Машинное обучение (ML): кейс оптимизации системы автозаказа в сети «Павловская курочка»

Материал подготовлен совместно с партнером комьюнити Digital4food, Datanomics.

Как повысить точность прогнозирования автозаказа и сократить затраты на облачные ресурсы? 

Задача

Повысить точность прогнозирования существующего модуля автозаказа фирменной розницы агрохолдинга «Павловская курочка». 

Решение

Аналитический сервис Datanomics Demand Forecast (DDF) на базе машинного обучения, работающий по модели SaaS. Сервис работает в разрезе магазин – SKU на каждый день с недельным горизонтом прогнозирования. Результаты сервиса DDF интегрированы в бизнес-системы заказчика.

Перенос работы прогнозного сервиса в Yandex Cloud позволил оптимизировать тарификацию и снизить расходы на обслуживание облачных ресурсов.

Распределенные вычисления для прогнозирования заказов осуществляются с помощью сервиса Yandex DataProc. Это управляемый, гибкий инструмент хранения и обработки больших данных, который позволяет изменять количество хостов на работающем кластере, не прерывая задачи. В сервисе Compute Cloud создана дополнительная виртуальная машина, которая позволяет контролировать задачи в Yandex DataProc. Данные, логи задач и скрипты обновления прогнозов хранятся в S3 Object Storage, а Yandex Virtual Private Cloud служит для управления облачной сетевой инфраструктурой.

Результат

✔️ Точность нового прогнозного алгоритма оказалась на 40% выше, чем предыдущего

✔️ К решению были подключены все 110 магазинов сети «Павловская курочка»

✔️ Сервис позволяет автоматически делать прогноз продаж во время акций.