Иван Приморский – Нейросети для прогнозирования продаж в розничном магазине (страница 4)

Выбираем инструмент: обзор доступных нейросетей и платформ

Итак, мы разобрались с тем, что нейросети – это не магия, а вполне рабочий инструмент. Мы даже выяснили, какие данные нужно подготовить и как их отмыть до блеска, чтобы алгоритм не запутался. Но перед нами встает новый, вполне практический вопрос: а что, собственно, брать в руки? Какие бывают эти нейросети и где их достать?

Если вы ждали момента, когда я начну сыпать сложными названиями библиотек и языков программирования, то вынужден вас разочаровать. Мы пойдем другим путём. Представьте, что вы решили испечь сложный многоярусный торт. У вас есть два пути: первый – пойти на курсы кондитеров, выучиться на шеф-повара, построить дома профессиональную кухню, закупить тонны ингредиентов и несколько месяцев тренироваться. Второй – зайти в хороший кулинарный магазин и купить готовую смесь для торта, где всё уже смешано в нужных пропорциях, и просто добавить яйца и масло. Оба пути ведут к торту. Вопрос только в ваших целях, ресурсах и желании возиться.

В мире искусственного интеллекта ситуация ровно та же. Инструменты ИИ и платформы нейросетей – это и есть те самые “готовые смеси” и “профессиональные кухни”. Для розничного магазина, который хочет прогнозировать продажи и оптимизировать закупки, совсем не обязательно нанимать команду data scientist’ов и писать свой нейросетевой движок с нуля. Это примерно как изобретать колесо каждый раз, когда нужно доехать до соседнего квартала.

Готовые платформы для бизнеса: ИИ как услуга

Самый простой и быстрый способ подружиться с нейросетями – это воспользоваться готовыми облачными платформами. Это такие огромные интернет-магазины ИИ-решений. Крупные игроки вроде Yandex DataSphere, SberCloud или западные аналоги вроде AWS и Google Cloud уже давно всё придумали за нас. Они предоставляют инструменты, где нейросеть можно обучить буквально в несколько кликов.

В чём тут суть? Вы загружаете на платформу свои очищенные данные по продажам, выбираете тип задачи (нам нужно прогнозирование временных рядов), и платформа сама предлагает оптимальные алгоритмы. Она перебирает десятки вариантов нейросетей, подбирает настройки и выдает готовую модель. Вам остаётся только получить результат в виде прогноза на завтра или на месяц. Это как заказать такси: вы не думаете, как работает двигатель и по какому маршруту лучше ехать, вы просто садитесь и едете.

Такие платформы хороши тем, что они уже заточены под бизнес-задачи. В них часто встроены модули для работы с табличными данными, они понимают, что такое “продажи” и “остатки”. Плюс, они берут на себя всю техническую кухню: сервера, обновления, безопасность. Минус – это стоит денег. Но, как показывает практика, аренда такого решения часто обходится дешевле, чем зарплата целой команды разработчиков.

Библиотеки для программистов: конструктор для гиков

Если у вас в штате есть свой программист или вы сами не боитесь кода, то можно пойти по второму пути – использовать библиотеки машинного обучения. Самые популярные в мире – это TensorFlow от Google и PyTorch от Facebook (теперь Meta). Это такие огромные наборы готовых кирпичиков, из которых можно собрать нейросеть любой сложности.

Это уже не такси, а аренда автомобиля. Вам дают ключи, бак бензина и карту. А уж куда ехать и как парковаться – решаете вы сами. Эти библиотеки позволяют очень тонко настраивать модель под специфику именно вашего магазина. Например, если у вас есть какой-то уникальный фактор, влияющий на спрос, который стандартные платформы не учитывают, то с помощью TensorFlow вы сможете это запрограммировать.

Но здесь есть и обратная сторона. Вам нужно уметь программировать на Python, понимать, как работают нейросети, чтобы не нажать не ту кнопку, и иметь мощности для обучения модели. То есть, нужен либо мощный компьютер, либо снова придется арендовать сервера в облаке. Это путь для тех, кто хочет полного контроля над процессом и готов за это платить своим временем и головной болью.

Специализированные решения для ритейла

А есть и третий, золотой путь. Существуют компании, которые создают ИИ-решения, заточенные строго под задачи розничной торговли. Они уже взяли TensorFlow, обучили его на данных тысяч магазинов, учли сезонность, праздники, влияние акций и завернули всё это в красивую и понятную программу.

Такие инструменты ИИ часто интегрируются прямо в 1С или другие системы учёта. Вы просто нажимаете кнопку “Сформировать прогноз”, и программа выдает вам: “Завтра купят 20 буханок хлеба и 5 упаковок сосисок”. Всё. Вам не нужно быть программистом или математиком. Нужно просто уметь читать цифры.

Это как заказать индивидуальный торт у профессионального кондитера. Вы приходите, говорите: “Хочу торт с малиной и фисташками на день рождения”, и через день получаете готовый шедевр. Вам не важно, как он пекся, какие там были химические реакции – вы просто наслаждаетесь результатом.

Что выбрать новичку?

Если вы только начинаете свой путь и у вас нет команды программистов, мой вам совет: не геройствуйте. Не лезьте сразу в TensorFlow с головой. Начните с готовых платформ или специализированных ритейл-решений. Ваша цель – не стать гуру глубокого обучения, а наладить закупки и увеличить прибыль. Инструмент должен работать на вас, а не вы на него.

Попробуйте демо-версии разных платформ. Погоняйте по ним свои данные. Посмотрите, насколько точный прогноз они выдают. Почувствуйте интерфейс. Поверьте, когда вы увидите, как нейросеть в реальном времени обрабатывает ваши многолетние архивы продаж и выдает стройный прогноз, это чувство ни с чем не сравнится. Это как впервые сесть за руль автомобиля после того, как всю жизнь ходил пешком.

Кстати, вспомните свой первый рабочий день в магазине. Помните этот хаос? Где что лежит, как пробивать, как общаться с покупателями? А теперь вы уже эксперт. Так и здесь: поначалу кажется, что выбор инструмента – это что-то невероятно сложное. Но как только вы начнёте пробовать, страх уйдёт, и придёт понимание. И тогда нейросети из страшного зверя превратятся в вашего самого лучшего помощника, который никогда не спит, не просит прибавки к зарплате и всегда готов подсказать, сколько пачек гречки нужно заказать на завтра.

Часть 2. Погружение в данные: Анализ прошлого, чтобы видеть будущее

Сегментация товаров: от бананов до запасных батареек

Итак, мы с вами уже разобрались, что традиционные методы прогнозирования вроде волшебной линейки и карандаша уходят в прошлое, а нейросети, как новые сотрудники, требуют особого подхода. Мы даже поговорили о том, как важно накормить их качественными данными и очистить эти данные от мусора. Самое время перейти к одной из самых вкусных и важных задач на кухне аналитика – сегментации товаров.

Представьте себе обычный розничный магазин. Ну, например, небольшой супермаркет у дома. Что там лежит на полках? Десятки видов хлеба, молоко разной жирности, крупы, макароны, чипсы, пиво, средства для мытья посуды, лампочки, батарейки, корм для животных и, конечно, бананы. А теперь вопрос: можно ли ко всем этим товарам относиться одинаково, когда мы пытаемся спрогнозировать, сколько их продастся завтра? Спойлер: нет, нельзя. И дело тут даже не в том, что бананы портятся быстрее лампочек, хотя и это тоже важно.

Проблема в том, что каждый товар живёт своей жизнью. У бананов спрос зависит от дня недели (в выходные берут больше) и цены. У пива – от погоды и футбольных матчей. У лампочек – от того, сколько их перегорело у людей в квартирах. Если мы попытаемся скормить нейросети все эти товары в одной куче, она просто запутается. Это всё равно что попросить человека одновременно слушать рок, классику и детские песенки через одни наушники. В голове будет каша. Чтобы этого избежать, мы и придумали сегментацию.

Что такое сегментация и зачем делить бананы с батарейками

Если говорить простым языком, сегментация товаров – это разделение всего вашего ассортимента на группы по схожим признакам. Но не просто по признаку “молочка” или “бакалея”, а по признакам, важным для прогнозирования и закупок. Это как в зоопарке: всех животных кормят по-разному. Львам дают мясо, обезьянам – бананы, а пингвинам – рыбу. Если перепутать, будет беда. В нашем магазине то же самое.

Зачем нам это нужно? Во-первых, чтобы нейросеть не сходила с ума. Обучая модель на однородных товарах, мы повышаем точность прогноза. Во-вторых, чтобы автоматизировать закупки. Для одной группы товаров мы можем доверить заказы роботу, а для другой – оставить контроль за человеком. В-третьих, чтобы эффективно управлять остатками. Для скоропортящихся товаров страховой запас – это зло, а для товаров повседневного спроса с долгим сроком хранения – необходимость.

Давайте вернёмся к нашему супермаркету. Возьмём два товара: бананы и запасные батарейки. Бананы – это классический пример товара с коротким жизненным циклом. Они быстро портятся, их покупают часто, но понемногу. Спрос на них может резко вырасти перед праздниками или, наоборот, упасть в жару, потому что все едят мороженое. Батарейки – история совсем иная. Они не портятся, их покупают редко и обычно в моменте, когда сели в пульте. Спрос на них более-менее стабилен, но может резко подскочить перед Новым годом, когда дарят много игрушек.