AI-система прогнозування попиту на колекції

AI-прогнозування попиту на колекції у fashion-індустрії

Fashion — один із найскладніших ринків для прогнозування попиту. Короткий життєвий цикл SKU (6-12 тижнів), висока залежність від трендів та погоди, відсутність історичних даних щодо нових артикулів – все це робить традиційні методи планування неефективними. ML-підходи знижують overstocks і stockouts на 20-35%.

Особливості fashion-прогнозування

Проблема з холодним запуском: Нова колекція — немає історичного продажу. 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

Сезонність + Модний тренд:

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

Коротке життя SKU: Класичні часові лави вимагають довгої історії. Натомість — крос-секційні моделі на рівні артикулу.

Джерела даних

Внутрішні:

• POS-дані по тижнях: продаж, 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 із показів (CV на фото з ModaOperandi, Vogue Runway)
• Погодні дані: температура безпосередньо впливає на продаж куртки/купальника

Соціальне прослуховування:

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

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

Кластер + аналогічний елемент:

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)

Життєвий цикл SKU — крива продажів: 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: рівний продаж, базові артикули Прогноз форми кривої → розподіл замовлення за часом.

Передсезонне планування проти сезонного коригування

Pre-Season (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

In-Season коригування (щотижня): Після перших 2-3 тижнів реальних продажів - Bayesian update вихідного прогнозу:

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 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 по markdown calendar

Розподіл розмірів

Size Curve моделювання: Історично: XS:S:M:L:XL = 5:20:35:25:15 для цієї категорії. ML коригує по регіонах, каналах та ціновому сегменті:

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

Проблема останнього розміру: Stockout за одним розміром = втрата всього продажу. Оптимізація: невеликий буфер за найменшою доступністю.

Метрики оцінки

Терміни: attribute-based forecast + analogous item matching + in-season update - 6-8 тижнів. Повна система із size curve, social trend signals, markdown optimization - 3-4 місяці.