Краткосрочное прогнозирование для оптимизации пополнения запасов

В данной работе исследуется применение методов машинного обучения для краткосрочного прогнозирования спроса и оптимизации пополнения запасов в компаниях, работающих со скоропортящимися товарами, в частности в индустрии общественного питания. Основная цель исследования - автоматизация процесса пополнения запасов, который традиционно выполняется вручную администраторами ресторанов. В ходе работы проведён сравнительный анализ существующих решений, разработана модель прогнозирования, основанная на модели градиентного бустинга CatBoost, а также внедрен алгоритм Min-Max для управления запасами с длительным сроком хранения. Модель была протестирована на полученных с ресторана реальных данных, включающих информацию о запасах и продажах за период с января 2020 года по март 2024 года. Результаты показали, что использование предложенных моделей позволяет повысить точность прогнозирования спроса, снизить административные затраты времени на 1-2 часа в день и обеспечить более раннее размещение заказов. Экономический эффект от внедрения системы выражается в сокращении операционных затрат и снижении потерь от недостаточной или избыточной закупки товаров.