Фриланс › Проєкти › Розробка програм › Прогноз попиту на товари: ML-модель за нашою історією продажів
Прогноз попиту на товари: ML-модель за нашою історією продажів
Роботодавець
Iryna
Параметри проєкту
Варіант співпраціОдноразовий проєкт
РозділРозробка програм
Передоплатабез передоплат
Способи оплатиГотівка, Банківський переказ
Прийом заявоквід сьогодні, 05:28 до 19.09.2026
Опис проєкту
Ми торгова компанія з власним складом, і досі планування закупівель та виробництва трималося на інтуїції кількох досвідчених менеджерів і кількох таблицях Excel. Такий підхід дедалі частіше б'є по грошах: то ми затарюємося неходовим товаром і заморожуємо оборотні кошти на складі, то в самий пік замовлень бракує ходових позицій і ми втрачаємо виручку. Ми хочемо перейти від планування «на око» до рішень на даних і шукаємо фахівця, який побудує модель машинного навчання для прогнозування продажів і попиту на основі історії, що в нас уже накопичена. Готові надати приблизно три-чотири роки щоденних і щотижневих продажів у розрізі SKU, магазину та каналу, а також календар минулих акцій, змін цін і періодів дефіциту.
Суть завдання — модель часових рядів, яка прогнозує попит на найближчі тижні та місяці на рівні окремих товарів і товарних груп. Вона обов'язково має враховувати сезонність (у нас виражені річні та тижневі цикли), свята, а також вплив акцій і знижок: наївна модель, що ігнорує маркетингові кампанії, нам не потрібна. Ми очікуємо чесну попередню обробку та очищення даних, інженерію ознак, порівняння кількох підходів і зрозумілу оцінку з метриками точності — MAPE, MAE та зміщення (bias), причому в розрізі категорій, щоб ми розуміли, де прогнозу можна довіряти, а де ще потрібен контроль людини. Короткий опис результатів простою діловою мовою для нас так само важливий, як і сам код.
Не менш важливо, щоб прогнозом можна було реально користуватися щомісяця без постійної участі дата-сайентиста. Потрібен простий повторюваний спосіб завантажити свіжі цифри продажів і отримати оновлений прогноз — скрипт або легкий інтерфейс, який зможе запускати наш власний аналітик, з вивантаженням у форматі, що відкривається в Excel або подається в наш процес планування. Бажаний стек — Python. Розкажіть, будь ласка, про схожі проєкти прогнозування, які ви робили, як ви підійдете до сезонності та акцій і якої реалістичної точності можна очікувати на таких даних.
— 3–4 роки історії продажів за SKU, магазинами та каналами
— Явний облік сезонності, свят і впливу акцій
— Метрики точності (MAPE, MAE, bias) у розрізі категорій
— Щомісячний перезапуск, доступний нашому аналітику
— Чистий документований код на Python і зрозуміле резюме для бізнесу
Суть завдання — модель часових рядів, яка прогнозує попит на найближчі тижні та місяці на рівні окремих товарів і товарних груп. Вона обов'язково має враховувати сезонність (у нас виражені річні та тижневі цикли), свята, а також вплив акцій і знижок: наївна модель, що ігнорує маркетингові кампанії, нам не потрібна. Ми очікуємо чесну попередню обробку та очищення даних, інженерію ознак, порівняння кількох підходів і зрозумілу оцінку з метриками точності — MAPE, MAE та зміщення (bias), причому в розрізі категорій, щоб ми розуміли, де прогнозу можна довіряти, а де ще потрібен контроль людини. Короткий опис результатів простою діловою мовою для нас так само важливий, як і сам код.
Не менш важливо, щоб прогнозом можна було реально користуватися щомісяця без постійної участі дата-сайентиста. Потрібен простий повторюваний спосіб завантажити свіжі цифри продажів і отримати оновлений прогноз — скрипт або легкий інтерфейс, який зможе запускати наш власний аналітик, з вивантаженням у форматі, що відкривається в Excel або подається в наш процес планування. Бажаний стек — Python. Розкажіть, будь ласка, про схожі проєкти прогнозування, які ви робили, як ви підійдете до сезонності та акцій і якої реалістичної точності можна очікувати на таких даних.
— 3–4 роки історії продажів за SKU, магазинами та каналами
— Явний облік сезонності, свят і впливу акцій
— Метрики точності (MAPE, MAE, bias) у розрізі категорій
— Щомісячний перезапуск, доступний нашому аналітику
— Чистий документований код на Python і зрозуміле резюме для бізнесу
