🗞 Утренний дайджест — 30 мая 2026 г. в 05:00:09.228
🗞 Утренний дайджест Доброе утро, это ваш главный бизнес-завтрак. ▎Кейс: как «Пятёрочка» с помощью ML сократила потери от просрочки на 38% без уценки Сеть магазинов у дома «Пятёрочка» сталкивалась с классической проблемой ритейла — товары с истекающим сроком годности. Раньше их уценивали за несколько дней до окончания срока, но маржинальность падала, а часть товаров всё равно списывалась. Требовалось решение, которое предскажет спрос на каждый SKU в каждой конкретной точке. Как устроено. Внедрили ML-модель прогнозирования спроса на уровне магазина — по товарной категории. Алгоритм обучался на исторических данных о продажах, погоде, праздниках, акциях конкурентов и даже событиях в радиусе 500 метров. Модель выдавала два показателя: оптимальный заказ на следующую поставку и вероятность нераспродажи остатков до истечения срока. Главный секрет. Ключевой инсайд — не уценивать «с запасом», а точечно снижать цену только на те товары, которые действительно не будут куплены вовремя. ML определял такие позиции за 5 дней до срока и рекомендовал индивидуальную уценку (от 10% до 70%). В результате сеть сократила списания на 38%, а выручка от уценённых товаров выросла на 27% за счёт того, что их покупали, а не выбрасывали. Дополнительный эффект — снижение нагрузки на персонал: раньше сотрудники вручную перебирали полки, теперь система подсказывает, что и когда уценивать. Что это значит для вас. Любой бизнес с товарными остатками и сроками годности может повторить этот подход. Не обязательно внедрять сложную ML-систему — начните с сегментации товаров по скорости оборачиваемости и срокам. Выделите 10-15% позиций, которые чаще всего списываются, и протестируйте для них динамическую уценку за 3-4 дня до срока. Даже Excel с правильной логикой снизит потери на 15-20%. Материал для разбора кейса взят из открытых источников: https://www.retail.ru/cases/pyaterochka-ml-prosrochka/ https://www.tadviser.ru/index.php/Проект:Пятёрочка_(ML_управление_запасами) @marketing_business_freelance