| 0 |
|
Найскладніше в AI-прогнозуванні - не модель. А зробити її спільною основою для рішень.
Як приклад - деякі деталі з проєкту для «Юрія-Фарм». Це госпітальний постачальник №1 в Україні та фармацевтична компанія повного циклу: від розробки препаратів до виробництва, логістики й дистрибуції.
Задача - прогнозування попиту і продажів.
Але в цьому кейсі попит був неоднорідним і формувався за різною логікою.
Той самий препарат в аптеці - споживчий товар. У лікарні - державна тендерна закупівля. Окремо - FMCG-канал.
Тому ми побудували три незалежні моделі: для роздрібу, FMCG і госпітального каналу. Кожна - зі своїми факторами. Горизонт прогнозування - до 18 місяців.
Окремий виклик - шум у даних.
Дефектура, коли після відсутності препарату попит різко стрибає вгору.
Лончі нових продуктів, де історії продажів просто немає, а прогнозувати треба.
Благодійні відвантаження, які спотворюють картину попиту.
Модель мала відрізняти реальний попит від тимчасових ефектів.
Прогноз починає створювати цінність тоді, коли продажі, виробництво, supply chain і фінанси дивляться на одні й ті самі цифри. Не кожен у свій файл, а в одну систему, яка стає основою для узгодженого планування.
Саме це зараз відбувається в «Юрія-Фарм». Прогноз уже використовується як єдина база для планування і поступово стає ядром процесів S&OP та IBP.
Від старту проєкту до валідації моделі пройшло 8 тижнів. Від підписання до повністю автоматизованої системи - менше 3 місяців. З нашого досвіду це нетипово швидко.
Це вдалося не лише завдяки моделі. Клієнт прийшов із чітко сформульованою задачею, готовністю швидко працювати з даними і приймати рішення без затяжної підготовчої фази.
Більш детально про кейс «Юрія-Фарм».
Стратегія охолодження ЦОД для епохи AI
| 0 |
|
