Магнит

Использование аналитического модуля для промокампаний на базе Arenadata Hadoop

Сеть магазинов «Магнит» активно развивает направление прогнозирования промо, неотъемлемой частью которого является аналитический модуль, построенный на основе Arenadata Hadoop.

О сети магазинов «Магнит»

«Магнит» — один из ведущих российских ритейлеров по торговле продуктами питания, лидером по количеству магазинов и географии их расположения. Компания представлена более чем в 4 000 населенных пунктах, ежедневно магазины компании посещают почти 16 миллионов человек. «Магнит» работает в мультиформатной модели, которая включает в себя магазины «у дома», супермаркеты, дискаунтеры, аптеки, магазины дрогери и e-commerce. На 31 марта 2023 года компания насчитывала 27 909 торговых точек в 67 регионах России. Участниками кросс-форматной программы лояльности сети являются более 70 млн человек.

Прогнозирование в промо-продажах

Сеть магазинов «Магнит» уже несколько лет развивает направление промо-прогнозирования, используя для решения этой задачи большие данные. «Магнит» использует множество разнообразных промо-механик, а каждый магазин сети выступает в роли локального склада. Необходимо прогнозировать, сколько товара должно продаться в каждой конкретной точке в период промо-кампании. От этого зависит, какое количество товара потребуется закупить и выставить на полки, чтобы не возникало переизбытка товарного запаса и, как следствие, потерь и списаний. От того, насколько качественно будет произведён прогноз, зависит, будут ли довольны покупатели, останутся ли лояльны к сети.

Поэтому одной из глобальных целей «Магнита» было создание сервиса промо-прогнозирования, работающего максимально быстро и качественно, способного:

  • иметь единое окно входа;
  • возвращать результат расчёта заказчику в течение нескольких минут;
  • гибко и быстро подстраиваться под изменения внешних условий.

Этапы развития прогнозирования промо в «Магните»

Аналитический модуль на базе Arenadata Hadoop

Одной из частей сервиса прогнозирования «Магнита» стал аналитический модуль, построенный на базе Arenadata Hadoop (ADH). Из корпоративного хранилища данных в него транспортируется необходимая историческая информация, включая данные о продажах, остатках, статистике промо, календарях, операциях, лояльности, ценах, скидках. Транспортировка (ELT) осуществляется с помощью Spark на базе Python (PySpark), а управление задачами транспортировки производится в Airflow.

На основании поступающей в аналитический модуль информации строятся ML-модели. Также у «Магнита» существует входная система управления промо-правилами, которая формирует задания на расчёт товаров.

Итоговый слой DM, содержащий датамарты, специалисты «Магнита» формируют с помощью Spark (PySpark) и используют в моделях машинного обучения в виде пользовательских функций для отдельных подгрупп данных (UDF), что хорошо ложится на концепцию MapReduce в Arenadata Hadoop. Задачи формирования этого слоя также управляются с помощью Airflow. Объёмы данных могут составлять до 10 ТБ, а количество итоговых моделей машинного обучения — от 1 тысячи до 10 млн.

Процесс прогнозирования

Максим Солопин
АЛЕКСЕЙ ЧЕТЫРКИН
директор Data Science «Магнита»

«Нам нравится, что аналитический модуль на базе Arenadata Hadoop работает стабильно. Мы вовремя получаем все необходимые обновления, поэтому сотрудничество с Arenadata нас полностью устраивает».

Возможности, которые даёт прогнозирование

Создание сервиса прогнозирования позволило «Магниту»:

  • снизить уровень потерь в магазинах за счёт поддержания оптимального товарного запаса;
  • повысить качество планирования поставок от поставщиков;
  • улучшить уровень сервиса покупателей в магазинах за счёт поддержания максимальной доступности товаров на полке и их качества.

Спасибо, что написали нам!

Мы обработаем заявку и свяжемся с вами в ближайшее время.

Будем рады помочь!

Отправьте ваш вопрос через форму ниже, и наши специалисты свяжутся с вами в ближайшее время.

Фамилия *
Имя *
Эл. почта *
Телефон *
Наименование компании *
Опишите ваш вопрос
ошибка! проверьте правильно ли вы заполнили поля

Этот сайт использует cookie-файлы и другие технологии, чтобы помочь вам в навигации, а также предоставить лучший пользовательский опыт, анализировать использование наших продуктов и услуг, повысить качество рекламных и маркетинговых активностей.