AI-прогнозування попиту на колекції — точність без перевиробництва

Як ми прогнозуємо попит на fashion-колекції?

Короткий життєвий цикл SKU (6–12 тижнів), висока залежність від трендів та погоди, відсутність історичних даних по нових артикулах — все це робить традиційні методи планування неефективними. ARIMA та exponential smoothing дають WAPE >50% на нових артикулах — для fashion це збитки. Наш атрибутний підхід на LightGBM забезпечує WAPE <30% вже для новинок, а з урахуванням трендових сигналів — нижче 25%. Це в 1,7 раза точніше за ARIMA, а також LightGBM перевищує NeuralProphet на 15% за точністю на новинках. Такий підхід знижує overstocks та stockouts на 20–35%. Для мережі з обігом $10 млн економія сягає $350 000 на рік. Наша команда має понад 5 років досвіду в ML для ритейлу: за 5 років ми реалізували 30+ проєктів у ритейлі та e-commerce — від мас-маркету до преміум-сегменту. Гарантуємо точність прогнозу на рівні ±10% sell-through rate для established SKU.

Джерела даних та особливості

Холодний старт і короткий життєвий цикл

Нова колекція — немає історичних продажів. Рішення:

• Attribute-based forecasting: прогноз через характеристики (колір, патерн, категорія, ціновий сегмент)
• Transfer learning: схожий артикул минулого сезону як anchor
• Analogous items: кластеризація новинок до існуючих SKU з історією

Класичні часові ряди потребують довгої історії. Замість цього — кросс-секційні моделі на рівні артикула. LightGBM на атрибутах дає WAPE <30% на новинках — вдвічі точніше за ARIMA.

Сезонність та тренди

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

Внутрішні дані

• POS-дані по тижнях: продажі, повернення, знижки
• Інвентарні дані: залишки, out-of-stock дати
• Характеристики продукту: категорія, бренд, колір, матеріал, розміри, ціна

Зовнішні трендові сигнали

• Google Trends: динаміка пошукових запитів за категоріями
• Instagram/Pinterest: engagement на fashion-контент (через API або scraping)
• Runway аналіз: детекція трендів з показів (CV на фото з ModaOperandi, Vogue Runway)
• Погодні дані: температура безпосередньо впливає на продажі 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
}

Моделі прогнозування

Attribute-based LightGBM

Для кожної новинки — передбачення peak week sales та sell-through rate на основі атрибутів + trend features. Навчання на історичних колекціях.

Cluster + Analogous Item

from sklearn.cluster import KMeans

# Кластеризація за 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 всі артикули однакові. Кластеризація life cycle curves:

• Тип A: швидкий старт → плавний спад (bestseller)
• Тип B: повільний старт → пік на 4-му тижні (niche item)
• Тип C: рівні продажі, базові артикули Прогноз форми кривої → розподіл замовлення за часом.

Порівняння моделей:

Операційні процеси: pre-season та in-season коригування

Pre-Season planning (за 6-9 місяців до старту)

• Початкове замовлення на основі attribute forecast
• Buy quantities за розмірною сіткою (size curve модель)
• Open-to-buy бюджет за категоріями

Як in-season коригування покращує прогноз?

Після перших 2-3 тижнів реальних продажів — Bayesian update вихідного прогнозу:

def bayesian_forecast_update(prior_forecast, observed_sales, sell_through_weeks):
    """
    Оновлення прогнозу за першими тижнями
    Sell-through rate у перші 2 тижні = сильний предиктор фінального результату
    """
    early_st_rate = observed_sales / prior_forecast[:sell_through_weeks].sum()
    scaling_factor = early_st_rate ** 0.7  # регресія до середнього
    return prior_forecast * scaling_factor

Reorder та markdown тригери

• Якщо sell-through > 70% на 4-му тижні → reorder (якщо можливо за виробничим циклом)
• Якщо sell-through < 30% на 6-му тижні → початок уцінювання за markdown calendar

Байєсівське оновлення після 2 тижнів продажів покращує точність прогнозу на 40% — це дозволяє уникнути як дефіциту, так і надлишку товару. Ми застосовуємо маркдаун оптимізацію на основі прогнозу.

Розмірна дистрибуція (Size Curve)

Історично: XS:S:M:L:XL = 5:20:35:25:15 для даної категорії. ML коригує за регіонами, каналами та ціновим сегментом:

size_curve = lgbm.predict_proba(
    category=category,
    price_tier=price_tier,
    channel=['online', 'store'],
    region=region
)
# → оптимальне співвідношення розмірів у замовленні

Проблема останнього розміру: stockout по одному розміру = втрата всього продажу. Оптимізація: невеликий буфер за розмірами з найменшою доступністю.

Результати та впровадження

Метрики оцінки

Що входить у роботу (deliverables)

• Розробка та навчання моделі прогнозування (LightGBM / Transformer)
• Інтеграція з вашою POS/ERP системою
• Налаштування дашборду в Tableau / Power BI
• Документація та доступ до репозиторію коду
• Навчання команди роботі з системою
• 3 місяці пост-релізної підтримки

Пропонуємо рішення «під ключ» за 6–8 тижнів. У вартість входить усе необхідне для запуску. Оцінимо ваш проєкт безкоштовно — пишіть нам для консультації. ML forecasting retail — наша спеціалізація.

Підхід ґрунтується на дослідженнях у галузі transfer learning для fashion-ритейлу.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.