Компания Napoleon IT разработала интеллектуальную систему AI-Driven F&R для автоматизации управления запасами, расчета заказов и оптимизации распределения товаров. Она реализует прогнозирование спроса и пополнение на основе AI/ML вместо ручных расчетов и Excel-таблиц. О создании продукта рассказывает Константин Прайс, коммерческий директор Napoleon IT и номинант на премию Data Award.

- Какова история появления решения AI-Driven Replenishment?

Рынок систем управления запасами в последние годы существенно изменился. После ухода зарубежных вендоров многие компании столкнулись с тем, что существующие российские решения не соответствуют требованиям средних и крупных размеров ретейлеров, а внедренные западные решения невозможно продолжать развивать. При этом ретейлерам по-прежнему нужно управлять сложными цепочками поставок, тысячами SKU и распределенной сетью складов и магазинов. Поэтому в начале 2024 года мы начали разработку Napoleon AI-Driven Replenishment & Forecasting. Продукт является важнейшей частью нашей пятилетней стратегии развития решений для ретейла.

- Какие «головные боли» бизнеса решаются?

Главная задача — найти баланс между доступностью товаров для покупателей и оптимальным уровнем запасов. Ретейлеры регулярно сталкиваются с двумя проблемами. Первая — дефицит товаров, который приводит к потерям продаж и снижению лояльности покупателей. Вторая — избыточные запасы, которые замораживают оборотный капитал и увеличивают расходы на хранение. Дополнительная сложность — большое количество ручных операций при планировании. Когда расчеты выполняются вручную, возникает много ошибок и постоянных корректировок. Наша система автоматизирует эти процессы: рассчитывает потребности каждой точки продаж, формирует заказы, оптимизирует распределение товаров между складами и магазинами и предоставляет прозрачную аналитику по управлению запасами.

- В чем заключается предлагаемый вами подход?

Мы создавали продукт как платформенное решение (схема 1, схема 2). В разработке используется фабрика компонентов, которая позволяет быстро собирать интерфейсы и адаптировать систему под процессы целевого заказчика с минимальной доработкой.

Еще один важный элемент — собственная модель управления данными. Она обеспечивает гибкость системы и позволяет эффективно работать с большими объемами данных.

При разработке алгоритмов мы опирались на практический опыт внедрения систем прогнозирования и пополнения запасов в крупных ретейл-компаниях. Наша команда работала с решениями международных вендоров и хорошо понимает, какие подходы работают лучше всего в реальных бизнес-процессах.

- Что представляет собой созданное решение? На каких технологиях реализовано?

Napoleon AI-Driven Replenishment — это система автоматизации пополнения и распределения товаров в цепочке поставок. Она анализирует данные о продажах, остатках и прогнозе спроса, который рассчитывается в модуле AI-Driven Forecasting, после чего формирует рекомендации по заказам и перемещению товаров между различными звеньями цепочки поставок.

В отличие от многих решений, которые работают только на уровне магазина, Napoleon AI-Driven Replenishment позволяет управлять запасами на разных уровнях цепочки — от распределительных центров до отдельных торговых точек. Еще одна сильная сторона системы — гибкая архитектура прогнозирования. Модуль прогнозирования AI-Driven Forecasting может использовать как модели машинного обучения, так и классические методы статистики, комбинируя их в зависимости от специфики данных.

- Какова интеллектуальная начинка?

В основе решения лежат ML-модели прогнозирования спроса в сочетании с оптимизационными алгоритмами управления запасами и автозаказа. Система учитывает сезонность, промо, поведенческие паттерны и ограничения цепочки поставок, формируя сбалансированные решения между доступностью товара и уровнем запасов.

- Какие компании могут быть заинтересованы в решении?

В первую очередь решение ориентировано на розничные сети, которые работают с большим количеством SKU и имеют распределенную сеть складов и распределительных центров. Чем сложнее структура цепочки поставок и чем больше объем данных о продажах и запасах, тем выше эффект от внедрения подобных систем.

- Что в решении удалось наиболее удачно?

В системе заложена методологическая платформа, позволяющая как реализовывать ежедневный сквозной процесс без ручных операций, так и гибко изменять функциональность, адаптируя ее под реальные бизнес-ограничения конкретного ретейлера.

- Приведите примеры уже реализованных проектов. Где используется решение?

Один из крупнейших проектов связан с внедрением системы в розничной сети «Группа Лента». Компания приняла решение заменить прежнюю систему после ухода с российского рынка иностранного поставщика. Существующее решение требовало большого количества ручных корректировок и сложно масштабировалось. После анализа российских решений компания выбрала нас.

- Какие результаты может дать бизнесу ваша система?

Система устраняет дефицит и излишки, что напрямую влияет на продажи и клиентский опыт. Она значительно снижает ручной труд и ошибки планирования, обеспечивает более устойчивую цепочку поставок и прозрачные бизнес-процессы. В качестве результатов можно выделить рост продаж на 1-3%, сокращение дефицита на 5-15%, сокращение завышенных запасов на 5-25%, а также рост уровня сервиса до 97%.

Таким образом, среди ключевых эффектов отмечается рост продаж за счет снижения out-of-stock, снижение излишков и высвобождение оборотного капитала, повышение оборачиваемости и маржинальности.

- В каком направлении будет развиваться проект?

Проект будет развиваться в двух направлениях, отдельно мы развиваем платформу как основу промышленных приложений, не зависящую от исполняемой функции, она станет основой для линейки продуктов для ретейла: в планах оптимизация и планирование промо, оптимизация цен и скидок, ассортиментное планирование, интегрированное бизнес планирование. С другой стороны, мы работаем над развитием логики работы системы от пополнения до планирования и балансировки запасов между узлами сети (сетевая оптимизация), в том числе через усиление ML-компонентов, включая каузальные факторы и самообучение.