 |
Verme разработала алгоритм прогнозирования трафика на основе нейросетевой модели
Компания Verme, разработчик решений для повышения производительности линейного персонала, обновила алгоритм прогнозирования трафика в своей WFM-системе. В его основу легла нейросетевая модель трансформерной архитектуры. Благодаря новому алгоритму точность прогноза достигает 90%, что помогает компаниям эффективнее планировать смены и сокращать расходы на фонд оплаты труда.
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 ведет к падению уровня сервиса, а завышение – к избыточным затратам на персонал.
До обновления Verme использовала 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. Если языковая модель предсказывает следующее слово в тексте на основе всего предшествующего контекста, то модель Verme предсказывает следующее значение во временном ряду. При этом она 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. 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 дает 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, ее разнообразие обеспечило нужный объем и широту данных для обучения», – отметил руководитель проектов прогнозирования Verme Никита Борисов.
Справка о компании:
ГК Verme — российская ИТ-компания, специализирующаяся на ИТ-продуктах для повышения производительности персонала. В ГК входят компании Verme и «Моя смена».
Verme — решения для повышения эффективности линейного персонала: планирование графиков под потребность с помощью WFM-системы, учет рабочего времени по технологии FaceID/QR.
«Моя смена» — один из первых и крупнейших на российском рынке сервисов подработок рядом с домом с аудиторией более 600 000 человек. Сервис позволяет быстро находить и выводить на работу массовый персонал, имеет пул крупных заказчиков. В октябре 2025 года компания HeadHunter приобрела 26% сервиса «Моя смена» и стала стратегическим партнером.
Контактное лицо: Татьяна Алексеева
Компания: Verme
Добавлен: 20:37, 30.05.2026
Количество просмотров: 27
Страна: Россия
| Решение IDX включено в Белую книгу Ассоциации больших данных, IDX (ООО "Системы управления идентификацией"), 20:55, 30.05.2026, Россия15 |  |
| Компания IDX представила кейс «Система удаленного удостоверения отдельных атрибутов персональных данных граждан без их раскрытия», которая позволяет удаленно верифицировать отдельный атрибут (возраст, льготный статус и пр.) и получить соответствующую услугу без раскрытия персональных данных. |
| GreenData оценила разрыв в зрелости low-code между разными классами ИТ-систем, GreenData, 20:42, 30.05.2026, Россия26 |  |
| В GreenData проанализировали восемь классов отечественных бизнес-критичных систем по уровню проникновения low-code. Эксперты выяснили, что low-code в России развивается неравномерно: в процессных системах он стал архитектурным ядром, а в «тяжелых» транзакционных и аналитических системах чаще остается слоем надстройки. |
|
|
