IBP: прогнозирование спроса
ML-модель точности 88→95%, цикл планирования 12→4 дня, эффект 263–550M₽/год
CTO / Технический директор
1 год · 6 чел
- Python
- ML Pipeline
- Anaplan
- SAP BW
- S&OP Framework
Развернуть разбор ↓
Что не работает
Процесс планирования грузоперевозок был ручным: коммерческие директора вручную определяли объёмы по клиентам и корреспонденциям. Точность производственного плана по клиентам — 88%, по корреспонденциям — 59%. Цикл подготовки грузовой базы — 12 дней. Трудозатраты — ~180 человеко-дней в год.
Архитектурный подход
Автоматическое прогнозирование спроса по сети (unconstrained demand) с ML-моделями. Интеграция в S&OP-процесс: сценарное планирование, оптимизация грузовой базы. 3 MVP-фазы: прогноз для ПВ → расширение на КР → все РПС. Корпоративный архитектор в команде проекта.
CTO / Технический директор
Корпоративный архитектор проекта. Спроектировал интеграцию ML-прогнозов с Оптимизатором и Навигатором. Определил 3-фазную MVP-стратегию. Обосновал бизнес-кейс перед Советом директоров (263-550M₽/год эффект, корреляция точности с МД = 0.798).