Прогноз спроса на товары: ML-модель по нашей истории продаж

Мы торговая компания с собственным складом, и до сих пор планирование закупок и производства строилось на интуиции пары опытных менеджеров и нескольких таблицах Excel. Такой подход всё чаще бьёт по деньгам: то мы затариваемся неходовым товаром и замораживаем оборотные средства на складе, то в самый пик заказов не хватает ходовых позиций и мы теряем выручку. Мы хотим перейти от планирования «на глаз» к решениям на данных и ищем специалиста, который построит модель машинного обучения для прогнозирования продаж и спроса на основе истории, которая у нас уже накоплена. Готовы предоставить примерно три-четыре года ежедневных и еженедельных продаж в разрезе SKU, магазина и канала, а также календарь прошлых акций, изменений цен и периодов дефицита.

Суть задачи — модель временных рядов, которая прогнозирует спрос на ближайшие недели и месяцы на уровне отдельных товаров и товарных групп. Она обязательно должна учитывать сезонность (у нас выражены годовые и недельные циклы), праздники, а также влияние акций и скидок: наивная модель, которая игнорирует маркетинговые кампании, нам бесполезна. Мы ожидаем честную предобработку и очистку данных, инженерию признаков, сравнение нескольких подходов и понятную оценку с метриками точности — MAPE, MAE и смещение (bias), причём в разрезе категорий, чтобы мы понимали, где прогнозу можно доверять, а где ещё нужен контроль человека. Короткое описание результатов простым деловым языком для нас так же важно, как и сам код.

Не менее важно, чтобы прогнозом можно было реально пользоваться каждый месяц без постоянного участия дата-сайентиста. Нужен простой повторяемый способ загрузить свежие цифры продаж и получить обновлённый прогноз — скрипт или лёгкий интерфейс, который сможет запускать наш собственный аналитик, с выгрузкой в формате, который открывается в Excel или подаётся в наш процесс планирования. Предпочтительный стек — Python. Расскажите, пожалуйста, о похожих проектах прогнозирования, которые вы делали, как вы подойдёте к сезонности и акциям и какой реалистичной точности можно ожидать на таких данных.

— 3–4 года истории продаж по SKU, магазинам и каналам
— Явный учёт сезонности, праздников и влияния акций
— Метрики точности (MAPE, MAE, bias) в разрезе категорий
— Ежемесячный перезапуск, доступный нашему аналитику
— Чистый документированный код на Python и понятное резюме для бизнеса