Компания «Верме», разработчик решений для повышения производительности линейного персонала, обновила алгоритм прогнозирования трафика в системе управления рабочим временем сотрудников. В его основу легла нейросетевая модель трансформерной архитектуры, благодаря которой точность прогноза достигла 90%, что помогло компаниям эффективнее планировать смены и сокращать расходы на фонд оплаты труда. В 2024 году разработку интеллектуальной платформы управления поддержал Фонд содействия инновациям в рамках конкурса «Внедрение-ИИ».
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 ведёт к падению уровня сервиса, а завышение — к избыточным затратам на персонал.
До обновления предприятие использовало 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, принцип работы которых заключается в предсказании последующего слова в тексте на основе всего предшествующего контекста. Так, предлагаемое «Верме» решение предсказывает следующее значение во временном ряду. При этом система 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, а сама 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 даёт 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, её разнообразие обеспечило нужный объём и широту данных для обучения» , — отмечает руководитель проектов прогнозирования компании Никита Борисов.
Источник: https://www.cnews.ru/news/line/2026-05-25_verme_razrabotala_algoritm
