IBP: прогнозирование спроса
ML-модель точности 88→95%, цикл планирования 12→4 дня, эффект 263–550M₽/год
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.
Что было сложно
Коммерческие директора годами планировали вручную и не доверяли ML-прогнозам — внедрение требовало параллельной работы обоих подходов 6 месяцев, пока ML не доказал превосходство. Точность по корреспонденциям была 59% — модель работала хуже человека по этому срезу до тех пор, пока не добавили сезонные фичи. Обоснование перед Советом директоров: корреляция точности с маржинальным доходом (0.798) — единственный аргумент, который убедил.
Моя роль и вклад
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).
Как это выглядит
Архитектура системы
Как это работает
ML-модели прогнозирования по клиентам и корреспонденциям. Автоматический расчёт объёмов по корреспонденции вместо ручного. Интеграция с Оптимизатором и Навигатором. Подневный прогноз погрузки для графикования. Прототип → MVP 1.0 (ПВ) → MVP 2.0 (ПВ+КР) → MVP 3.0 (все РПС).
Почему именно так
ML-прогноз + S&OP вместо чистой автоматизации BI
Автоматизация существующего ручного процесса без ML (dashboards + alerts)
BI-автоматизация: ускоряет тот же ручной процесс, но не улучшает точность. ML-модель: новое качество прогноза, которое человек не может достичь вручную. Корреляция точности с маржинальным доходом = 0.798.
Точность +7 п.п., цикл ×3 быстрее, 263–550M₽/год эффект. Основа для S&OP-процесса компании
Результаты
- 01
- Точность по клиентам: 88% → 95%
- 02
- Точность по корреспонденции: 59% → 75%
- 03
- Цикл планирования: 12 дней → 4 дня
- 04
- Высвобождение 779 человеко-дней/год (~3 FTE)
- 05
- 263–550M₽/год суммарный эффект
Влияние на бизнес
Три направления эффекта: S&OP-сценарии (150–300M₽/год за счёт корректного определения обязательств), повышение маржинального дохода (корреляция точности с МД = 0.798), снижение переобеспечения на 5–10% (113–250M₽/год). Суммарно: 263–550M₽/год. Высвобождение 779 человеко-дней для КД.
Алгоритмы и паттерны
Технологии
- Python
- ML Pipeline
- Anaplan
- SAP BW
- S&OP Framework