Г.К. Стругач1
1 Финансовый университет при Правительстве Российской Федерации» (Москва, Россия)

1 gkstrugach@fa.ru

Постановка проблемы. В распределенной логистической сети маркетплейса Ozon управление поставками автомобильных запчастей осложняется прерывистым характером спроса на уровне отдельных SKU, сезонностью, значительным разбросом габаритных размеров товаров и неоднородной маржинальностью по кластерам доставки. Традиционные подходы, основанные на средних значениях, не учитывают взаимозависимость спроса, логистических затрат и рентабельности отдельных пар «товар – кластер», что приводит к неэффективному распределению ограниченных логистических ресурсов.

Цель. Разработать и экспериментально оценить гибридную систему поддержки решений, интегрирующую алгоритмы машинного обучения для прогнозирования спроса и линейное программирование для оптимизации распределения запасов, с количественной декомпозицией вклада каждого компонента.

Результаты. На основе данных о 5725 доставленных заказах за июнь–сентябрь 2025 г. проведен сравнительный анализ шести алгоритмов прогнозирования, в котором лучший результат показал Random Forest (MAE = 2,41 шт./нед., R2 = 0,687). Путем проведения эксперимента с четырьмя сценариями при объемном ограничении Vmax = 200 кг установлено, что вклад ЛП-оптимизации составил +15,7% прибыли, вклад ML-прогноза достиг +0,8%, полный эффект гибридной системы оказался равен +20,6%, из которых 4,1% составляет положительный синергетический эффект. Выявлена монотонная зависимость эффекта оптимизации от жесткости объемного ограничения (от +54% при Vmax = 100 кг до +1% при Vmax = 350 кг).

Практическая значимость. Предложенная гибридная система может использоваться продавцами автозапчастей на маркетплейсах для перехода от интуитивного или основанного на средних значениях управления поставками к системному, научно обоснованному распределению запасов с учетом прогноза спроса и ограниченной логистической емкости. Система позволяет количественно оценить вклад каждого компонента, выявить приоритетные товарно-кластерные комбинации и обосновать изменения в стратегии поставок.

Стругач Г.К. Гибридный подход к управлению поставками на маркетплейсах: интеграция алгоритмов машинного обучения и математического программирования // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 4. С. 88–96. DOI: https://doi.org/ 10.18127/j19998554-202604-09

1. Вишневский В.М. и др. Методы машинного обучения в решении задачи прогнозирования спроса на отдельные виды товаров // T-Comm – Телекоммуникации и транспорт. 2024. Т. 18. № 10. С. 34–43.
2. Герценбергер Э.А. Прогнозирование спроса в сфере электронной коммерции на основе объединения количественных и качественных данных // Бизнес. Образование. Право. 2025. № 2 (71). С. 141–146.
3. Болдычева А.Г. Аналитика больших данных для динамического планирования и управления запасами // Аудитор. 2024. № 11. С. 38–49.
4. Костиогло В.Х., Титовец М.И., Титовец Е.И. Проектирование и управление цепями поставок в электронной розничной торговле // Экономика: вчера, сегодня, завтра. 2024. Т. 14. № 4А. С. 806–815.
5. Никитин М.А. Роль логистических операций в оптимизации финансовых издержек при осуществлении торговой деятельности на маркетплейсах // Вестник Алтайской академии экономики и права. 2024. № 8. С. 305–309.
6. Рогулин Р.С. Обзор методов управления цепочками поставок // Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2023. № 2. С. 164–179.
7. Кочегурова Е.А., Сайберт С.М., Татьянкина К.В. Оптимизация параметров гибридного алгоритма прогнозирования с использованием ансамбля моделей в режиме реального времени // Известия Томского политехнического университета. Промышленная кибернетика. 2024. Т. 2. № 4. С. 26–33.
8. Сергеев В.И., Сергеев И.В. Тренды цифровой трансформации цепей поставок // Логистика и управление цепями поставок. 2021. № 6. С. 3–8.
9. Алюнов А.Н., Мосолова К.Д. Прогнозирование объемов потребления электрической энергии с применением методов машинного обучения // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 5. С. 58–70. DOI: 10.18127/j19998554-202305-08.
10. Синицын И.Н., Титов Ю.П. Оптимизация гиперпараметров в CALS системах методом муравьиных колоний на примере прогноза объемов авиационных пассажиро- и грузоперевозок // Системы высокой доступности. 2025. Т. 21. № 1. С. 12–24. DOI: 10.18127/j20729472-202501-02.
11. Гуляев А.В. Гибридная модель глубокого обучения для прогнозирования значений временных рядов // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 3. С. 62–72. DOI: 10.18127/j19998554-202503-08.
12. Elmachtoub A.N., Grigas P. Smart «predict, then optimize» // Management Science. 2022. V. 68. № 1. P. 9–26.