ML-прогноз продаж: от B2B pipeline до B2C ритейла

B2B-компании теряют до 30% выручки из-за неточных прогнозов пайплайна. Классический weighted pipeline не учитывает поведенческие сигналы. Мы решаем это с помощью LightGBM и иерархических моделей — точность возрастает на 20–40% по сравнению с классикой. Закажите аудит данных уже сегодня: от анализа CRM до автоматической отчётности.

Согласно Wikipedia, sales forecasting — прогноз объёма продаж в денежном выражении на будущий период. В отличие от demand forecasting (которое работает с единицами товара), sales forecast оперирует выручкой и напрямую используется для бюджетирования, постановки квот и операционного планирования.

Как ML-модель переоценивает вероятности сделок в CRM?

В B2B прогноз строится на основе sales pipeline. Классический weighted pipeline умножает сумму сделки на вероятность по стадии воронки, но менеджеры часто завышают вероятности из-за оптимизма. ML-модель (LightGBM) использует поведенческие сигналы: количество email-ответов за 14 дней, число вовлечённых stakeholders, время в стадии. Результат — AI probability score, который заменяет ручную оценку и повышает AUC с 0.65 до 0.75–0.85. LightGBM в 1.25 раза точнее Prophet на B2B пайплайне.

Для B2C используем агрегированные временные ряды выручки, транзакций и среднего чека. Классические методы (Prophet, ETS, SARIMA) дополняем ML-фичами: лаги, скользящие средние, календарные события. Такой гибрид даёт MAPE < 8% на квартальном горизонте.

Почему иерархический прогноз точнее единой модели?

Прогноз продаж нужен на нескольких уровнях: общая выручка компании, бизнес-юниты, продуктовые линейки, регионы. Единая модель не учитывает специфику каждого сегмента. Мы строим bottom-up прогноз с reconciliation через метод MinT: каждый узел (например, продукт + регион) имеет свою модель LightGBM, а топ-уровни согласуются для минимизации ошибки. Это даёт точность на 5–10% выше, чем при прямом прогнозе сверху.

Total Company Revenue
├── Business Unit A
│   ├── Product Line 1
│   │   ├── Region EU
│   │   └── Region NA
│   └── Product Line 2
└── Business Unit B

Seasonal и event-driven паттерны

В SaaS/B2B типичен квартальный spike — "хоккейная клюшка" в последние две недели квартала, конец финансового года, бюджетный сезон в октябре-ноябре. В B2C Чёрная пятница и Киберпонедельник приносят 30–50% годовой выручки за 2–3 недели. Обрабатываем это добавлением бинарных регрессоров в Prophet/LightGBM — флаги событий и количество дней до/после.

Сопоставление с планом и Variance Analysis

Система не только прогнозирует, но и объясняет отклонения: план vs. прогноз vs. факт. Декомпозиция по Volume effect (продали больше/меньше единиц), Price effect (изменение чека), Mix effect (сдвиг к другим продуктам). Реализуем через аналитический Shapley values — не ML-SHAP, а детерминированный расчёт вклада каждого фактора.

Интеграция с планированием: API в Anaplan, Adaptive Insights, SAP BPC, а также Excel-отчёты через openpyxl с диаграммами для CFO. Автоматическая генерация еженедельного PDF/PowerPoint: прогноз, trend vs. budget, ключевые изменения. Экономия бюджета на планировании достигает 30% за счёт автоматизации.

Сравнение алгоритмов прогноза

Что входит в работу

1. Аудит источников данных и CRM
2. Проектирование ML-архитектуры (стек: PyTorch, LightGBM, Prophet, HuggingFace)
3. Обучение и валидация моделей, подбор гиперпараметров
4. Развёртывание через Docker/Kubernetes, Triton Inference Server
5. Дашборды (Power BI, Tableau, Grafana)
6. Автоматическая отчётность для финансового отдела
7. Обучение команды и поддержка 3 месяца

Сроки: B2B pipeline AI scoring — 4–6 недель. Комплексная система с иерархическим прогнозом, variance analysis и автоотчётами — 3–4 месяца. Стоимость рассчитывается индивидуально после аудита. Окупаемость — в среднем 4–6 месяцев, ROI достигает 200% за первый год.

Наши гарантии: сертифицированные MLOps-инженеры, прозрачная архитектура, поддержка после запуска. Свяжитесь с нами для консультации по вашему проекту — оценим данные и сроки. Подробнее о LightGBM и demand forecasting.

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.