Работал ML инженером в X5 Retail Group, расскажу про реальные кейсы которые давали эффект.

1. Прогнозирование спроса

Самый простой и эффективный кейс для старта. Не нужны сложные модели, gradient boosting (LightGBM или CatBoost) вполне достаточно.

Фичи которые реально работают:

• Продажи товара за последние 7, 14, 28, 90 дней (скользящие средние)
• День недели (в понедельник продажи на 30% ниже чем в субботу)
• Праздники и предпраздничные дни (за 2 дня до Нового года продажи шампанского взлетают в 15 раз)
• Погода (температура влияет на продажи мороженого, алкоголя, готовой еды)
• Акции и промо (если товар в каталоге - продажи +200-500%)
• Остатки на складе (если товара мало - продажи падают из за эффекта пустых полок)
• Цена товара и конкурентов (если есть данные мониторинга)

Точность: обычный naive forecast (продажи завтра = продажи неделю назад) дает MAPE около 40-50%. ML модель снижает до 25-35%. На скоропортящихся товарах (выпечка, молочка) снижение списаний окупает разработку за месяц.

2. ABC/XYZ анализ + кластеризация

Боле простая задача чем прогноз, но дает быстрый результат.

Кластеризуй товары по паттернам продаж (K-means или DBSCAN):

• Стабильный спрос (хлеб, молоко) - заказывать каждый день фиксированное количество
• Импульсный спрос (сезонные товары) - заказывать по прогнозу
• Медленные товары (редкие позиции) - заказывать раз в неделю малыми партиями

Это позволяет автоматизировать заказы для 70% ассортимента, оставив закупщикам только сложные 30%.

3. Детекция аномалий

Простая задача с большим эффектом. Обучаешь модель на исторических продажах, она детектит аномальные просадки.

Причины аномалий:

• Товар не завезли в магазин (проблема логистики)
• Товар завезли но не выставили на полку (проблема мерчандайзинга)
• Конкурент запустил агрессивную акцию
• Истек срок годности и товар сняли с продажи

Когда модель детектит аномалию - отправляешь алерт менеджеру магазина. Он проверяет и устраняет проблему в тот же день вместо того чтобы узнать об этом через неделю из отчета.

4. Рекомендательные системы

НЕ НАЧИНАЙ С ЭТОГО. Персонализация в офлайн ритейле очень сложная задача:

• У тебя нет истории кликов и просмотров (только факт покупки)
• Клиент покупает 1-2 раза в неделю (холодный старт для 90% клиентов)
• Большая часть покупок - рутинные (молоко, хлеб, яйца), рекомендовать их бессмысленно

Реалистичный кейс - рекомендации товаров на допродажу для кассиров или push уведомления в приложении. Но это требует интеграции с кассовой системой или разработки мобильного приложения.

С чего начать в твоей ситуации:

1. Возьми один товар с высокой оборачиваемостью и стабильным спросом
2. Выгрузи продажи за год в CSV
3. Обучи LightGBM на sklearn
4. Сравни прогноз модели с фактическими продажами за последний месяц
5. Покажи результат руководству в виде графика (факт vs прогноз vs naive forecast)

Если прогноз лучше чем наивный - масштабируй на топ-100 товаров категории А. Это уже даст эффект в виде снижения дефицита и затоваривания.

Инструменты:

• Python (pandas, sklearn, lightgbm)
• Jupyter Notebook для экспериментов
• Airflow или просто cron для автоматизации (когда дойдешь до продакшена)

Реальный timeline:

• Первый прототип прогноза спроса - 2 недели
• Обучение модели на всем ассортименте - 1 месяц
• Интеграция с процессом закупок - 2-3 месяца (зависит от бюрократии)

Главное - начни с простого и измеримого. Не пытайся сразу построить ML платформу на весь ритейл.