Делимся новостями участников каталога HR-решений HR-КУХНИ — актуальными обновлениями, и... — 23 июля 2026 г. в 10:40:00.959
Делимся новостями участников каталога HR-решений HR-КУХНИ — актуальными обновлениями, исследованиями, кейсами и событиями компаний, которые помогают бизнесу решать современные HR-задачи. Verme разработала алгоритм прогнозирования трафика на основе нейросетевой модели Компания Verme, разработчик решений для повышения производительности линейного персонала, обновила алгоритм прогнозирования трафика в своей WFM-системе. В его основу легла нейросетевая модель трансформерной архитектуры. Благодаря новому алгоритму точность прогноза достигает 90%, что помогает компаниям эффективнее планировать смены и сокращать расходы на фонд оплаты труда. Прогнозирование является одним из ключевых этапов автоматического составления графиков. Система анализирует исторические данные о посещаемости и нагрузке на торговую точку, строит прогноз и на его основе рассчитывает необходимое число сотрудников в каждую смену. Точность критична, поскольку занижение прогноза ведет к падению уровня сервиса, а завышение – к избыточным затратам на персонал. До обновления Verme использовала регрессионные модели, работа которых строилась на наборе аналитических правил. Например, система учитывала, что субботний трафик похож на субботний трафик прошлого года, а поведение покупателей в праздник зависит от его положения в рабочей неделе. Такой подход хорошо справлялся с типовыми данными, но давал сбои в нестандартных ситуациях: при смещении праздников внутри недели, региональных различиях в производственных календарях, пропусках в исторических данных, короткой истории наблюдений у новых точек и аномальных изменениях трафика. Чем больше таких факторов накладывалось друг на друга, тем сложнее становилось описать их правилами вручную. Новая модель построена на трансформерной архитектуре, похожей на ту, что лежит в основе больших языковых моделей. Если языковая модель предсказывает следующее слово в тексте на основе всего предшествующего контекста, то модель Verme предсказывает следующее значение во временном ряду. При этом она не опирается на заранее заданные правила, а учится распознавать закономерности в данных. Обучение проходило более чем на 46 тысячах временных рядов клиентов из разных отраслей. Модель содержит 49,7 млн параметров против десятков в прежних регрессионных моделях. Благодаря этому новый алгоритм показал прирост точности на 1,6%, а время формирования прогноза сократилось в тысячи раз. Это дает аналитикам больше времени на ручную проверку и корректировку результатов при необходимости. Кроме того, модель стала менее требовательной к качеству и полноте входных данных. «Раньше точность прогноза зависела от того, насколько подробно мы описывали в правилах различные отклонения. Но описать все возможные комбинации практически невозможно, а цена ошибки в планировании измеряется десятками тысяч рублей только за один рабочий день. Трансформерная модель учится самостоятельно и применяет накопленный опыт к нестандартным ситуациям. Построить такой алгоритм нам помогла накопленная клиентская база, ее разнообразие обеспечило нужный объем и широту данных для обучения», – отметил руководитель проектов прогнозирования Verme Никита Борисов.