Эффективное приложение для прогнозирования спроса с элементами ИИ в отрасли запасных частей для автомобилей: реальный кейс из Турции

Почему важно угадывать спрос на запчасти

Когда автомобиль ломается, водители рассчитывают найти нужную деталь на полке. Для производителей и сервисных мастерских поддержание достаточного запаса без переполнения складов — постоянное равновесие. В этом исследовании рассматривается, как разумное применение искусственного интеллекта может помочь компаниям в отрасли автозапчастей точнее прогнозировать крайне нерегулярный спрос, экономя средства и обеспечивая движение клиентов на дорогах.

Проблема рваного спроса

Запчасти не продаются равномерно и непрерывно. Многие позиции лежат месяцами без заказов, а затем испытывают внезапные всплески спроса. Авторы называют такие паттерны прерывистым и «комковатым» (lumpy) спросом. В большинстве периодов спрос равен нулю; когда появляются заказы, объёмы могут резко изменяться. Классические инструменты прогнозирования, хорошо работающие для повседневных товаров, в таких условиях часто терпят неудачу, что приводит либо к пустым полкам, либо к дорогим запасам неиспользованных деталей. Поскольку запчасти критичны для поддержания работоспособности оборудования, плохие прогнозы ухудшают качество сервиса и повышают издержки.

От старых правил к обучению на данных

Чтобы справиться с этой задачей, исследователи проанализировали как устоявшиеся статистические методы, так и новые подходы, основанные на данных. Традиционные методы на базе Крэнстона (Croston) были разработаны специально для временных рядов с большим количеством нулей, но они ограничены при высокой непредсказуемости спроса. Новые методы машинного обучения, такие как опорные векторы, случайные леса и линейная регрессия, а также методы глубокого обучения — многослойные перцептроны, рекуррентные нейронные сети и сети с долгой кратковременной памятью (LSTM) — могут автоматически выявлять сложные закономерности в данных. Однако у каждого метода есть свои сильные и слабые стороны, и ни одна модель не универсальна для всех ситуаций.

Реальные данные от производителя запчастей

Команда работала с турецким производителем, выпускающим компоненты электрических приводов для транспортных средств. Они сосредоточились на двух дорогих запчастях, планирование которых особенно затруднено: одной с прерывистым спросом и другой с выраженным «комковатым» спросом. Используя 51 месяц реальных ежемесячных продаж, они очистили и нормализовали данные, затем классифицировали паттерны спроса с помощью стандартных показателей частоты спроса и его изменчивости. Данные были разделены на обучающую и тестовую выборки, чтобы модели оценивались на невидимых периодах, имитируя реальную практику прогнозирования.

Когда многие модели голосуют вместе

Вместо опоры на один инструмент прогнозирования авторы построили стекинг-ансамбль, который можно представить как команду моделей, чьи выходы комбинируются простейшей моделью второго уровня. Сначала несколько моделей машинного и глубокого обучения независимо генерировали прогнозы. Их предсказания затем подавались на вход модели линейной регрессии, которая научилась взвешивать доверие к каждой из них. Этот составной модельный подход сравнивали с методами на базе Croston и с каждой отдельной моделью, используя ошибки, отражающие типичные промахи и их величину относительно среднего спроса. Исследователи также применяли графические сводки и статистические тесты, чтобы убедиться, что различия в производительности значимы, а не случайны.

Что более умные прогнозы значат для бизнеса

Стекированная модель последовательно давала наиболее точные и стабильные прогнозы как для прерывистого, так и для «комковатого» спроса. Методы глубокого обучения по отдельности в целом превосходили традиционные подходы, но сочетание нескольких методов показало наилучший результат. Для партнёрской компании это означало меньшие страховые запасы, меньше устаревших позиций на полках и сниженный риск не успеть вовремя обеспечить клиентов. Проще говоря, исследование демонстрирует, что тщательно продуманное сочетание моделей ИИ может превратить хаотичный, рваный спрос на запчасти в прогнозы, достаточные для поддержания более эффективных запасов и более надёжного сервиса.

Цитирование: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Ключевые слова: спрос на запчасти, прерывистый спрос, ансамблевое обучение, автомобильная цепочка поставок, прогнозирование спроса