AI‑ассортиментная оптимизация

Бизнес‑контекст: почему «интуитивный» ассортимент дорого обходится

Для ритейла и e‑commerce ассортимент — ключевой актив. Однако многие компании принимают решения о том, какие позиции держать на складе и какие выводить, на основе опыта категории менеджеров, «ощущения» рынка или панели продаж предыдущего года. Это порождает несколько проблем:

• «Мёртвые» SKU. Товар, который лежит на полке несколько месяцев, занимает складские площади и высасывает оборотный капитал.
• Недостаток «звёзд». Обратить внимание на быстрорастущий товар зачастую удаётся с задержкой, и компания упускает возможность увеличить маржинальную прибыль.
• Избыточный ассортимент. Попытка «закрыть» каждую нишу ведёт к раздутым SKU, что усложняет логистику, увеличивает сложность учёта и снижает эффективность закупок за счёт мелких партий.
• Слабая реакция на тренды. Новые тренды и изменившиеся предпочтения потребителей влекут за собой появление потенциально прибыльных SKU, но без быстрого анализа компания реагирует слишком поздно.

В результате: до 30 % оборотного капитала «зависает» в неликвидных позициях, время реакции на тренд вырастает до нескольких месяцев, а маржа падает из‑за неэффективных закупок.

Суть решения: ML‑модель товарного портфеля

SKU‑Intelligence AI объединяет данные о продажах, остатках, закупках, ценах, трендах и сезонности, а затем строит несколько ML‑модулей, чтобы:

1. Кластеризовать SKU по динамике продаж, маржинальности, оборачиваемости и доле в выручке, выделив «звёзды» (high performers), «трендовые» (growth potential), «хвосты» (low performers) и «мёртвые» (no demand).
2. Прогнозировать будущие продажи каждого SKU при текущих и альтернативных условиях (изменение цены, запуск акции, сезонность) с помощью CatBoost + Prophet.
3. Оценивать «стоимость удержания» каждой позиции: сколько прибыли она приносит относительно занимаемого склада, цены закупки и оборотного капитала.
4. Рассчитывать «приоритеты»: какие позиции стоит увеличить, какие оставить в запасе, а какие исключить из матрицы.
5. Генерировать оптимальный портфель SKU при ограничении по бюджетам закупок и складским площадям, используя алгоритм комбинаторной оптимизации (Mixed‑Integer Programming).

В результате компания получает чёткий план: 20% SKU «забрать и ускорить продажи», ещё 15% — оставить в миноритете, а 10% — постепенно выводить из ассортимента.

Технологическая архитектура и поток данных

1. Сбор данных.
   • История продаж: SKU, дата, цена, количество, выручка за 12–24 мес из ERP/DWH.
   • Остатки: ежедневные остатки на складе, сроки годности (если применимо).
   • Себестоимость и закупочные цены: данные из системы учёта закупок.
   • Цены конкурентов: парсинг маркетплейсов (Wildberries, Ozon) и сайтов лидеров категории.
   • Тренд‑данные: Google Trends, Яндекс Wordstat, упоминания в соцсетях (NLP).
   • Рекламные затраты: бюджеты на продвижение по каждому SKU (контекст, таргет, сайд).
2. ETL и хранилище.
   • Airbyte/dbt: настройка коннекторов и трансформаций: объединение таблиц «sales», «inventory», «procurement», «marketing_spend», «trends».
   • ClickHouse: хранение временных рядов продаж и трендов; PostgreSQL: справочник SKU, категории, поставщики.
   • Redis: кэширование промежуточных расчётов (кластерные признаки, прогнозы).
3. ML‑модули.
   • Кластеризация: UMAP для снижения размерности фич (R, F, M, velocity, obsolescence) → HDBSCAN для выявления естественных групп SKU.
   • Прогнозирование: Prophet для сезонных трендов + CatBoost для учёта рекламных кампаний, трендов и конкурентных цен.
   • Расчёт «стоимости удержания»: формула ROI = (прогнозируемая маржа – стоимость хранения) / закупочная цена.
   • Оптимизация портфеля: Pyomo (Mixed‑Integer Programming) решает задачу «максимизация суммарной маржи при ограничениях по бюджету закупок и складским площадям».
4. API и дашборд.
   • FastAPI: endpoint «/sku‑clusters» возвращает кластеризацию, «/forecast/{sku}» – прогноз, «/recommendations» – оптимальный портфель.
   • Vue 3 + ECharts: интерактивный дашборд с картой кластеров, графиками прогнозов «продажа vs остаток», тепловой картой «ROI по SKU».
   • Metabase: ad‑hoc отчёты по категориям, агрегированные таблицы «SKU RFM», «SKU forecast_vs_actual».
5. Мониторинг и оповещения.
   • Prometheus + Grafana: слежение за ETL‑пайплайнами, качеством прогнозов (MAPE), здоровьем API.
   • Telegram‑бот: уведомления при появлении новых «звёзд» (ROI > x), «мёртвых» (оборачиваемость < 3 раз/год) и при отклонении факта от прогноза >15%.

Шаги внедрения

1. Аудит и подготовка.
   • Инвентаризация SKU, категорий, источников данных о продажах и остатках.
   • Согласование целевых метрик — оборачиваемость, доля SKU в выручке, порог ROI.
2. Интеграция данных.
   • Настройка Airbyte-коннекторов; загрузка исторических данных за 12–24 мес.
   • Валидация и очистка: удаление нулевых транзакций, балансировка разбросанных названий SKU, нормализация валют.
3. Кластеризация и прогноз.
   • Построение фич: RFM, оборачиваемость, рекламные траты, трендовый коэффициент.
   • Обучение UMAP → HDBSCAN, валидация кластеров бизнес‑экспертами.
   • Обучение моделей Prophet и CatBoost для каждого кластера, проверка MAPE ≤12%.
4. Расчёт ROI и оптимизация.
   • Разработка формулы «стоимости удержания» и расчет ROI для каждого SKU.
   • Формулировка задачи оптимизации портфеля: параметры бюджета и склада.
   • Запуск Pyomo, получение оптимального набора SKU.
5. Создание дашборда и API.
   • Верстка Vue 3: карта SKU, графики «продажа vs остаток», таблица рекомендаций.
   • FastAPI‑endpoint’ы: «/clusters», «/forecast», «/optimize».
   • Интеграция с Metabase для ad‑hoc отчетов и экспортов в PDF/Excel.
6. Тестирование и пилот.
   • Сравнение прогнозов с фактическими продажами двух кварталов назад;
   • Пилотная оптимизация портфеля на 100 SKU, оценка эффекта на выручку и складские остатки.
7. Обучение команды и Hyper‑care.
   • Воркшопы: анализ кластеров, чтение SHAP‑графиков, работа с интерфейсом, настройка оповещений.
   • Еженедельные встречи: корректировка порогов ROI, мониторинг новых «мёртвых» SKU.

Бизнес‑выгоды и примеры расчётов

• Увеличение маржи +5–10%. За счёт фокусировки на «звёздных» и «трендовых» SKU и своевременного вывода «мёртвых».
• Сокращение затрат на хранение –12–18%. Уменьшение объёма неликвидных остатков; оптовые закупки «звёзд» по выгодным ценам.
• Рост оборачиваемости +15%. Оптимальный портфель увеличивает среднее количество обновлений ассортимента.
• Ускорение реакции на тренды × 4. Вместо ручного анализа (4–6 недель) система выдаёт инсайты за 2–3 дня.

Кейс. Fashion‑e‑com (оборот 1 млрд ₽) провёл пилот на 200 SKU. Оптимизация порекомендовала снять 40 товаров с низкой оборачиваемостью и добавить 25 новых трендовых. За квартал маржа выросла на 7%, складские остатки упали на 20%, а выручка по новым товарам составила 15% от общего оборота.

Сравнение с традиционным подходом

Ручная SKU‑аналитика

• Время обработки 500 SKU — 4–6 нед.
• Источники данных — Ограничены (ERP, Excel).
• Точность кластеров — ~60% признаков верны.
• Оптимизация портфеля — Эмпирический, ручной.

SKU‑Intelligence AI

• Время обработки 500 SKU — 3 дня.
• Источники данных — Сквозная интеграция (ERP, маркетплейсы, тренды, рекламы).
• Точность кластеров — ~90% (валидация SHAP).
• Оптимизация портфеля — Комбинаторная MIP, ROI‑ориентированная.

Параметры сценария

Гипотеза — Если объединить ML‑кластеризацию, прогноз продаж и оптимизацию портфеля, то можно точно определить «звёздные» и «мёртвые» SKU, увеличив маржу на 5–10% и сократив dead‑stock на 12%.

Цель внедрения — 1) MAPE прогноза ≤12%; 2) маржа +7% за полгода; 3) dead‑stock –15%; 4) оборачиваемость +15%.

KPI и метрики — Маржинальная прибыль, MAPE, доля SKU/assortment в портфеле, оборачиваемость, ROI оптимизации.

Технологический стек

• ETL: Airbyte/dbt.
• Storage: ClickHouse, PostgreSQL, Redis.
• ML: Python (UMAP, HDBSCAN, CatBoost, Prophet, Pyomo, SHAP).
• Orchestration: Airflow.
• API: FastAPI.
• Frontend: Vue 3, ECharts.
• BI: Metabase, Superset.
• DevOps: Docker, GitLab CI/CD.

Шаги внедрения — Аудит → Интеграция данных → Кластеризация/Прогноз → Оптимизация портфеля → Дашборд/API → Тест/Пилот → Обучение/Hyper‑care.

Влияние на бизнес заказчика — Повышение эффективности SKU‑менеджмента, рост маржи, снижение затрат, ускорение реакции на тренды.

Влияние на CX — Актуальный ассортимент, меньше out‑of‑stock, более релевантные предложения.

Доп. идеи улучшения — Загруженность складов через IoT, интеграция с LLM для генерации описаний «трендовых» SKU; динамический прайсинг для быстрорастущих позиций.

Вывод

SKU‑Intelligence AI — это эволюция управления ассортиментом: вместо субъективных решений и ручного анализа вы получаете автоматизированный «мозг», который выделяет ключевые SKU, прогнозирует спрос и оптимизирует портфель с учётом реального ROI.

1. Точечные инсайты. Благодаря ML‑кластеризации вы видите не просто «топ‑продающиеся» позиции, а группы схожих SKU, чьи характеристики (оборачиваемость, маржа, тренд) предсказывают их будущий успех. Это позволяет не только «удерживать звёзды», но и вовремя «реанимировать» «хвосты» или выводить «мёртвые».
2. Прогноз и доверие. Комбинация Prophet и CatBoost учитывает сезонность, рекламные всплески и тренды конкурентов, обеспечивая MAPE ≤12%. Это значит, что прогноз продаж по каждому SKU становится достаточно надёжным основой для решений о закупках и маркетинге.
3. Комплексная оптимизация. Алгоритм MIP учитывает реальные ограничения бизнеса: бюджет закупок, складскую площадь, минимальные остатки для каждой категории. Вместо гипотез «что если…» вы получаете конкретный портфель SKU на следующий сезон.
4. Быстрая реализация. В отличие от традиционных методик, где на анализ 500 SKU уходит несколько месяцев, SKU‑Intelligence AI позволяет выполнить пилот на 200 SKU за 3 дня, а полное развертывание — за 4–6 недель.
5. Экономический эффект. На примере Fashion‑e‑com маржа выросла на 7%, dead‑stock сократился на 20%, что эквивалентно нескольким десяткам миллионов рублей в квартал. ROI решения составляет около 180% за год.
6. Почему 4GIC? Мы не просто поставляем инструмент, а предоставляем экспертизу в Supply Chain, BI и ML. Наша команда проводит полный цикл: от сбора данных до обучения локальных компаний‑экспертов, обеспечивая устойчивый рост показателей.

Ваша товарная матрица будет работать на максимум: меньше dead‑stock, больше прибыльных позиций и быстрее адаптация к новым трендам рынка.