Модель прогнозування виробництва: ML-рішення для компанії Нові Продукти

Теги:

Business Intelligence (BI)Data Engineering

Про проєкт

Прогноз, що балансує попит і витрати

Група компаній “Нові Продукти” – один із найбільших виробників напоїв і снеків в Україні, що понад 21 рік працює на ринку та входить до Реєстру найбільших платників податків країни. Компанія експортує продукцію до 23 країн світу, має понад 1500 співробітників і обслуговує понад 106 000 торгових точок. Портфель брендів налічує більше ніж 220 позицій, серед яких: SHAKE, NON STOP, PIT BULL, REVO, KING’S BRIDGE, APPS, EAT ME та ПРИРОДНЕ ДЖЕРЕЛО. На підприємстві впроваджено сертифіковану систему управління якістю та безпекою харчових продуктів. Також група веде активну благодійну діяльність.

Проблема клієнта

Зі зростанням обсягів виробництва та розширенням ринків збуту компанія зіткнулася з ризиками дисбалансу попиту та виробничих обсягів. Інтуїтивне планування призводило або до перевиробництва, або до дефіциту продукції: обидва сценарії спричиняли фінансові збитки та втрату ринкових можливостей.

Ключові виклики:

надлишкове виробництво створювало неліквідні залишки та витрати на списання;
дефіцит продукції призводив до втрати обсягу продажів;
відсутність прогнозного інструменту ускладнювала планування в умовах коливань попиту;
історичні дані продажів мали низьку якість, зокрема через відсутність фіксації нульових залишків;
необхідно було скоротити втрати без шкоди для гнучкості виробництва.

Для вирішення проблеми компанія шукала інструмент, що дозволив би прогнозувати обсяги виробництва з урахуванням попиту, сезонності та обмежень у даних.

Інформація про кейс

Побудували прогнозну модель, що синхронізує попит із виробництвом

Інструмент став частиною операційного та стратегічного планування в компанії.
Наш підхід:
Все почалося з участі у тендері: ми побудували першу версію моделі на обмеженому наборі ознак, яка, попри простоту, показала найвищу точність серед усіх учасників.

Після старту ми сфокусувалися на адаптації до реального бізнесу: провели серію воркшопів із клієнтом, сформували фічі, що впливають на попит, і протестували кілька ML-архітектур. У результаті впровадили ансамблеву модель із точністю понад 80%.

Складність виникла через незафіксовані нульові залишки в частині торгових точок: система плутала відсутність продажів із відсутністю попиту. Методи апроксимації виправили ці викривлення та суттєво покращили прогноз.

Результати роботи:

Ми впровадили прогнозну модель, яка дозволяє точніше планувати виробництво:
завдяки ансамблевій ML-моделі досягнуто точності прогнозування на рівні 80%;
зменшено ризики перевиробництва та дефіциту;
скориговані неточності у даних: враховано відсутність нульових залишків;
модель допомагає визначати, скільки і коли виробляти;
створено фундамент для масштабування під інші товарні категорії.
Замість реагувати на нестачу чи надлишок постфактум, компанія почала планувати обсяги завчасно, перейшовши таким чином від реактивного підходу до проактивного управління виробництвом.