Разработка модели прогнозирования цен для промышленного холдинга
Разработали и внедрили систему прогнозирования цен для крупного промышленного холдинга. В ее основе — алгоритм машинного обучения с открытым исходным кодом CatBoost. Система ежедневно анализирует более 70 факторов (биржевые котировки, валютные курсы, сезонность, логистика, новостная повестка) и формирует прогноз коридора цены с точностью до 95% на горизонт в 1 неделю. Результаты автоматически визуализируются в 12 интерактивных дашбордах для финансового блока и отдела продаж. Это позволило заменить ручную работу группы аналитиков, увеличить выручку за счет реализации продукции в наиболее выгодные периоды и сократить время подготовки ценовых прогнозов.
Клиент
Крупный промышленный холдинг.
Задача
Бизнес-задачи
-
Увеличивать выручку, выпуская продукцию на рынок в периоды пикового спроса и оптимальных цен.
-
Снизить долю «ручного» анализа и сократить время подготовки ценовых прогнозов.
-
Оптимизировать складские запасы ТМЦ
Технические задачи
-
Проанализировать структуру данных в корпоративном хранилище (ХД).
-
Выявить паттерны влияния сезонности, логистики, валюты, погодных и биржевых факторов на цену.
-
Подключить внешние источники: биржевые котировки, макроэкономическую статистику, новостные ленты и тд.
-
Подобрать и обучить ИИ-модель с целевой точностью MAE (Mean Absolute Error: средняя абсолютная ошибка) ≤ 5 %
-
Разработать витрины данных и интерактивные дашборды для финансового блока и отдела продаж.
Решение
Создана система прогнозирования цен: CatBoost-модель ежедневно анализирует исторические и текущие данные, учитывает более 70+ факторов и формирует недельный прогноз цены. Результаты автоматически публикуются в Apache Superset и доступны командам продаж и финансов.
Этапы и инструменты
1. Сбор и детализация требований: интервью, CJM (схема пути клиента), Confluence (платформа для совместной работы и базы знаний, аналитика ценообразования и факторов влияния ).
2. PoC: быстрая проверка гипотез (Python, Jupyter, CatBoost, Qwen).
3. Дата-инжиниринг: витрины в DWH, подключение API внешних источников.
4. MVP: разработка сервиса прогнозирования (Python, Docker).
5. BI-слой (аналитические панели для прогнозирования и статистики по факторам влияния): 12 интерактивных дашбордов (Superset) для разных ролей.
6. Пром-релиз: CI/CD (автоматическая разработка) через платформу GitLab, поддержка и дообучение модели.
Результат
Реализован комплексный инструмент, заменивший ручную работу группы аналитиков.
-
Для прогнозов на 1 неделю достигнута погрешность не более 5%.
-
Бизнес получает ежедневные рекомендации по оптимальному окну продаж.
Бизнес-эффект
-
Больше сделок проводится в периоды благоприятных цен; снизились потери от неблагоприятных ценовых колебаний.
-
Сокращены трудозатраты аналитиков, высвобождены ресурсы для стратегических задач.
-
Повышена прозрачность процессов ценообразования и принятия решений.
Трудности
-
Неоднородность исходных данных: проделана нормализация валют, единиц измерения и временных зон.
-
Низкое качество новостных метаданных: внедрен механизм NLP-фильтрации и взвешивания новостного тоналя.
