Аналитика больших данных становится востребованной во все новых сферах бизнеса, к традиционно передовым в деле освоения информационных технологий предприятиям телекомуникационного и финансового секторов присоединяется и розничная торговля. На конференции Big Data 2018, проведенной издательством «Открытые системы», прошел круглый стол по цифровизации ретейла, а компания IT Pro представила проект, реализованный для российского подразделения компании Finn Flare, международного производителя и продавца одежды под одноименной торговой маркой.

У Finn Flare широкий ассортимент (около 10 тыс. позиций) и широкая сбытовая сеть. Компания ведет продажи через полторы сотни собственных магазинов в России, Казахстане и Белоруссии, сайт finn-flare.ru, широкие франчайзинговую и партнерскую сети (с «обычными» и онлайновыми торговыми точками).

Задача, поставленная перед IT Pro, состояла в том, чтобы на основании имеющихся исторических данных создать решение, способное прогнозировать дневную выручку каждого из магазинов компании.

Первое, с чем столкнулся интегратор, по словам Максима Шляпнева, директора по консалтингу IT Pro, — неполнота и даже противоречивость исходных исторических данных. Это, судя по всему, беда всех проектов такого рода: раньше данные заносились в учетные системы потому, что их положено было заносить, использовать их не собирались, а, стало быть, и за качеством никто не следил.

Тем не менее, компании удалось сформировать «обучающий набор» данных за три последних года, разбитых по различным категориям. Учитывался день недели (рабочий, выходной, праздничный — последние разбивались по типу праздника), погода (температура, влажность, скорость ветра), а среди данных о продажах — дневной оборот, количество покупок, максимальная цена продажи. Кроме того, магазины были разбиты на группы по численности населения, приходящегося на торговую точку.

На основании исторических данных IT Pro «обучили» рекуррентную нейросеть с долгой краткосрочной памятью (Long Short-Term Memory, LSTM; нейронные сети такой архитектуры способны «запоминать» долговременные зависимости). Теперь ежедневно «на вход» сети подаются данные о продажах за последние 90 дней, на основании которых она дает прогноз на ближайший 31 день.

Судя по графикам, приведенным Шляпневым, совпадение между оценками и реальными продажами не стопроцентно, но динамику, судя по приведенным графикам, нейросеть отслеживает вполне удовлетворительно, в том числе — способна предсказывать существенные падения и пики спроса.

В Finn Flare получил инструмент ежедневного контроля продаж — если они существенно расходятся с прогнозом, то это «звоночек» для руководства компании. В свою очередь прогноз продаж позволяет оптимизировать процесс закупок в рамках компании и объем товарных запасов в самих магазинах.

В планах Finn Flare и IT Pro — повышение точности прогноза, оптимизация списка факторов, влияющих на продажи, и реализация решения в виде сервиса Microsoft Azure, что позволит ускорить обучение моделей.