e-com часто разрабатывали собственные IT-решения и имели сильные внутренние команды, что осложняло сотрудничество с внешними вендорами.

— Получается, ML-прогнозирование актуально в основном для этих индустрий?

Совсем нет. Ценность от внедрения ML-прогнозирования есть в каждой отрасли. За последние пять лет мы поработали с компаниями из совершенно разных секторов, настраивали модели для транспортных компаний, агропроизводства, ресторанных сетей и кофеен, производителей мебели, интернет-сервисов объявлений, поставщиков свежих ягод и овощей, и это далеко не конец списка. В каждом случае прогнозирование адаптировалось под потребности: прогнозы продаж, заказов, инцидентов, объема созревания овощей.

Иногда мы использовали несколько источников данных, а в некоторых проектах вся модель строилась на одном основном источнике и показывала высокую точность.

За эти годы мы протестировали практически все доступные алгоритмы ML для временных рядов, провели клиентские исследования на реальных данных более чем 30 крупных российских и международных компаний. Это позволило создать, на наш взгляд, наиболее универсальную платформу для планирования в России с инновационным «движком» для прогнозирования. В ее основе исключительно алгоритмы ML.

Мы разработали своего рода “цифрового планёра”, который берет на себя все рутинные операции и более 80% технических задач специалистов по прогнозированию: от сбора данных, очистки историй и построения прогнозов до сложного факторного анализа, расчетов каннибализации и прескриптивной аналитики для работы с исключениями.

При этом роль экспертов сохраняется: они управляют технологией и вносят оперативные корректировки, связанные с непредсказуемыми событиями. Это может быть запрос на ускорение продаж, устранение дефицита или особые договоренности с клиентами.

Универсальность нашего решения позволяет адаптировать его под любую компанию и модуль планирования — от прогнозирования спроса до распределения и управления цепями поставок. Благодаря преднастроенному “движку”, мы смогли значительно сократить сроки пилотирования до 1-2 недель, а внедрения — до 1-3 месяцев.

— Расскажите подробнее о нестандартных кейсах в прогнозировании, были такие?

К примеру, для одного из крупных аэропортовых операторов России мы создали пилотную модель, решающую три задачи: 1) прогноз пассажиропотока на текущих маршрутах с разбивкой на регулярный и дополнительный, 2) прогноз на перспективных направлениях, 3) прогноз сезонного трафика. Для каждой задачи применялись уникальные настройки и данные: от исторических данных по пассажиропотоку до социо-демографических характеристик населения. Результаты прогноза позволяют оператору вести переговоры с авиакомпаниями об увеличении числа рейсов и открытии новых направлений.

В агропроизводстве мы работали с крупным холдингом, выращивающим овощи. Для них мы разработали модель, которая делает две вещи: 1) прогнозирует ежедневные объемы сбора урожая, что помогает планировать рабочие смены, логистику и хранение, и 2) прогнозирует сроки всходов, оптимизируя производственные циклы.

— Как компании оценивают эффективность применения ML в прогнозировании?

Это один из моих любимых вопросов, потому что на него всегда есть конкретный и практический ответ. В отличие от комплексной автоматизации, результаты которой часто сложно измерить, ML-прогнозирование дает четкие показатели для оценки: точность прогноза, уровень ошибки, время, затрачиваемое специалистами на каждый цикл прогнозирования.

В каждой компании, где мы пилотировали ML-решения, есть алгоритмы расчета влияния точности прогноза на ключевые бизнес-показатели: уровень сервиса, списания сырья и материалов, размер оборотного капитала. Мы говорим, что forecast is king*, потому что качество прогноза влияет на все процессы: от сроков доставки сырья и плана производства до логистических затрат, страховых запасов и нормы прибыли компании.

Поэтому, если в 2024 году крупная компания после успешного пилотного проекта заявляет, что пока не готова внедрять ML в процесс прогнозирования, это скорее указывает на то, что повышение эффективности бизнеса не входит в ее приоритеты.

Поделиться: