Любая компания, которая продаёт товары, постоянно отвечает на один и тот же вопрос: сколько закупить. Закажешь много — деньги заморожены в складских остатках, товар устаревает, портится или уходит с распродажей в минус. Закажешь мало — полки пустые, клиенты уходят к конкурентам, а упущенную выручку никто не считает, хотя она часто больше, чем потери от излишков.
Традиционно этот вопрос решают опытные закупщики с помощью таблиц, средних продаж за прошлые периоды и интуиции. Пока ассортимент небольшой, это работает. Когда позиций тысячи, а точек продаж десятки, человеческого внимания на всё не хватает. Машинное обучение позволяет строить прогноз для каждой позиции в каждой точке, учитывая десятки факторов одновременно. Разберёмся, как это устроено, что нужно для старта и чего ждать от результата.
Чем ML-прогноз отличается от средних продаж
Самый простой способ прогнозирования — взять продажи за последние несколько недель и предположить, что дальше будет так же. Чуть сложнее — учесть сезонность: в декабре продаём больше, чем в феврале. Эти методы понятны и прозрачны, но у них есть фундаментальные ограничения.
Они не учитывают факторы, которые влияют на спрос прямо сейчас:
- промоакции и скидки — собственные и конкурентов;
- праздники и выходные, которые каждый раз выпадают на разные дни недели;
- погоду — для напитков, одежды, сезонных товаров она решает многое;
- наличие товара на полке — если товара не было, нулевые продажи не означают нулевой спрос;
- появление новых позиций, которые забирают часть спроса у существующих;
- изменения цены и её соотношение с ценами аналогов.
Модели машинного обучения учитывают все эти факторы одновременно и находят закономерности, которые человек не заметит: например, что определённая категория растёт в первые тёплые выходные весны, а промо на один товар снижает продажи соседнего.
Ценность ML-прогноза не в том, что он всегда точнее эксперта, а в том, что он даёт точность эксперта для каждой из тысяч позиций одновременно.
Какие данные нужны
Качество прогноза определяется данными сильнее, чем выбором алгоритма. Перед стартом проекта стоит провести инвентаризацию того, что у вас есть.
Обязательные данные
- История продаж в разрезе товара, точки продаж и дня. Минимально — год, лучше два-три, чтобы модель увидела повторяющуюся сезонность.
- Справочник товаров с категориями, брендами, характеристиками. Нужен, чтобы модель могла переносить знания между похожими товарами и прогнозировать новинки.
- Остатки на складах и в точках. Без них невозможно отличить отсутствие спроса от отсутствия товара.
Желательные данные
- Календарь промоакций с механикой, глубиной скидки и сроками.
- История цен, включая изменения регулярной цены.
- Справочник точек продаж с форматом, площадью, расположением.
- Внешние факторы: календарь праздников, погода, события в городе.
Типичные проблемы с данными
На практике данные почти никогда не бывают идеальными. Часто встречаются пропуски в истории, изменения кодов товаров при смене поставщика, возвраты, перемешанные с продажами, и промоакции, которые нигде не зафиксированы, кроме памяти маркетолога. Подготовка данных обычно занимает до половины времени проекта, и экономить на этом этапе нельзя.
Как устроены модели
Не обязательно разбираться в математике, чтобы заказать проект прогнозирования. Но общее понимание помогает задавать правильные вопросы.
Статистические модели
Классические методы анализа временных рядов хорошо работают для стабильных товаров с длинной историей. Они быстрые, интерпретируемые и служат хорошей базовой линией, с которой сравнивают более сложные подходы.
Градиентный бустинг
Самый популярный подход в промышленных системах прогнозирования. Модель обучается на таблице, где каждая строка — товар в точке в конкретный день, а столбцы — признаки: продажи за прошлые периоды, день недели, цена, наличие промо, погода. Такие модели хорошо работают с большим количеством факторов и дают понятную информацию о том, какие признаки важнее.
Нейросетевые модели
Подходят для очень больших ассортиментов и сложных взаимосвязей. Требуют больше данных и вычислительных ресурсов, сложнее в интерпретации. Оправданы не всегда — нередко хорошо настроенный бустинг даёт сопоставимую точность.
Иерархическое прогнозирование
Прогноз строится на разных уровнях: товар в магазине, товар по региону, категория в целом. Затем уровни согласуются между собой. Это помогает для редко продаваемых позиций, где на уровне отдельного магазина данных мало, а на уровне категории закономерности хорошо видны.
Как измерять точность
Без договорённости о метриках невозможно понять, стал ли прогноз лучше. Здесь есть несколько подводных камней.
Популярная метрика — средняя процентная ошибка. Она понятна, но плохо работает для товаров с низкими продажами: если продали одну штуку, а прогноз был две, ошибка составляет сто процентов, хотя для бизнеса это несущественно. Поэтому чаще используют взвешенные метрики, где ошибки по крупным позициям весят больше.
Важно смотреть не только на величину ошибки, но и на её смещение. Модель, которая систематически занижает прогноз, приведёт к постоянным дефицитам, даже если её средняя ошибка невелика.
Но главное — бизнес-метрики, ради которых всё затевалось:
- уровень доступности товара на полке;
- оборачиваемость запасов;
- объём списаний и уценок;
- упущенные продажи из-за дефицита;
- доля ручных корректировок заказов закупщиками.
Именно по ним стоит оценивать успех проекта. Точность прогноза — средство, а не цель.
От прогноза к заказу
Прогноз спроса сам по себе не приносит денег. Деньги появляются, когда на его основе принимаются решения о закупках и распределении товара. Здесь важно продумать несколько вещей.
- Расчёт страхового запаса. Прогноз всегда содержит неопределённость. Модель должна выдавать не одно число, а диапазон, на основе которого рассчитывается запас под нужный уровень сервиса.
- Учёт ограничений. Минимальная партия у поставщика, кратность упаковки, сроки поставки, вместимость склада и полки.
- Формирование заказа. Система предлагает заказ, закупщик проверяет и при необходимости корректирует.
- Обратная связь. Корректировки закупщиков фиксируются с причиной. Это помогает улучшать модель и выявлять факторы, которые она пока не учитывает.
Интеграция с учётной системой — обязательная часть проекта. Если прогнозы живут в отдельной таблице, а заказы по-прежнему формируются вручную, эффект будет минимальным.
Типичные ошибки проектов
Ставка на алгоритм вместо процесса
Команда месяцами улучшает точность модели на доли процента, а прогнозы не используются, потому что закупщики им не доверяют или им неудобно с ними работать. Лучше раньше выйти в эксплуатацию с хорошей моделью, чем бесконечно доводить идеальную.
Игнорирование дефицитов в истории
Если в прошлом товара не было на полке, продажи были нулевыми. Модель, обученная на таких данных, решит, что спроса нет, и прогноз будет занижен. Возникает замкнутый круг: дефицит порождает низкий прогноз, низкий прогноз порождает новый дефицит. Данные нужно очищать с учётом остатков.
Отсутствие доверия пользователей
Закупщики годами работали по своему опыту. Если им дать чёрный ящик, который выдаёт непонятные цифры, они будут его игнорировать. Помогает прозрачность: показывать, почему прогноз именно такой, какие факторы на него повлияли, и давать возможность корректировать с фиксацией причины.
Прогноз без сценария для новинок
Новые товары не имеют истории, но именно по ним ошибки особенно дорогие. Нужен отдельный подход: прогноз по аналогам, по характеристикам, с более частой корректировкой в первые недели продаж.
Разовый проект вместо живой системы
Модель обучили, внедрили и забыли. Через полгода изменился ассортимент, появились новые точки, поменялось поведение покупателей — точность упала. Прогнозирование требует регулярного мониторинга и переобучения.
Пошаговый план внедрения
- Диагностика. Анализируем текущий процесс планирования, качество данных, считаем базовые метрики: доступность, оборачиваемость, списания.
- Пилотная категория. Выбираем категорию с достаточной историей и заметным влиянием на бизнес. Не самую сложную и не самую простую.
- Подготовка данных. Собираем, очищаем, восстанавливаем спрос в периоды дефицитов, формируем признаки.
- Модель и проверка. Обучаем модели, сравниваем с текущим методом на исторических данных.
- Пилот в эксплуатации. Несколько недель прогноз используется для формирования заказов в пилотных точках, контрольная группа работает по-старому.
- Оценка эффекта. Сравниваем бизнес-метрики пилотной и контрольной групп.
- Масштабирование. Расширяем на другие категории и точки, автоматизируем переобучение и мониторинг.
Практические советы
- Начните с инвентаризации данных. Часто полезный результат даёт уже сама попытка собрать историю продаж, остатков и промо в одном месте.
- Фиксируйте промоакции. Если сейчас информация о них разбросана по письмам и таблицам, наладьте учёт — это пригодится в любом случае.
- Вовлекайте закупщиков с первого дня. Их знания о рынке помогут построить лучшие признаки, а участие в проекте снимет сопротивление.
- Договоритесь о бизнес-метриках заранее. И зафиксируйте их текущие значения.
- Планируйте контрольную группу. Только сравнение с ней позволит честно оценить эффект, отделив его от сезонности и рыночных изменений.
- Не ждите идеальных данных. Модель можно строить на том, что есть, и параллельно улучшать сбор информации.
Вывод
Прогнозирование спроса с помощью машинного обучения — зрелая технология, которая даёт измеримый эффект: меньше дефицитов, меньше излишков, быстрее оборачиваемость запасов. Но успех определяется не столько выбором модели, сколько качеством данных, интеграцией с процессом закупок и доверием людей, которые принимают решения. Лучшие результаты получаются, когда модель и эксперт работают вместе: машина считает тысячи позиций, а человек корректирует там, где знает больше.
Если вы хотите понять, какой эффект прогнозирование может дать именно вашему бизнесу, мы проведём диагностику данных и процессов и предложим план пилота. Подробнее о направлении — на странице AI-решения. Если прогнозы нужно встроить в существующую учётную систему, посмотрите также разработку ERP.