Студент Российского технологического университета МИРЭА Михаил Полубарьев разработал пилотную ИИ-систему для прогнозирования спроса на фармацевтическом рынке. Гибридная модель сочетает градиентный бустинг для месячного горизонта и нейросети с прямым многошаговым прогнозом для квартального планирования, сообщает gxpnews.net со ссылкой на пресс-службу вуза.
Почему это важно
Российский лекарственный рынок отличается высокой волатильностью и регулярным выводом дженериков, у которых нет истории продаж. В таких условиях классические статистические методы накапливают критическую ошибку уже к третьему месяцу и перестают быть пригодными для управления запасами. Разработчик показал, что ансамбли градиентного бустинга уверенно работают на коротком горизонте: ошибка по метрике WMAPE составила 16–17% на месяц вперёд. При попытке растянуть тот же подход на квартал показатель ухудшался до 23–26%, поэтому для среднесрочного планирования были задействованы нейросети, устойчивые к дрейфу данных.
Научный руководитель проекта, профессор Андрей Горшенин, отмечает, что архитектура готова к интеграции в ERP-системы фармпроизводителей. В неё заложены инструменты промышленного уровня:
- логарифмическая стабилизация дисперсии;
- циклическое кодирование временных меток;
- блочная кросс-валидация.
Что это значит для отрасли
Точность прогноза спроса напрямую влияет на доступность препаратов: недооценка ведёт к дефектуре в аптеках, переоценка — к списаниям и заморозке оборотных средств. Гибридная схема, адаптированная под нестабильный рынок, снижает риск обеих крайностей и приближает фармкомпании к сценарию, при котором планирование поставок опирается не на экспертную интуицию, а на воспроизводимые модели. По данным вуза, интерес к разработке уже проявила одна из российских фармкомпаний — если пилот дойдёт до внедрения, это станет одним из первых публичных кейсов промышленного применения гибридного ИИ в отечественной фарме и ориентиром для дистрибьюторов и производителей, работающих с широким портфелем SKU.