Почему прогнозирование спроса в ритейле ломается на промо
Классическая модель прогнозирования спроса в ритейле строится на истории продаж: скользящее среднее или экспоненциальное сглаживание по каждому товару и точке. Пока неделя похожа на предыдущую, точность прогноза держится на приемлемом уровне. Как только в календаре появляется промо, модель продолжает тянуть тренд из «спокойных» недель и промахивается мимо пика в разы.
Разовые акции — первый провал. Скидка, выкладка на паллете и рассылка срабатывают одновременно, спрос вырастает в несколько раз, а система закупок читает это как новый устойчивый уровень. Дальше — ошибки в закупках: следующий заказ идёт под завышенный прогноз, товар оседает на складе, сроки годности уходят, полка занята тем, что не продаётся.
Сезонные пики и локальные всплески устроены иначе. Здесь важна не величина подъёма, а дата его начала и глубина по каждой точке: в магазине у школы спрос на соки уходит вверх за две недели до сентября, в соседнем районе — не меняется вовсе. Усреднённый прогноз по региону этот разрыв не ловит и даёт дефицит именно там, где спрос был настоящим.
Новые точки — отдельный класс задач: истории нет, опереться не на что, и первые недели закупки идут по средним по сети. Итог одинаков с двух сторон: где-то пустая полка и ушедший к конкуренту покупатель, где-то излишки и списание. Разбираем, как это закрывается — какими данными и какими проверками точности прогноза на промо.
Меньше списаний, точнее закупка: измеримые эффекты системы
Прогноз строится не по средней по сети, а на уровне «магазин × товар × день» с горизонтом до двух недель: модель видит акции, праздники, погоду и локальные всплески. Планировщик получает не абстрактный спрос, а конкретное количество к отгрузке по каждому магазину.
Первый измеримый эффект — доля списаний по скоропорту. Пока заказ формируется по нормативу «не меньше полки», излишек оседает на складе и уходит в утиль. Когда заказ считает прогноз с поправкой на срок годности, списания по категории падают с 4–6% до 1,5–2% от оборота, а упущенные продажи сокращаются на 20–35% — модель заранее поднимает заказ под локальный всплеск.
Второй — оптимизация запасов и загрузка склада. Излишек уходит из паллетомест и с полок, оборачиваемость по категории ускоряется, а доля товара, который лежит дольше срока, сокращается в разы. Закупка перестаёт быть страховкой от неопределённости и становится расчётом.
Третий — время на ручное планирование. Ежедневный пересчёт и автозаказ запускаются по расписанию в Apache Airflow, а планировщик приходит к готовому черновику и тратит время на исключения, а не на сведение таблиц: с двух дней до 40–60 минут в неделю на категорию. Прогноз при этом измеряется, а не принимается на веру — точность на отложенном периоде и смещение по магазинам видны в отчёте.
Подходы к прогнозированию: статистика, машинное обучение, гибрид
Выбор подхода определяется структурой данных, а не модой: длиной ряда, глубиной истории, числом товарных позиций и тем, насколько сильно спрос искажают промо, дефицит полки и смена ассортимента. Один и тот же метод даёт разный результат на стабильном спросе и на товаре с коротким жизненным циклом.
Ниже — три варианта, между которыми реально выбирают, с ограничениями, которые проявляются уже в эксплуатации. Сравнение подходов прогнозирования мы начинаем с замеров на вашей истории, а не с выбора любимого метода.
| Вариант | Когда подходит | Ограничения |
|---|---|---|
| Статистические модели прогноза | Стабильный спрос, длинная история, тысячи рядов, нужна прозрачность расчёта | Слабо ловят промо и резкие сдвиги спроса, требуют ручной настройки сезонности на каждую группу |
| Машинное обучение для прогноза | Много связанных факторов: цена, акции, остатки, погода, праздники; короткие ряды | Нужен объём истории и регулярное переобучение; выше риск переобучения, сложнее объяснить отклонение по позиции |
| Гибридный подход | Сезонная база и промо-всплески одновременно; широкий и быстро меняющийся ассортимент | Дороже в сопровождении: нужны контроль качества данных и мониторинг устаревания модели |
Гибрид закрывает обе крайности: статистическая часть отвечает за тренд и сезонность, модель — за поправку на промо, цену и внешние события. Сравнение подходов ведём на отложенном периоде: смотрим, какая доля позиций укладывается в допустимое отклонение и сколько ручных правок остаётся у категорийного менеджера. Если простое решение даёт ту же точность — берём его, а не нейросеть.
Внедрение по шагам: аудит данных, настройка, проверка, передача
Работа идёт итерациями: сначала разбираем, что реально лежит в данных, и только потом строим модели. Историю продаж почти всегда приходится чистить — в ней есть дни без товара на полке, переоценки, склейки номенклатуры и промо, оформленные задним числом. Пока это не развязано, прогнозирование спроса в ритейле учится на искажённой картине.
- Аудит данных и источников — выгрузки из касс, учётной системы, программы лояльности; сверка номенклатуры, поиск пропусков, оценка глубины истории по категориям.
- Витрина признаков — календарь, промо, цены, остатки, погода; разметка на уровне «магазин — товар — день» с учётом дней отсутствия на полке.
- Базовая линия как ориентир: если модель не обходит простой сезонный расчёт на ваших данных, внедрять нечего.
- Настройка моделей под иерархию — отдельные контуры для скоропорта и товаров длительного хранения, горизонты день и неделя, согласование прогнозов снизу вверх.
- Ретроспективная проверка — скользящее окно и отложенный период, ошибка на уровне «магазин — товар — день», отдельный разбор промо и праздников.
- Приёмка модели — согласованные пороги точности по категориям, разбор худших позиций, регламент отката на базовую линию.
- Передача и обучение команды — регламент переобучения, контроль качества данных, мониторинг отклонений, встраивание прогноза в закупку.
Каждый этап закрывается артефактом: описанием источников, кодом витрины, отчётом о точности, регламентом. Приёмка идёт на ваших данных — вы видите, где модель ошибается, до того как прогноз начнёт влиять на закупки.
Что остаётся в компании: модели, словарь данных, регламенты
После внедрения у команды заказчика остаётся не чёрный ящик, а воспроизводимый контур: по каждому артефакту понятно, что это, откуда взято и как обновлять без нас.
- Обученная модель прогнозирования спроса — с зафиксированными метриками точности на отложенном периоде: сравниваете прогноз с фактом по каждой товарной группе и точке.
- Словарь данных — расшифровка всех полей: кассовые продажи, остатки, поставки, промо-календарь, праздники. С источником, периодичностью обновления и типовыми ошибками выгрузки.
- Документация модели — какие признаки на что влияют, для каких категорий модель применима, где даёт смещение и при каких допущениях считалась сезонность.
- Регламент переобучения — периодичность и триггеры: открытие новых точек, смена ассортимента, сдвиг спроса после промо. Плюс ответственный и порядок проверки после пересчёта.
- Конфигурация пересчёта прогноза — расписание обновления, правила заполнения пропусков, порог, после которого позиция уходит на ручную проверку.
- Матрица зон ответственности — кто владеет источником данных, кто моделью, кто разбирает падение точности на неделе.
- Чек-лист приёмки и тесты — прогон на исторических данных, восстановление из резервной копии, откат на предыдущую версию модели.
Передача идёт двумя сессиями: ваши аналитики вместе с нашей командой разбирают обновление словаря данных и переобучение на реальном срезе продаж. После этого очередное изменение ассортимента не требует внешней поддержки.
Кейс: как сеть магазинов перестала терять на промо и остатках
Перед проектом сеть магазинов формата «у дома» из двухсот точек планировала поставки в таблицах: категорийный менеджер раз в неделю вручную сводил продажи, промо-календарь и остатки. Точность прогноза спроса на неделю держалась около 60%, поэтому закупки страховались запасом — лишь бы полка не пустовала.
Цена этой страховки видна в двух цифрах. Списания скоропорта доходили до девятой части оборота категории, а на промо-неделях всё равно не хватало 12% позиций: спрос подскакивал, а заказ оставался на уровне прошлого сезона.
Что меняли в проекте прогнозирования
Мы собрали витрину истории продаж в разрезе магазин — товар — день и подключили к ней промо-календарь, погоду и локальные события вроде ярмарок и ремонтов дорог. Прогноз считается не по средней по категории, а по каждой связке магазина и товара на горизонт от недели до месяца, пересчёт идёт каждую ночь, поэтому всплеск спроса попадает в заказ уже на следующие сутки. Заказ формируется автоматически, менеджер подтверждает только исключения — новинки, разовые акции, явные аномалии; категорию можно вернуть в ручной режим одной настройкой, если по ней неполные данные.
Метрики до и после
Точность недельного прогноза выросла с 60 до 88%, списания скоропорта упали втрое, доля позиций, которых не хватало на полке, снизилась с 12 до 3%. Оборотный запас сократился примерно на пятую часть при том же уровне сервиса, а подготовка промо-плана занимает час вместо двух дней.
Эффект держится не на разовой настройке, а на регулярном дообучении: модель пересматривается по свежим продажам, а расхождения между прогнозом и фактом разбираются по категориям раз в месяц.
Что делать, если данные разрознены: кассы, склад, онлайн-канал
Разрозненные источники — это норма, а не исключение: кассы дают продажи по чекам, склад — движение и остатки, онлайн-канал — заказы, отмены и возвраты. Пока у них нет общей оси «товар × точка × день», прогнозирование спроса в ритейле учить не на чем: каждая система считает по своей номенклатуре и своему календарю.
Первый шаг — единый справочник товаров. Сопоставляем позиции по штрихкоду, артикулу поставщика и нормализованному названию, спорные случаи подтверждает человек, дальше связка держится автоматически. Для каждого поля задаём приоритет источника: остаток — со склада, цены и скидки — из кассовых выгрузок 1С; конфликты разрешаются по правилу, а не «на глаз».
Второй шаг — качество данных до обучения. Приводим факты к одной гранулярности, размечаем возвраты и списания, отсекаем дубли чеков, отдельно помечаем акции и дни без выгрузки: если дыры не закрыть, модель выучит сбои интеграции вместо спроса. Короткую историю добираем похожими товарами и профилями категорий — прогноз по новинке строится на аналогах, а не на пустом месте.
Дальше объединение источников живёт в одном слое: витрина фактов, справочник, календарь точек и акций. Модель запускаем на согласованном ядре каталога, точность показываем на отложенном периоде и затем расширяем охват. Метрики качества — доля сопоставленных позиций, пропусков, конфликтов справочника — остаются в мониторинге, поэтому деградация данных видна до того, как прогноз разойдётся с полкой.
Частые технические сомнения: качество данных и холодный старт
Холодный старт — не повод ждать год, пока накопится история продаж. Если по товару есть несколько недель наблюдений, прогноз строится через аналоги и категорию целиком: сезонность, акции, праздники, локальные события. Иерархия «категория → товар» даёт оценку даже там, где собственных данных почти нет, и уточняется по мере накопления факта.
Проверка точности идёт не на демо, а на отложенном периоде: модель обучается на прошлом, а её прогноз сравнивается с фактическими продажами, которых она не видела. Ошибку считаем по магазинам, категориям и дням недели — важно видеть, где прогноз проседает, а не только средний показатель.
У нас почти нет истории продаж — прогноз возможен?
Да. Опираемся на профили аналогов и категорийные закономерности, добавляя акции и локальные события. Первые недели модель идёт с широким интервалом и постепенно сужает его по мере накопления фактических продаж.
Как убедиться, что прогноз лучше текущего планирования?
Прогоняем оба подхода на одном отложенном периоде: доля позиций с ошибкой в допустимых границах, систематический перезапас или дефицит, число ручных правок категорийного менеджера. Расхождение фиксируем в отчёте до запуска.
Что делать с неполными данными в учётной системе?
Собираем профиль данных: пропуски в чеках, дубли, расхождения остатков с продажами, разные единицы измерения. Часть чистится автоматически, часть — правилами на стороне интеграции; позиции без восстановимой истории помечаем и исключаем из общей метрики.
Кто сопровождает модель после запуска?
Наши инженеры следят за дрейфом точности при смене ассортимента, цен и поведения покупателей, переобучают модель по расписанию и при аномалиях, разбирают расхождения с командой заказчика — документация и передача знаний входят в работы.
Обсудим задачу и вернёмся с планом и оценкой
Предметный разговор о прогнозировании спроса начинается с данных вашей сети, а не с презентации. Оценка проекта опирается на историю продаж и описание процессов: без вводных вилка по срокам остаётся догадкой, а не расчётом.
Чтобы обсудить задачу по существу, достаточно прислать то, что уже есть в учётных системах:
- выгрузку истории продаж по товарным позициям и точкам за 1–2 года — с возвратами, списаниями и распродажами;
- справочник товаров с категориями, иерархией и признаками сезонности;
- календарь промо и скидок: даты, механика, глубина, охват точек;
- внешние факторы, влияющие на спрос: погода, праздники, локальные события;
- описание текущего процесса планирования закупок и ролей тех, кто им пользуется;
- перечень отчётов и метрик, по которым вы сейчас оцениваете качество прогноза;
- ограничения: доступность данных, ИТ-контур, требования к хранению и доступам.
В ответ вы получите план внедрения по этапам, состав работ с разделением на наши и ваши зоны ответственности, оценку проекта и перечень рисков по качеству данных. Если истории в нужном разрезе нет, предложим схему её накопления и первый контур прогноза на том, что доступно уже сейчас.
