Реліз 4.1. SMART Demand Forecast: побудова прогнозу стала ще зручнішою

Підвищення точності прогнозу попиту має критичне значення для ефективного управління запасами, оптимізації виробничих процесів та покращення фінансових результатів. Зокрема, здатність правильно передбачити попит допомагає зменшити надлишкові запаси, уникнути дефіциту товарів і, зрештою, збільшити прибуток компанії.

Система прогнозування попиту на сьогодні є ключовим інструментом для конкурентоспроможності серед гравців ринку різного масштабу. З новим релізом 4.1 ми зробили рішення SMART Demand Forecast зручнішим та швидшим, дозволяючи вам отримувати ще точніші прогнози та розвивати бізнес.

Розглянемо основні оновлення.

Імплементовано часткове розгортання інфраструктури окремими блоками

Ми впровадили часткове розгортання інфраструктури окремими модулями, що дозволяє знизити витрати на хмарні ресурси, особливо на етапі пілотного прогнозування.

Перенесено ​​функції на .Net Isolated

Підвищена безпека та продуктивність завдяки перенесенню функції на .Net Isolated та оновленню конфігурації Azure Function. Це забезпечує стабільну підтримку рішення розробниками, спрощує впровадження оновлень і значно підвищує рівень безпеки та продуктивності системи.

Оновлено систему до .NET 8.0

Внесено зміни у ряд компонентів порталу для впровадження важливих оновлень у системі. Оновлення платформи до останньої версії .NET покращує стабільність, швидкість роботи та дозволяє підтримувати найновіші технологічні можливості.

Внесено зміни в конфігурацію Azure Function

Ми оптимізували інфраструктуру, здійснивши перенесення Azure Function до спільного AppService Plan. Це дозволило знизити вартість хмарних компонентів та спростити управління ресурсами, забезпечуючи стабільну роботу системи за менших витрат.

Перенесено аналітичну модель з SQL dedicated pool на Databricks

В межах модернізації моделі аналітики відбулась міграція обчислень на Spark та збереження даних у Datalake. Це дозволяє масштабувати рішення для роботи з розрахунками та великими масивами даних без втрати продуктивності.

Проведено оптимізацію розрахунків показників DAX Power BI

Оптимізовані запити та оновлена структура збереження даних дозволяють зменшити використання ресурсів і пришвидшити генерацію звітів.₴

Виконано загальну оптимізацію аналітичної моделі

Ми провели глобальну оптимізацію аналітичної моделі, що значно покращує ефективність процесів обробки даних та ETL. Це означає швидше завантаження, обробку та аналіз великих обсягів інформації.

Перенесено джерела даних Power BI на Delta-таблиці

Ми реалізували зміну джерел та підключень, яка стала можливою після оптимізації аналітичної моделі. Це дозволило оптимізувати зберігання та прискорити аналітичні запити. Завдяки цій зміні знижується навантаження на систему, зменшуються витрати на обробку даних та підвищується швидкість роботи аналітичних звітів.

Покращено імпорт та експорт файлів

Ми стандартизували та оптимізували процеси імпорту та експорту файлів, що дозволило автоматизувати перевірку їхньої структури. Це означає менше ручної роботи, зниження ризику помилок та вищу якість завантажених даних. Завдяки цьому робота з файлами стає швидшою, простішою та ефективнішою для вашого бізнесу.
​
​Доданий функціонал адміністрування промокампаній

Новий функціонал дозволяє швидко та зручно вводити дані для всіх точок реалізації одним рядком. Система автоматично розподілить інформацію щодо кожної торгової точки, мінімізуючи ризик помилок. Це значно прискорює процес управління кампаніями та підвищує ефективність вашої команди.

Реалізовано можливість виокремлення товарів / магазинів-новачків із аналітики

​​Тепер ви можете гнучко керувати аналітикою, виключаючи новачків із розрахунків точності прогнозів. Це дозволяє уникнути спотворень у даних, які можуть виникати через неповну історію продажів нових товарів чи магазинів. Завдяки цій функції ваші прогнози стають ще точнішими, а управлінські рішення – більш обґрунтованими.
​
​Додано дедублікацію до кожної таблиці універсальної структури даних

Якість даних – основа для точного прогнозування та ефективного управління бізнес-процесами. Ми впровадили перевірки на дублікати у кожній таблиці універсальної структури даних, що дозволяє уникнути помилкового дублювання інформації. Це підвищує довіру до аналітики, забезпечує коректність розрахунків і робить процес ухвалення рішень ще точнішим.

Розроблений звіт ItemLifeCycle

Життєвий цикл товару – ключовий фактор у плануванні асортименту, управлінні запасами та прогнозуванні продажів. Ми розробили автоматизований звіт ItemLifeCycle, який надає детальну аналітику на кожному етапі життєвого циклу товару. Завдяки цьому ви можете ухвалювати обґрунтовані бізнес-рішення, оптимізувати товарні залишки та ефективніше планувати закупівлі.

Поліпшено UX/UI та зручність роботи

Хоч система призначена для точних математичних розрахунків, ми не забуваємо, що вона створена насамперед для користувачів. Тому постійно вдосконалюємо вашу взаємодію з системою SMART Demand Forecast. Ось що було імплементовано в цьому релізі:

• Досліджено та впроваджено Lazy Loading для оптимізації рендерингу інтерфейсу
  Lazy Loading дозволяє спочатку завантажувати лише критичні елементи сторінки, а некритичні – поступово, що особливо важливо для користувачів із повільним мережевим з’єднанням.
  
• Оптимізовано продуктивність сторінок
  Ми зменшили кількість елементів на сторінці та обмежили API-запити під час запуску основних бізнес-процесів. Сторінки відображають лише необхідні показники роботи системи, а запити API виконуються після завершення важливих процесів. Це зменшує навантаження на систему, що важливо для користувачів не надто потужних пристроїв чи з поганою мережею.
  
• Додано зручну навігаційну панель налаштувань
  Додано навігаційну панель головних сторінок в інтерфейсі рішення. Таке оновлення спрощує та пришвидшує навігацію у системі, а також покращує користувацький досвід.
  
• Покращено інтерактивність інтерфейсу
  Додано покращення у взаємодії користувачів із системою, що робить інтерфейс більш зручним, динамічним і привабливим. Це стосується вдосконалення елементів системи, з якими взаємодіють користувачі в повсякденній роботі –– всі необхідні інструменти стали доступнішими.
  

Покращено алгоритми машинного навчання

Ми вдосконалили алгоритми машинного навчання: оптимізували код процесів Data Science, прискорили моделювання та скоринг, які лежать в основі побудови прогнозу. Це означає вищу продуктивність моделей та швидші обчислення.

Знайдено нові можливості у роботі з аномаліями

Аномалії у даних можуть спотворювати прогнозування, що призводить до помилок, тому в кожному релізі ми з ними працюємо. Ось які напрямки ми покращили:

• Оптимізовано процес розрахунку та завантаження аномалій
  Запис у базу даних аномалій пришвидшився на 30-40%. Завдяки модифікації процесів розрахунки виконуються швидше, а обробка великих датасетів стала ще ефективнішою. Це дозволяє бізнесу оперативно реагувати на нестандартні ситуації та покращувати якість прогнозування.
• Удосконалено алгоритми STL і Autoencoder
  Це допомагає краще визначати відхилення та забезпечувати точніші прогнози. Відповідно, ви зможете ефективніше управляти запасами, оптимізувати процеси постачання та знизити фінансові ризики для вашого бізнесу.
• Оптимізовано розрахунок періоду за замовчуванням на сторінці «Обробка Аномалій»
  ​​Введено перевірку першого дня продажів, щоб уникнути відображення порожніх колонок у таблицях. Тепер вибір періоду інтуїтивно зрозумілий, а відображення даних стало більш коректним.

Перенесено Data Science процеси Azure Machine Learning на Azure Databricks

Така міграція дозволяє працювати з великими обсягами даних ще швидше та ефективніше завдяки дистрибутивному фреймворку, оптимізованому для high-load завдань. Крім того, перехід відкриває можливості масштабування та знижує вартість рішення.

Реалізований Кабінет Data Science з Конструктором факторів

Запуск Кабінету Data Science із Конструктором факторів, які можна налаштовувати та зберігати, надає гнучкі інструменти для моделювання. Впровадження конструктору факторів дозволяє значно скоротити час на етапі пілотних експериментів та зменшити можливий вплив людського фактора під час тестування.

Виконана заміна моделі TFT на Prophet від Meta

Ми вдосконалили алгоритми прогнозування, замінивши модель TFT на потужний Prophet. Це дозволяє отримувати ще точніші та гнучкіші прогнози, покращуючи адаптацію до сезонності, трендів та нестабільності ринку.

Проведена адаптація архітектури до омніканального прогнозування

Для будь-яких рішень ми проводимо ретельний аналіз та підготовку. Так, ми заклали основу для майбутніх оновлень у прогнозуванні продажів за каналами, що дозволить ще глибше аналізувати динаміку попиту та оптимізувати асортимент. Наразі це дає нам чіткішу картину для декомпозиції функціональності в наступному релізі.