До недавних пор большинство компаний полагались на моделирование спроса как на изолированный временной ряд. Каждому SKU принадлежала своя отдельная линия данных, без учета связей между товарами, заводами и складскими зонами. Этот подход зачастую приводил к переливам и недостаткам запасов, особенно при неожиданных всплесках или падениях спроса.
Однако, реальность цепочек поставок устроена куда сложнее: demand в одном месте влияет на другие участки. Анализ 12 SKU показывает, что их спрос связан через такие связи, как заводы, группы товаров и склады. Именно эти сетевые связи и стоит учитывать для точных прогнозов.
Исследователи использовали датасет SupplyGraph — 40 SKU, 9 заводов, 21 группы товаров и 36 подгрупп, 13 складов, — чтобы показать важность учета сети. Каждая позиция имеет около 41 связи, что формирует плотный граф, отражающий реальное взаимодействие предприятия. Параллельно с запусками продаж данные собирали за 221 день: заказы, поставки, производственные задания.
Общий показатель точности — WAPE — при миксе из временных и пространственных факторов снизился с 0,86 (наивный прогноз, равный вчерашнему дню) до 0,62 при использовании графовой модели GraphSAGE. Это примерно на 27% лучше, а смещение ошибок — в 4,5%, что уже приемлемо для операций.
Победившие компании — те, кто быстро интегрировали сетевое мышление. Их удалось снизить экстремальные производственные изменения и избавиться от ручной работы по восстановлению запасов. В итоге, прогноз стал не просто точнее, а более надежным инструментом для менеджеров.
Особенность моделей — реактивность: они следят за реальным спросом, а не пытаются предугадывать пики. В будущем планируют внедрение Heterogeneous Graph Transformers (HGT) — для дифференцированного учета видов связей, например, отличие производственных мощностей от товарных замен. Это обещает еще более глубокое понимание цепочки.
Итог таков: нейросети как GraphSAGE — не просто инструмент повышения точности, а новая парадигма. Они раскрывают скрытую структуру цепочек, превращая управление запасами из искусства в точную науку. Те, кто освоит эти подходы сейчас, опередят конкурентов и получат существенную операционную выгоду.
