Предиктивная аналитика для логистики

Повысить точность планирования перевозок и загрузки складов

Собрали систему предиктивной аналитики на no-code/low-code-стеке с ML-моделью под капотом:

• Сбор и подготовка данных через n8n

n8n по расписанию стягивает данные из TMS/WMS, CRM, биллинга, а также внешние источники: погода, календари праздников, акции клиентов.

На лету данные чистятся и приводятся к единому формату и сохраняются в Supabase.

• Единое хранилище и витрины данных в Supabase (PostgreSQL + SQL)

История заказов, точки погрузки/выгрузки, маршруты, пробеги, задержки и простои — всё лежит в одной базе.

SQL-скрипты готовят витрины для модели и аналитики.

• Прогноз спроса на Python

На стороне backend-сервиса (Python + немного Node.js) обучили и развернули ML-модель прогнозирования объёмов перевозок по направлениям с учётом сезона, погоды, промо и исторических паттернов.

Модель вызывается по API из сценариев n8n.

• Оптимизация маршрутов и загрузки

Скрипты на Node.js пересчитывают план маршрутов и загрузку транспорта, исходя из прогнозов: куда отправить какие машины, сколько рейсов закладывать, где усилить смену на складе.

• Дашборды для логистов на Bubble

В веб-кабинете логисты видят: прогнозы по дням и направлениям, рекомендованные маршруты, риски перегрузок/простоев.

Интерфейс сделан на Bubble, визуализация — через HTML/CSS/JavaScript-виджеты и SQL-запросы к Supabase.

• Компания перестала «промахиваться» по объёмам: стало понятно, когда ожидать пики и просадки по каждому направлению.
• Машины стали чаще ездить загруженными и реже стоять во дворе без работы.
• Большинство доставок теперь укладывается в обещанные окна, а экономия на логистике и повышение эффективности быстро окупили проект.