? Napoleon IT – технологический партнер FMCG-компаний и ритейлеров по автоматизации e-com, прогнозирования спроса, оптимизации ценообразования, пополнения товарных запасов, планирования ассортимента и продаж. Компания занимается заказной разработкой мобильных и веб-приложений, порталов поставщиков, проводит аудиты мобильных приложений и IT-консалтинг и использует в проектах передовые технологии машинного обучения и генеративных сетей. Среди клиентов компании – Рольф, Рив Гош, X5, Увелка, Бристоль, Лента, Hoff.
Примеры проектов для ритейл-компании:
? Компания Napoleon IT внедрила систему для автоматизации и оптимизации процессов в ГК «ЛАМА» — одних из лидеров пищевой промышленности и розничной торговли в Сибири. Нужно было найти специализированное решение, так как многие операции выполнялись вручную в Excel и занимали много времени. К тому же существующая модель прогнозирования показателей торговой сети была неточной и не позволяла быстро корректировать цены.
? Решением стала интеллектуальная система ценообразования PowerPrice с использованием платформы Goal Profit. Был проведен проект по автоматизации и оптимизации ценообразования на ограниченном множестве объектов. В результате были валидированы гипотезы по оптимизации с использованием машинного обучения.
1️⃣Система на 100% покрыла процесс ценообразования ГК «Лама» с точки зрения функциональных требований
2️⃣Пользователи удовлетворены простотой и удобством использования системы
3️⃣Рутинные операции стали занимать гораздо меньше времени
4️⃣Проведены несколько итераций оптимизации и прогрузки цен, выставленных машинным обучением в магазин: по ряду позиций система показала высокие результаты.
? Еще одним проектом для Napoleon IT стало внедрение системы мониторинга цен с использованием компьютерного зрения и управления ценообразованием в сети магазинов «Бристоль». Главной задачей для ритейлера была оптимизация и ускорение процесса сбора информации по конкурентам.
? Технологии компьютерного зрения позволили повысить производительность сотрудников в несколько раз: количество данных по товарам возросло в среднем с 50 до 250 штук за 2 часа. Внутренние алгоритмы проверки данных снизили количество ошибочных позиций в мониторинге, которые раньше допускались при ручном сборе, что положительно сказалось на качестве работы.
