AI-прогнозирование спроса на коллекции — точность без перепроизводства

Как мы прогнозируем спрос на fashion-коллекции?

Короткий жизненный цикл SKU (6–12 недель), высокая зависимость от трендов и погоды, отсутствие исторических данных по новым артикулам — всё это делает традиционные методы планирования неэффективными. ARIMA и exponential smoothing дают WAPE >50% на новых артикулах — для fashion это убытки. Наш атрибутный подход на LightGBM обеспечивает WAPE <30% уже для новинок, а с учётом трендовых сигналов — ниже 25%. Это в 1,7 раза точнее ARIMA. Такой подход снижает overstocks и stockouts на 20–35%. Для сети с оборотом $10 млн экономия достигает $350 000 в год. За 5 лет мы реализовали 30+ проектов в ритейле и e-commerce — от масс-маркета до премиум-сегмента. Гарантируем точность прогноза на уровне ±10% sell-through rate для established SKU.

Особенности fashion-прогнозирования

Холодный старт и короткий жизненный цикл

Новая коллекция — нет исторических продаж. Решения:

• Attribute-based forecasting: прогноз через характеристики (цвет, паттерн, категория, ценовой сегмент)
• Transfer learning: похожий артикул прошлого сезона как anchor
• Analogous items: кластеризация новинок к существующим SKU с историей

Классические временные ряды требуют длинной истории. Вместо этого — кросс-секционные модели на уровне артикула. LightGBM на атрибутах даёт WAPE <30% на новинках — вдвое точнее ARIMA.

Сезонность и тренды

# Decomposition sales signal
# Sales = Seasonal × Category Trend × Fashion Trend × Price Effect × Random
# Fashion Trend: внешние сигналы (Instagram, Vogue, runway)

Источники данных

Внутренние:

• POS-данные по неделям: продажи, возвраты, скидки
• Инвентарные данные: остатки, out-of-stock даты
• Характеристики продукта: категория, бренд, цвет, материал, размеры, цена

Внешние трендовые сигналы:

• Google Trends: динамика поисковых запросов по категориям
• Instagram/Pinterest: engagement на fashion-контент (через API или scraping)
• Runway анализ: детекция трендов с показов (CV на фото с ModaOperandi, Vogue Runway)
• Погодные данные: температура напрямую влияет на продажи куртки/купальника

Social Listening:

trend_features = {
    'google_trends_category_4w': trends_api_value,
    'instagram_hashtag_growth': hashtag_weekly_growth_rate,
    'search_volume_brand': keyword_planner_volume,
    'temperature_deviation': weather_vs_seasonal_norm,
    'competitor_stockout_signal': scraped_inventory_depletion
}

Модели прогнозирования

Attribute-based LightGBM

Для каждой новинки — предсказание peak week sales и sell-through rate на основе атрибутов + trend features. Обучение на исторических коллекциях.

Cluster + Analogous Item

from sklearn.cluster import KMeans

# Кластеризация по attribute embedding
def find_analogous_items(new_item_features, historical_items, n_clusters=50):
    kmeans = KMeans(n_clusters=n_clusters)
    labels = kmeans.fit_predict(historical_items['features'])
    new_cluster = kmeans.predict([new_item_features])[0]
    analogs = historical_items[labels == new_cluster]
    return analogs.sort_values('similarity_score', ascending=False).head(5)

Life cycle curve clustering

Не все артикулы одинаковы. Кластеризация life cycle curves:

• Тип A: быстрый старт → плавный спад (bestseller)
• Тип B: медленный старт → пик на 4-й неделе (niche item)
• Тип C: ровные продажи, базовые артикулы Прогноз формы кривой → распределение заказа по времени.

Сравнение моделей:

Pre-Season и In-Season корректировка

Pre-Season planning (за 6-9 месяцев до старта)

• Начальный заказ на основе attribute forecast
• Buy quantities по размерной сетке (size curve модель)
• Open-to-buy бюджет по категориям

Как in-season корректировка улучшает прогноз?

После первых 2-3 недель реальных продаж — Bayesian update исходного прогноза:

def bayesian_forecast_update(prior_forecast, observed_sales, sell_through_weeks):
    """
    Обновление прогноза по первым неделям
    Sell-through rate в первые 2 недели = сильный предиктор финального результата
    """
    early_st_rate = observed_sales / prior_forecast[:sell_through_weeks].sum()
    scaling_factor = early_st_rate ** 0.7  # регрессия к среднему
    return prior_forecast * scaling_factor

Reorder и markdown триггеры

• Если sell-through > 70% на 4-й неделе → reorder (если возможно по производственному циклу)
• Если sell-through < 30% на 6-й неделе → начало уценивания по markdown calendar

Байесовское обновление после 2 недель продаж улучшает точность прогноза на 40% — это позволяет избежать как дефицита, так и избытка товара.

Размерная дистрибуция

Size Curve моделирование

Исторически: XS:S:M:L:XL = 5:20:35:25:15 для данной категории. ML корректирует по регионам, каналам и ценовому сегменту:

size_curve = lgbm.predict_proba(
    category=category,
    price_tier=price_tier,
    channel=['online', 'store'],
    region=region
)
# → оптимальное соотношение размеров в заказе

Проблема последнего размера: stockout по одному размеру = потеря всей продажи. Оптимизация: небольшой буфер по размерам с наименьшей доступностью.

Результаты и объём работ

Метрики оценки

Что вы получаете

• Разработка и обучение модели прогнозирования (LightGBM / Transformer)
• Интеграция с вашей POS/ERP системой
• Настройка дашборда в Tableau / Power BI
• Обучение команды работе с системой
• 3 месяца пост-релизной поддержки

Свяжитесь для оценки вашего проекта — мы проведём feasibility-анализ за один день. Получите консультацию: наши инженеры помогут подобрать оптимальное решение.

Подход основан на исследованиях в области transfer learning для fashion-ритейла.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.