AI-аналитика продаж для сети из 120 розничных магазинов

Клиент: Федеральная сеть одежды и обуви (120 магазинов)

Задача

Федеральная сеть из 120 магазинов одежды и обуви работала с базовой POS-системой, данные продаж вообще не анализировались. Закупки товара делались на глаз: 70% товаров закупались с ошибкой по размерам и цветам, часто скапливалась дорогая одежда в размерах XS и XL, в то время как популярные M и L были распроданы. Цены устанавливались один раз в сезон без учёта спроса, скидки вводились в конце сезона, когда уже поздно. Изделия продавались с убытком из-за завышенных закупок. Потери из-за неправильных закупок превышали 8% от выручки.

Решение

Разработали полноценную платформу BI и прогнозирования спроса на архитектуре: Data Warehouse на PostgreSQL собирает данные со 120 магазинов в реальном времени, Apache Spark обрабатывает исторические данные (3+ года продаж), ML-модели (TensorFlow + XGBoost) обучаются на множестве факторов: история продаж, сезонность, день недели, погода по городам (API OpenWeather), праздники, конкуренция (мониторим цены конкурентов). Модель предсказывает спрос каждого товара в каждом магазине на неделю вперёд с доверительным интервалом. На основе прогноза система рекомендует: сколько закупить (SKU × размер × цвет), по какой цене продавать, какие товары выделить в промо-зону. Рекомендации отправляются еженедельно через Redash дашборд директорам и приложение на планшетах в магазинах. Динамическое ценообразование автоматически корректирует цены в POS в зависимости от остатков и прогноза.

Результаты

Метрики которых достигли благодаря реализации проекта

93%

точность прогноза спроса на каждый товар на 7 дней (на валидационной выборке)

28%

рост выручки за счёт правильных закупок и динамического ценообразования

19%

снижение остатков на складе (с 35% до 28% от выручки)

15%

увеличение маржинальности за счёт оптимизации скидок и цен

2.4 млрд руб

дополнительной выручки в год (120 магазинов × среднее положительное влияние)

380 млн руб

экономии на сокращении переопроизводства и склада

Технологии

Python TensorFlow XGBoost Apache Spark PostgreSQL Redash React Docker Apache Airflow OpenWeather API

Продолжительность проекта

5 месяцев

Размер команды

6 специалистов

Отрасль

Ритейл и e-commerce

Услуги

Data Analytics, AI/ML, BI Platform, Data Engineering, API Integration

"До системы закупки были типичной ошибкой: в середине лета куча пальто на остатках, в январе нечего продавать. Теперь каждая неделя даны чёткие рекомендации с прогнозом. За первый год выручка выросла на 2.4 млрда, из них половина — от правильных закупок, половина — от динамического ценообразования. Это был лучший инвестпроект за всю историю сети."

Ирина Волкова

Коммерческий директор сети

Похожая задача?

Расскажите о вашем проекте — поможем реализовать результаты как в этом кейсе

Обсудить проект