Коротко
- История продаж не равна истории спроса, если товар отсутствовал.
- Модель выбирают по типу спроса и горизонту решения.
- Точность оценивают вместе со смещением прогноза и бизнес-эффектом.
Какое решение помогает принять материал
Подобрать способ прогноза под тип спроса, проверить модель на будущих периодах и не перепутать продажи с реальным спросом.
- Основной вопрос
- как прогнозировать спрос на товар
- Тематический раздел
- Прогноз и закупки
Минимальный набор метрик
WAPE = сумма абсолютных ошибок / сумма фактического спроса.
Bias показывает систематическое завышение или занижение прогноза.
Одна средняя метрика по всей матрице скрывает качество на разных сегментах, поэтому показатели считают по категориям и типам спроса.
Какие данные нужны
Базовый набор — дата, SKU, склад или точка, количество продаж, возвраты, цена, остаток и факт наличия. Для более точного прогноза добавляют промо, календарь, изменение ассортимента, заказы клиентов, поставки, аналоги и внешние факторы.
Главная проблема — цензурированный спрос: при нулевом остатке продажи равны нулю, но потребность могла существовать. Если не отметить такие периоды, модель обучится занижать спрос на ходовой товар.
Какие методы использовать
| Ситуация | Подход | Что важно |
|---|---|---|
| Ровный спрос | Скользящее среднее, экспоненциальное сглаживание | Прозрачность и стабильность |
| Тренд и сезонность | ETS, SARIMA, Prophet-подобные модели | Достаточная история и календарь |
| Много факторов | Градиентный бустинг и другие ML-модели | Признаки, контроль утечки данных |
| Прерывистый спрос | Croston и специализированные методы | Отдельная оценка интервалов и объёмов |
| Новый товар | Аналоги, атрибуты, экспертный сценарий | Явная неопределённость |
Как учитывать промо, сезонность и дефицит
Промо нельзя оставлять неразмеченным всплеском: нужны механика, период, глубина скидки и доступность. Сезонность проверяют на нескольких циклах и связывают с календарём. Дефицитные периоды маркируют и восстанавливают потенциальный спрос отдельным правилом.
Для крупных сетей важна иерархия: прогноз на SKU × точка может быть шумным, но категория × регион — устойчивой. Согласование уровней помогает сохранить сумму и распределить спрос вниз.
Как честно сравнить модели
Используют скользящую проверку по времени: модель в каждом окне знает только прошлое. Сравнивают её не с идеалом, а с текущим базовым методом — прошлым периодом, сезонным наивным прогнозом или действующим планом закупщика.
Кроме WAPE и Bias смотрят, как прогноз влияет на дефицит, излишек и стабильность заказа. Модель с чуть худшей статистической ошибкой может быть полезнее, если её решения устойчивы и понятны пользователю.
Как превратить прогноз в закупку
К прогнозу добавляют остаток, открытые заказы, срок поставки, страховой запас, MOQ, кратность, бюджет и календарь. Результатом становится не график, а рекомендация: сколько заказать, когда и почему.
В аудите ПроЗапасы мы сначала проверяем историю и пригодность данных, затем выбираем пилотный сегмент. Это позволяет понять, где прогноз действительно улучшит решение, а где сначала нужно исправить справочники или процесс поставки.
Почему сначала нужен простой baseline
Сложную модель сравнивают не с нулём, а с понятным базовым прогнозом: последним фактом, сезонным аналогом или скользящим средним. Если алгоритм не выигрывает у baseline на будущих периодах и на нужном горизонте, усложнение не приносит бизнесу доказанной пользы.
Проверка должна имитировать реальную работу. Для недельной закупки нельзя случайно использовать данные из будущего или оценивать только прогноз на один день. Подход rolling origin последовательно сдвигает дату прогноза и измеряет ошибки так, как они возникали бы в эксплуатации.
Ошибка прогноза должна учитывать цену решения
MAPE удобен, но нестабилен при нулевом и малом спросе. MAE проще интерпретировать в штуках, WAPE даёт агрегированную относительную оценку, bias показывает систематическое завышение или занижение. Для закупок этого мало: дефицит ходовой позиции и излишек редкой позиции имеют разную стоимость.
Поэтому модели сравнивают не только по математической ошибке, но и через симуляцию решения: какой заказ был бы сформирован, сколько возникло бы дефицита, какой средний запас потребовался и сколько исключений пришлось бы разбирать вручную.
Частые вопросы
Сколько истории нужно для прогноза?
Зависит от сезонности и частоты спроса. Для годовой сезонности желательно несколько полных циклов, но для ровного спроса пилот возможен и на более короткой истории.
Можно ли прогнозировать новые товары?
Да, через аналоги, атрибуты, категорийные профили и сценарии, но неопределённость должна быть явно выше.
Какая точность прогноза считается хорошей?
Универсального процента нет. Сравнивайте с базовой моделью по сегментам и оценивайте влияние на доступность и запасы.
Источники и методика
Расчётные примеры в статьях являются учебными, если прямо не указано иное. Они показывают методику, но не обещают такой же результат для конкретной компании.
- Forecasting: Principles and Practice Методы временных рядов, точность прогнозов и ограничения данных.
- Time series cross-validation Проверка моделей с последовательным сдвигом горизонта без использования будущих данных.