Почему прогнозирование спроса fashion срывается на сезонных пиках
Сезонный пик продаж в fashion укладывается в несколько недель, а закупка коллекции фиксируется за месяцы до него. Ошибка в прогнозе здесь не сглаживается: нераспроданные остатки коллекции уходят в уценку, а упущенные продажи по ходовым размерам уже не вернуть — полка пустая, покупатель ушёл к конкуренту. Размерная сетка превращает ставку в матрицу: промах в распределении по размерам портит результат даже при верном общем объёме.
Первое узкое место — история продаж. По новым артикулам её нет: товар живёт один сезон, повторить нечего, а переносить цифры похожей модели напрямую опасно — посадка и цвет дают разброс, который не описывается средним. Второе — акции: скидочные недели и распродажи искажают сигнал, и модель учится на спросе, которого не было. Если выбросы не вычищены, прогноз смещается в сторону скидки, а базовый спрос недооценивается.
Дальше — сводимость данных. Иерархия «категория — модель — цвет — размер» в учётной системе, у поставщика и в файлах планировщика описана по-разному: разные коды размеров, объединённые цвета, разъехавшиеся названия коллекций. Пока справочники не согласованы, расчёт на уровне размерной сетки распадается — сумма по размерам не сходится с итогом по модели. Ручной перенос цифр между таблицами добавляет сдвиг строки при копировании, который всплывает уже по факту поставки.
Каждое из этих мест ломает прогнозирование спроса fashion по-своему, но лечится общим: приведёнными к единому виду данными и моделью, которая учитывает сезонность, акции и неопределённость по новым артикулам. Ниже разбираем, как это закрывается.
Эффект в цифрах: точность плана, остатки, упущенные продажи
Считаем эффект от одной базовой линии: план прошлых сезонов сопоставляем с фактом по неделям, отдельно на уровне коллекции и на уровне артикула. Точность планирования по коллекции обычно держится в районе 60–70%, а по артикулу проседает до 40% — ручной план выравнивает группы и не видит локального спроса внутри сезона.
После перехода на управляемое планирование точность по коллекции выходит на 85–90%, по артикулу — на 70–75%. Это сразу видно в закупке: нераспроданные остатки сокращаются с четверти объёма до 10–12%, а глубина скидки на распродаже ограничивается первой-второй ступенью уценки вместо финальной. Оборачиваемость коллекции ускоряется — товар проходит сезон, а не переезжает в следующий.
Упущенные продажи закрываются скоростью реакции. План пересчитывается не раз в квартал, а по недельной сетке: всплеск спроса по артикулу фиксируется за 5–7 дней, добор и перераспределение между складами попадают в ближайшую поставку, а не в следующий сезон. По хитам доля упущенных продаж падает в разы — задержка перестаёт съедать спрос.
Отдельно снят класс ошибок при ручном переносе данных: номенклатуру сверяем по справочнику GS1, загрузки идут с контролем целостности и встречной сверкой объёмов по коллекции и артикулу. Расхождения больше не всплывают в середине сезона — они отсекаются на входе, до того как попадут в план.
Варианты построения: иерархия товаров, частота пересчёта, горизонт
Схему прогнозирования выбирают не по «точности модели», а по тому, на каком уровне принимаются решения о закупке. Если план утверждают по коллекции целиком — детальный прогноз по каждому артикулу только создаёт шум; если закупка идёт по типоразмерам, единая цифра не подскажет структуру. Отдельно настраиваются горизонт планирования (сезон или квартал) и частота пересчёта: частый пересчёт ловит сдвиг спроса, но требует, чтобы согласование плана успевало за ним.
| Вариант | Когда подходит | Ограничения |
|---|---|---|
| Единый прогноз по коллекции | Узкий ассортимент, решение о закупке принимается целиком | Не показывает распределение по моделям и типоразмерам, ошибка в структуре коллекции остаётся незамеченной |
| Плоский прогноз по артикулу | Широкий ассортимент с историей продаж по каждой позиции | Редкие позиции без истории дают шумный ряд, сумма по артикулам расходится с планом по категории |
| Два уровня: категория → модель | Стабильные категории, план утверждается на уровне категории | Нужно ручное согласование плана между уровнями, при разной частоте пересчёта уровни расходятся |
| Полная иерархия товаров с агрегацией прогноза | Длинный горизонт, закупка по типоразмерам и цветам | Дороже в сопровождении, требует регулярной сверки: агрегация прогноза снизу вверх должна совпадать с планом сверху вниз |
На практике начинают с двух уровней и добавляют третий, когда расхождение между суммой по моделям и планом по категории перестаёт укладываться в допустимый коридор.
Как проходит внедрение: от аудита данных до регламента пересчёта
Внедрение прогнозирования спроса начинается не с модели, а с данных о продажах: пока непонятно, что происходило с коллекциями в прошлых сезонах, любая точность на будущее — случайное число. Поэтому шаги идут последовательно, и каждый опирается на результат предыдущего.
- Аудит данных о продажах. Смотрим, что реально есть: выгрузки из учётной системы, касс, интернет-магазина и оптовых отгрузок. Отмечаем пропуски, дубликаты, возвраты и участки, где распродажа исказила историю.
- Подготовка истории. Собираем единую схему: артикул, цвет, размер, дата, канал, цена и остаток на складе. Приводим всё к одному календарю и сопоставляем с поставками и промо-периодами.
- Настройка и обучение. Модель учится на подготовленной истории, отдельно учитывая сезонность, новинки и товары без предыстории — запуск новой коллекции самый рискованный случай.
- Проверка на ретроспективе. Модель «прогнозирует» уже прошедший сезон, где ответ известен. Так видно поведение на пиках и распродажах, а не абстрактную метрику.
- Замер отклонений. Разбираем ошибку по категориям и артикулам: где спрос переоценили, где недооценили и какая причина за этим стоит.
- Регламент пересчёта. Фиксируем, по каким событиям и с какой периодичностью прогноз обновляется, кто вносит ручные корректировки и как они учитываются дальше.
- Передача команде заказчика. Отдаём схему данных, настройки, инструкции и обучаем сотрудников, чтобы пересчёт шёл без нашего участия.
После этого прогнозирование спроса fashion-коллекций становится повторяемым процессом: результат воспроизводится на новом сезоне, а отклонения измеряются, а не обсуждаются на вкус.
Комплект поставки: модели, регламенты, панель контроля
После запуска у команды заказчика остаётся не демонстрация, а рабочий комплект, с которым планировщики работают ежедневно и который можно передать новому инженеру без устных пояснений. Мы фиксируем в нём всё, что влияет на цифру прогноза: откуда приходят данные, как учитываются акции, кто и что может менять.
- Настроенные расчёты по коллекциям: прогноз по артикулам и размерам, переобучение по расписанию, отдельные модели для новинок и продолжающихся линеек.
- Описание схемы данных: источники продаж, склада и поступлений, правила сопоставления, обработка пропусков и дублей.
- Правила обработки акций и поступлений: распродажи, промо, сдвиг дат поставки, замещение товара внутри линейки.
- Панель контроля: точность за прошедшие периоды, отклонение от факта, сигнал при расхождении модели с реальностью.
- Инструкция планировщика: как читать прогноз, вносить ручную поправку и фиксировать её причину, чтобы она учитывалась дальше.
- Матрица прав доступа: роли — кто только смотрит, кто корректирует, кто меняет настройки расчёта.
- Документация по расчётам: логика метрик, версии моделей, журнал изменений, порядок отката к предыдущей.
С таким комплектом новые коллекции заводятся по регламенту силами вашей команды, а не через нас.
Кейс: как сократили нераспроданные остатки в сезонной коллекции
Сеть женской одежды Nordline закупала сезон за четыре-пять месяцев до старта продаж, опираясь на прошлогодние продажи и правки байеров по трендам. На уровне категории прогноз сходился, а внутри размерно-цветовой матрицы ошибка доходила до 40%: объём размазывался «на всякий случай», ходовые размеры уходили в дефицит к третьему месяцу. Узким местом планирования была не средняя точность, а распределение объёма между артикулами и размерной кривой.
Прогноз построили на недельных продажах с признаками: сезонность категории, погодные ряды по регионам, календарь акций, цена и история наличия — чтобы модель различала «не купили» и «не было на полке». Отдельным слоем вынесли размерные кривые, отдельными моделями — базовую и модную линии: у них разная предсказуемость и разный страховой запас. Пересчёт еженедельный, байер видит интервал неопределённости и план дозакупки, а не одно число.
За сезон средневзвешенная ошибка прогноза упала с 38% до 19%, доля позиций с ошибкой выше 30% — с 46% до 18%. Нераспроданные остатки в конце коллекции сократились втрое, упущенные продажи из-за отсутствующих ходовых размеров — с 7% до 2%. Доля продаж по полной цене выросла, глубина уценки уменьшилась.
Кейс воспроизводится там, где есть хотя бы два сопоставимых сезона истории продаж и остатков: без неё модель не отличается от мнения байера, с ней планирование становится проверяемым.
Чем отличается прогнозирование по коллекциям от прогноза по артикулам?
Разница между двумя уровнями планирования — не в горизонте, а в природе сигнала. Артикул даёт короткий и шумный ряд: несколько точек продаж, нули по невыведённым сочетаниям, всплески от акций. Коллекция укрупняет историю до линии или категории, где сезонность и тренд читаются устойчиво, — поэтому прогноз по коллекции точнее на длинном горизонте, а прогноз по артикулам сильнее на коротком.
Агрегированный уровень закрывает решения, которые нельзя принять по частям: закупка полотна и фурнитуры, загрузка линий, план сезона целиком. Детальный уровень нужен там, где решение локально: размерная сетка, раскладка по каналам и складам, приоритет повторного заказа. Смешивать оба в одном ряду нельзя — план производства окажется завышенным, а по конкретным артикулам возникнет дефицит.
Частая ошибка агрегации — сложить прогноз по артикулам до коллекции. Смещения на отдельных рядах не компенсируют друг друга, а накапливаются, и на агрегате появляется систематический перегруз. Обратный путь — разложить коллекционный прогноз по прошлым долям — не ловит внутрисезонные сдвиги: вытянувшая продажи модель получает долю прошлого периода. Оба варианта дают план, который расходится сам с собой.
Согласование уровней делаем реконсиляцией: базовые ряды считаем в Prophet по каждой ветке иерархии, затем приводим к согласованному виду — снизу вверх, сверху вниз или с весами по накопленной ошибке. На выходе один набор чисел: сумма по артикулам равна прогнозу по коллекции, и расхождение перестаёт всплывать на этапе отгрузки.
Держим под контролем два показателя — согласованность уровней после реконсиляции и точность на агрегате: по ним видно, не сломали ли общий план ради локальных рядов. Перепроизводство по проблемным группам сокращается в разы, а по базовым линиям отклонение прогноза остаётся в границах, при которых закупка не уходит в сток.
Частые технические вопросы: данные, сезонность, переобучение
Прогноз спроса ломается не на математике, а на данных: короткая история, промо-всплески, новые артикулы без единой продажи. Ниже — инженерные ответы на сомнения, которые чаще всего всплывают перед стартом.
Что делать, если по артикулу всего два-три сезона продаж?
Строим иерархию: сначала прогноз на уровне категории и фасона, где истории достаточно, затем распределяем его на артикул по признакам — силуэт, цвет, ценовой сегмент, канал сбыта. Для совсем новых позиций подключаем перенос с похожих артикулов прошлых сезонов. Такой прогноз выдаём интервалом, а не одним числом: планировщик видит ширину вилки и закладывает буфер там, где модель уверена меньше.
Акции и распродажи искажают историю — как это учитывается?
Промо-периоды помечаем отдельным признаком и вычитаем их эффект из базовой линии, чтобы модель училась на «чистом» спросе. Сам всплеск прогнозируем отдельно — по глубине скидки, длине акции и прошлой реакции категории. Без этого разделения модель запоминает разовую распродажу как новый базовый уровень и завышает план следующего сезона.
Точность упала на живых данных — какой порядок действий?
Не переобучаем сразу. Сначала недельная ошибка разбирается по слоям: новые артикулы, промо-дни, смена ассортимента, дефицит на складе — когда спрос есть, а товара нет, и продажи не отражают реальный запрос. Чаще всего причина именно в данных, и правка выгрузки возвращает точность без вмешательства в модель.
Как часто нужно переобучение и чем контролируется результат?
Регулярное обновление идёт на скользящем окне последних сезонов, полное — перед закупочной кампанией, плюс внеплановое при резкой смене ассортимента. Каждое обновление проверяем на отложенном периоде: прогоняем модель по прошлым сезонам и сравниваем с простым ориентиром «как в прошлом году». Если обновлённая версия его не обыгрывает, она не уходит в работу.
Обсудим задачу: с чего начнём и что подготовить
Чтобы разговор был предметным, полезно заранее собрать то, что у вас уже есть в учётных системах и таблицах планирования. Это не подготовка к тендеру: по этим данным мы уже на первой встрече видим, каких сигналов хватает для модели, а какие придётся восстанавливать из косвенных источников. По итогам обсуждения задачи вернёмся с оценкой и планом работ — этапами, составом команды и сроком первой проверяемой версии.
- Выгрузка продаж по артикулам за 2–3 сезона: дата, канал или точка, количество, цена со скидкой. Чем длиннее история, тем устойчивее модель ловит сезонность и всплески.
- Структура категорий и иерархия товаров: как связаны коллекция, модель, цвет и размер. От этого зависит, на каком уровне строить прогноз — по группе или по каждому артикулу.
- Календарь сезонов и стартов: даты запусков, поступлений, распродаж и акций. Без него рост спроса не отличить от разовой кампании.
- Текущий процесс планирования: кто и на каком основании решает объём закупки, какие правки вносятся вручную и почему.
- Данные о поставках: сроки, кратность и ограничение по минимальной партии — прогноз должен быть выполнимым, а не идеальным на бумаге.
- Перечень источников, которые уже используются: отчёты, файлы планировщиков, выгрузки из учётной системы. Опишите задачу в свободной форме — остальное уточним на созвоне.
