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.