Новые подходы к управлению ассортиментом и продажами на основе искусственного интеллекта в условиях неопределённости
Автор: Александров А. Д.
Журнал: Форум молодых ученых @forum-nauka
Статья в выпуске: 5 (117), 2026 года.
Бесплатный доступ
В условиях высокой волатильности спроса и сбоев в цепочках поставок традиционные методы управления ассортиментом теряют эффективность. В статье предлагается новый подход на основе гибридной модели искусственного интеллекта, сочетающей градиентный бустинг и LSTM-сети. Приводятся результаты эксперимента на данных розничной сети за три года. Доказано, что предложенная модель повышает точность прогнозов продаж на 22%, снижает долю неликвидных запасов на 15% и увеличивает оборачиваемость ассортимента. Результаты могут быть использованы в системах поддержки решений для ритейла.
Искусственный интеллект, управление ассортиментом, неопределённость, машинное обучение, lstm, градиентный бустинг, оптимизация продаж
Короткий адрес: https://sciup.org/140316203
IDR: 140316203 | УДК: 33
New approaches to assortment and sales management based on artificial intelligence under uncertainty
Under conditions of high demand volatility and supply chain disruptions, traditional assortment management methods lose effectiveness. The article proposes a new approach based on a hybrid artificial intelligence model combining gradient boosting and LSTM networks. The results of an experiment on three-year retail chain data are presented. It is proved that the proposed model increases sales forecast accuracy by 22%, reduces the share of dead stock by 15%, and increases assortment turnover. The results can be used in decision support systems for retail.
Текст научной статьи Новые подходы к управлению ассортиментом и продажами на основе искусственного интеллекта в условиях неопределённости
Современная экономика характеризуется глубокой неопределённостью: изменение потребительских предпочтений, логистические сбои, ценовые колебания. Традиционные методы прогнозирования (ABC-XYZ-анализ, экспоненциальное сглаживание, ARIMA) предполагают стационарность рядов, что на практике не выполняется [2, с. 45]. Искусственный интеллект (ИИ) демонстрирует высокую эффективность в задачах с нелинейными зависимостями, однако большинство работ используют отдельные алгоритмы без учёта специфики розничного ассортимента [4, с. 112].
Цель – разработать и апробировать гибридную модель управления ассортиментом и продажами на основе ИИ в условиях высокой неопределённости.
Задачи: выявить источники неопределённости; разработать двухэтапную гибридную архитектуру (LightGBM + LSTM); провести эксперимент на реальных данных; сравнить точность и экономические показатели с базовыми методами.
Методы и материалы исследования
Данные. Использованы транзакционные данные розничной сети «Орёл-Ритейл» за 2023–2025 гг. (156 недель). Выборка: 8 412 активных SKU в категориях «бакалея» и «сопутствующие товары». Фиксировались: продажи, цена, себестоимость, остатки, промо, сезонность. Данные очищены от выбросов. Объём – около 1,3 млн строк.
Неопределённость измерялась коэффициентом вариации (CV) и MAPE на окне 4 недели. Высокая неопределённость: CV > 0,7 и MAPE > 30% (23% SKU).
Базовая модель (эталон). Метод Хольта–Уинтерса с аддитивной сезонностью (период 52 недели). Параметры подобраны по минимуму MAPE на валидации (первые 104 недели).
Гибридная ИИ-модель (двухэтапная).
Этап 1 – признаки: лаги (t-1, t-2, t-4, t-8, t-13), скользящие средние (3,7,14 дней), промо-признаки, ценовая эластичность, календарные фиктивные переменные (всего 28 признаков).
Этап 2 – ансамбль: LightGBM (max_depth=6, learning_rate=0,05 n_estimators=300) + LSTM (входной слой 28, два скрытых слоя по 64 нейрона, dropout=0,2; оптимизатор Adam, MSE, эпохи=150). Итоговый прогноз – взвешенное среднее (веса 0,6 и 0,4 по обратной ошибке на валидации).
Оценка качества. MAPE и RMSE на тестовой выборке (52 недели, 2025 г.). Для управления ассортиментом – доля неликвидных запасов (остаток >6 недель продаж) и оборачиваемость. Эксперимент в Python (LightGBM, TensorFlow, pandas).
Результаты исследования
Точность прогнозов. Результаты по трём группам товаров приведены в таблице 1.
Таблица 1 – MAPE (%) для разных методов
|
Категория товаров |
Хольт– Уинтерс |
LightGBM |
Гибридная модель |
|
Стабильный спрос (CV<0,3) |
11,2% |
9,1% |
8,4% |
|
Умеренная волатильность |
23,5% |
17,3% |
14,1% |
|
Высокая неопределённость (CV≥0,7) |
48,7% |
31,2% |
24,6% |
|
Среднее |
26,1% |
18,2% |
15,3% |
Гибридная модель превосходит альтернативы во всех сегментах. Для высоковолатильных товаров снижение MAPE с 48,7% (база) до 24,6% (гибрид).
Экономические показатели. На основе прогнозов гибридной модели реализована еженедельная оптимизация ассортимента. Сравнение с традиционным ABC-анализом – в таблице 2.
Таблица 2 – Показатели управления ассортиментом за 2025 г.
|
Показатель |
Традиционный подход |
ИИ-модель |
|
Доля неликвидных запасов (>6 недель) |
12,4% |
8,1% |
|
Оборачиваемость (раз в год) |
5,2 |
6,3 |
|
Маржинальность портфеля |
21,3% |
24,8% |
|
Потери от дефицита |
4,7% |
3,2% |
Снижение неликвидов на 4,3 п.п., рост оборачиваемости на 21% увеличение маржинальности на 3,5 п.п. Потери от дефицита сократились на 1,5 п.п.
Заключение
-
1. Ключевые источники неопределённости – сезонные, промофлуктуации и внешние шоки. Их учёт требует комбинирования градиентного бустинга (краткосрочные изменения) и LSTM (долгосрочные зависимости).
-
2. Гибридная модель LightGBM+LSTM снижает среднюю ошибку прогноза с 26,1% до 15,3%, а в сегменте высоковолатильных товаров – с 48,7% до 24,6%.
-
3. Внедрение модели уменьшает долю неликвидных запасов на 4,3 п.п., повышает оборачиваемость на 21% и маржинальность портфеля на 3,5 п.п.
-
4. Практическая значимость – использование в корпоративных системах поддержки решений для розничных сетей. Дальнейшие исследования – внедрение «объяснимого ИИ» (XAI) и адаптация подхода для фармацевтики и e-commerce.
