Чому прогнозування попиту fashion зривається на сезонних піках
Сезонний пік продажів у fashion уміщується в кілька тижнів, а закупівля колекції фіксується за місяці до нього.
Помилка в прогнозі тут не згладжується: непродані залишки колекції йдуть в уцінку, а втрачені продажі за ходовими розмірами вже не повернути — полиця порожня, покупець пішов до конкурента.
Розмірна сітка перетворює ставку на матрицю: промах у розподілі за розмірами псує результат навіть за правильного загального обсягу.
Перше вузьке місце — історія продажів. За новими артикулами її немає: товар живе один сезон, повторити нічого, а переносити цифри схожої моделі напряму небезпечно — посадка й колір дають розкид, який не описується середнім.
Друге — акції: знижкові тижні та розпродажі викривляють сигнал, і модель навчається на попиті, якого не було. Якщо викиди не вичищені, прогноз зміщується в бік знижки, а базовий попит недооцінюється.
Далі — зведеність даних. Ієрархія «категорія — модель — колір — розмір» в обліковій системі, у постачальника та у файлах планувальника описана по-різному: різні коди розмірів, об’єднані кольори, розбіжні назви колекцій.
Поки довідники не узгоджені, розрахунок на рівні розмірної сітки розпадається — сума за розмірами не сходиться з підсумком за моделлю. Ручне перенесення цифр між таблицями додає зсув рядка під час копіювання, який випливає вже за фактом поставки.
Кожне з цих місць ламає прогнозування попиту fashion по-своєму, але лікується спільним: приведеними до єдиного вигляду даними й моделлю, яка враховує сезонність, акції та невизначеність за новими артикулами. Нижче розбираємо, як це закривається.
Ефект у цифрах: точність плану, залишки, втрачені продажі
Вважаємо ефект від однієї базової лінії: план минулих сезонів зіставляємо з фактом за тижнями, окремо на рівні колекції та на рівні артикулу.
Точність планування за колекцією зазвичай тримається в районі 60–70%, а за артикулом просідає до 40% — ручний план вирівнює групи й не бачить локального попиту всередині сезону.
Після переходу на кероване планування точність за колекцією виходить на 85–90%, за артикулом — на 70–75%.
Це відразу видно в закупівлі: непродані залишки скорочуються з чверті обсягу до 10–12%, а глибина знижки на розпродажі обмежується першим-другим ступенем уцінки замість фінального. Оборотність колекції пришвидшується — товар проходить сезон, а не переїжджає в наступний.
Втрачені продажі закриваються швидкістю реакції. План перераховується не раз на квартал, а за тижневою сіткою: сплеск попиту за артикулом фіксується за 5–7 днів, дозамовлення та перерозподіл між складами потрапляють у найближчу поставку, а не в наступний сезон. За хітами частка втрачених продажів падає в рази — затримка перестає з’їдати попит.
Окремо знято клас помилок під час ручного перенесення даних: номенклатуру звіряємо за довідником GS1, завантаження йдуть із контролем цілісності та зустрічною звіркою обсягів за колекцією й артикулом.
Розбіжності більше не випливають у середині сезону — вони відсікаються на вході, до того як потраплять у план.
Варіанти побудови: ієрархія товарів, частота перерахунку, горизонт
Схему прогнозування обирають не за «точністю моделі», а за тим, на якому рівні ухвалюються рішення про закупівлю.
Якщо план затверджують за колекцією загалом — детальний прогноз за кожним артикулом лише створює шум; якщо закупівля йде за типорозмірами, єдина цифра не підкаже структуру.
Окремо налаштовуються горизонт планування (сезон або квартал) і частота перерахунку: частий перерахунок ловить зсув попиту, але вимагає, щоб узгодження плану встигало за ним.
| Варіант | Коли підходить | Обмеження |
|---|---|---|
| Єдиний прогноз за колекцією | Вузький асортимент, рішення про закупівлю ухвалюється загалом | Не показує розподіл за моделями й типорозмірами, помилка в структурі колекції залишається непоміченою |
| Плоский прогноз за артикулом | Широкий асортимент з історією продажів за кожною позицією | Рідкісні позиції без історії дають шумний ряд, сума за артикулами розходиться з планом за категорією |
| Два рівні: категорія → модель | Стабільні категорії, план затверджується на рівні категорії | Потрібне ручне узгодження плану між рівнями, за різної частоти перерахунку рівні розходяться |
| Повна ієрархія товарів з агрегацією прогнозу | Довгий горизонт, закупівля за типорозмірами й кольорами | Дорожче в супроводі, потребує регулярної звірки: агрегація прогнозу знизу вгору має збігатися з планом згори вниз |
На практиці починають із двох рівнів і додають третій, коли розбіжність між сумою за моделями та планом за категорією перестає вкладатися в допустимий коридор.
Як проходить упровадження: від аудиту даних до регламенту перерахунку
Упровадження прогнозування попиту починається не з моделі, а з даних про продажі: поки незрозуміло, що відбувалося з колекціями в минулих сезонах, будь-яка точність на майбутнє — випадкове число. Тому кроки йдуть послідовно, і кожен спирається на результат попереднього.
- Аудит даних про продажі. Дивимося, що реально є: вивантаження з облікової системи, кас, інтернет-магазину та оптових відвантажень. Позначаємо пропуски, дублікати, повернення та ділянки, де розпродаж викривив історію.
- Підготовка історії. Збираємо єдину схему: артикул, колір, розмір, дата, канал, ціна та залишок на складі. Приводимо все до одного календаря й зіставляємо з поставками та промо-періодами.
- Налаштування й навчання. Модель навчається на підготовленій історії, окремо враховуючи сезонність, новинки та товари без передісторії — запуск нової колекції найризикованіший випадок.
- Перевірка на ретроспективі. Модель «прогнозує» вже минулий сезон, де відповідь відома. Так видно поведінку на піках і розпродажах, а не абстрактну метрику.
- Замір відхилень. Розбираємо помилку за категоріями й артикулами: де попит переоцінили, де недооцінили і яка причина за цим стоїть.
- Регламент перерахунку. Фіксуємо, за якими подіями та з якою періодичністю прогноз оновлюється, хто вносить ручні коригування і як вони враховуються далі.
- Передача команді замовника. Віддаємо схему даних, налаштування, інструкції та навчаємо співробітників, щоб перерахунок ішов без нашої участі.
Після цього прогнозування попиту fashion-колекцій стає повторюваним процесом: результат відтворюється на новому сезоні, а відхилення вимірюються, а не обговорюються на смак.
Комплект постачання: моделі, регламенти, панель контролю
Після запуску в команди замовника залишається не демонстрація, а робочий комплект, із яким планувальники працюють щоденно і який можна передати новому інженеру без усних пояснень.
Ми фіксуємо в ньому все, що впливає на цифру прогнозу: звідки надходять дані, як враховуються акції, хто і що може змінювати.
- Налаштовані розрахунки за колекціями: прогноз за артикулами й розмірами, перенавчання за розкладом, окремі моделі для новинок і продовжуваних лінійок.
- Опис схеми даних: джерела продажів, складу та надходжень, правила зіставлення, обробка пропусків і дублів.
- Правила обробки акцій і надходжень: розпродажі, промо, зсув дат поставки, заміщення товару всередині лінійки.
- Панель контролю: точність за минулі періоди, відхилення від факту, сигнал у разі розходження моделі з реальністю.
- Інструкція планувальника: як читати прогноз, вносити ручну поправку й фіксувати її причину, щоб вона враховувалася далі.
- Матриця прав доступу: ролі — хто лише дивиться, хто коригує, хто змінює налаштування розрахунку.
- Документація з розрахунків: логіка метрик, версії моделей, журнал змін, порядок відкату до попередньої.
З таким комплектом нові колекції заводяться за регламентом силами вашої команди, а не через нас.
Кейс: як скоротили непродані залишки в сезонній колекції
Мережа жіночого одягу Nordline закуповувала сезон за чотири-п’ять місяців до старту продажів, спираючись на торішні продажі та правки баєрів щодо трендів.
На рівні категорії прогноз сходився, а всередині розмірно-кольорової матриці помилка сягала 40%: обсяг розмазувався «на всякий випадок», ходові розміри йшли в дефіцит до третього місяця.
Вузьким місцем планування була не середня точність, а розподіл обсягу між артикулами та розмірною кривою.
Прогноз побудували на тижневих продажах з ознаками: сезонність категорії, погодні ряди за регіонами, календар акцій, ціна та історія наявності — щоб модель розрізняла «не купили» і «не було на полиці».
Окремим шаром винесли розмірні криві, окремими моделями — базову та модну лінії: у них різна передбачуваність і різний страховий запас. Перерахунок щотижневий, баєр бачить інтервал невизначеності й план дозамовлення, а не одне число.
За сезон середньозважена помилка прогнозу впала з 38% до 19%, частка позицій з помилкою понад 30% — з 46% до 18%. Непродані залишки наприкінці колекції скоротилися втричі, втрачені продажі через відсутні ходові розміри — з 7% до 2%. Частка продажів за повною ціною зросла, глибина уцінки зменшилася.
Кейс відтворюється там, де є хоча б два зіставні сезони історії продажів і залишків: без неї модель не відрізняється від думки баєра, з нею планування стає перевірюваним.
Чим відрізняється прогнозування за колекціями від прогнозу за артикулами?
Різниця між двома рівнями планування — не в горизонті, а в природі сигналу. Артикул дає короткий і шумний ряд: кілька точок продажів, нулі за невиведеними сполученнями, сплески від акцій.
Колекція укрупнює історію до лінії або категорії, де сезонність і тренд читаються стійко, — тому прогноз за колекцією точніший на довгому горизонті, а прогноз за артикулами сильніший на короткому.
Агрегований рівень закриває рішення, які не можна ухвалити частинами: закупівля полотна й фурнітури, завантаження ліній, план сезону загалом. Детальний рівень потрібен там, де рішення локальне: розмірна сітка, розкладка за каналами й складами, пріоритет повторного замовлення.
Змішувати обидва в одному ряду не можна — план виробництва виявиться завищеним, а за конкретними артикулами виникне дефіцит.
Часта помилка агрегації — скласти прогноз за артикулами до колекції. Зміщення на окремих рядах не компенсують одне одного, а накопичуються, і на агрегаті з’являється систематичне перевантаження.
Зворотний шлях — розкласти колекційний прогноз за минулими частками — не ловить внутрішньосезонні зсуви: модель, що витягнула продажі, отримує частку минулого періоду. Обидва варіанти дають план, який розходиться сам із собою.
Узгодження рівнів робимо реконсиляцією: базові ряди обчислюємо в Prophet за кожною гілкою ієрархії, потім приводимо до узгодженого вигляду — знизу вгору, згори вниз або з вагами за накопиченою помилкою.
На виході один набір чисел: сума за артикулами дорівнює прогнозу за колекцією, і розходження перестає випливати на етапі відвантаження.
Тримаємо під контролем два показники — узгодженість рівнів після реконсиляції та точність на агрегаті: за ними видно, чи не зламали загальний план заради локальних рядів.
Перевиробництво за проблемними групами скорочується в рази, а за базовими лініями відхилення прогнозу залишається в межах, за яких закупівля не йде в сток.
Часті технічні питання: дані, сезонність, перенавчання
Прогноз попиту ламається не на математиці, а на даних: коротка історія, промо-сплески, нові артикули без жодного продажу. Нижче — інженерні відповіді на сумніви, які найчастіше випливають перед стартом.
Що робити, якщо за артикулом лише два-три сезони продажів?
Будуємо ієрархію: спочатку прогноз на рівні категорії та фасону, де історії достатньо, потім розподіляємо його на артикул за ознаками — силует, колір, ціновий сегмент, канал збуту. Для зовсім нових позицій підключаємо перенесення зі схожих артикулів минулих сезонів.
Такий прогноз видаємо інтервалом, а не одним числом: планувальник бачить ширину вилки й закладає буфер там, де модель упевнена менше.
Акції та розпродажі викривляють історію — як це враховується?
Промо-періоди позначаємо окремою ознакою й вираховуємо їхній ефект із базової лінії, щоб модель навчалася на «чистому» попиті. Сам сплеск прогнозуємо окремо — за глибиною знижки, довжиною акції та минулою реакцією категорії.
Без цього розділення модель запам’ятовує разовий розпродаж як новий базовий рівень і завищує план наступного сезону.
Точність упала на живих даних — який порядок дій?
Не перенавчаємо відразу. Спочатку тижнева помилка розбирається за шарами: нові артикули, промо-дні, зміна асортименту, дефіцит на складі — коли попит є, а товару немає, і продажі не відображають реальний запит. Найчастіше причина саме в даних, і правка вивантаження повертає точність без втручання в модель.
Як часто потрібне перенавчання і чим контролюється результат?
Регулярне оновлення йде на ковзному вікні останніх сезонів, повне — перед закупівельною кампанією, плюс позапланове за різкої зміни асортименту.
Кожне оновлення перевіряємо на відкладеному періоді: проганяємо модель за минулими сезонами й порівнюємо з простим орієнтиром «як минулого року». Якщо оновлена версія його не переграє, вона не йде в роботу.
Обговоримо задачу: з чого почнемо і що підготувати
Щоб розмова була предметною, корисно заздалегідь зібрати те, що у вас уже є в облікових системах і таблицях планування.
Це не підготовка до тендеру: за цими даними ми вже на першій зустрічі бачимо, яких сигналів достатньо для моделі, а які доведеться відновлювати з непрямих джерел.
За підсумками обговорення задачі повернемося з оцінкою та планом робіт — етапами, складом команди й терміном першої перевірюваної версії.
- Вивантаження продажів за артикулами за 2–3 сезони: дата, канал або точка, кількість, ціна зі знижкою. Чим довша історія, тим стійкіше модель ловить сезонність і сплески.
- Структура категорій та ієрархія товарів: як пов’язані колекція, модель, колір і розмір. Від цього залежить, на якому рівні будувати прогноз — за групою чи за кожним артикулом.
- Календар сезонів і стартів: дати запусків, надходжень, розпродажів і акцій. Без нього зростання попиту не відрізнити від разової кампанії.
- Поточний процес планування: хто і на якій підставі вирішує обсяг закупівлі, які правки вносяться вручну і чому.
- Дані про поставки: терміни, кратність і обмеження за мінімальною партією — прогноз має бути здійсненним, а не ідеальним на папері.
- Перелік джерел, які вже використовуються: звіти, файли планувальників, вивантаження з облікової системи. Опишіть задачу у вільній формі — решту уточнимо на дзвінку.
