Когда в Lime решили использовать машинное обучение, направление было понятным:  пусть модель подсказывает, сколько и каких товаров отправлять в каждый магазин.    Привлекли ребят с Физтеха, чтобы построить ML-модель подсортировки (replenishment) — рекомендательную систему, которая анализирует исторические продажи по артикул × магазин × размер × цвет и предлагает объёмы пополнения.  Прежде чем модель заработала, нас ждала кропотливая подготовка данных — в ней участвовали даже конструкторы, ведь о каждой вещи нужно знать как можно больше её характеристик: фасон, сезонность, аналог, капсулу для мерчендайзинга и т.д.  ML-модель использовала градиентный бустинг т.к. продажи в fashion всего пара штук в неделю на магазин, а ассортимент живёт короткими циклами.   Дообучалась модель на исторических данных и руками менеджеров по пополнению. Мы стремились соединить опыт коллег с вычислительными мощностями.    Интересный кейс принёс собственник компании:  В двух магазинах Москвы, близких по трафику и размерам, покупатели вели себя по-разному: в одном — спрос на офисный стиль, в другом — на оверсайз и street fashion.  Рядом с одним из магазинов оказался университет, а с другим бизнес-центр.  Уточнять такие параметры с гео-данных запланировали в будущем при открытиях новых магазинов 👍🏼 .    Продакты внесли свой вклад - добавили связность капсул (чтобы модель не "забыла" товар, который необходим для манекенов и выгодно подчеркивает базовый ассортимент).    Результаты оказались убедительными:  ML-рекомендации снизили долю out-of-stock на ключевых SKU и сократили избыточные поставки на 10–15 %.  Похожий эффект отмечают и исследования: по данным McKinsey и Amazon, внедрение ML-моделей replenishment снижает ошибки прогноза на ~10-20%, что ведёт к росту выручки +2-3%.    Для Lime это был первый шаг к data-driven управлению ассортиментом.  Внедрение показало, что в фэшне продактам важнее чувствовать тренды, а "машинам" отдавать точечные решения на исторических данных.    💬 Как думаете спустя 10 лет в каких офлайн-сетях ещё отсутствует ML-пополнение и почему?