ML-прогноз продажів: від B2B pipeline до B2C рітейлу

B2B-компанії втрачають до 30% виручки через неточні прогнози пайплайну. Класичний weighted pipeline не враховує поведінкові сигнали. Ми вирішуємо це за допомогою LightGBM та ієрархічних моделей — точність зростає на 20–40% порівняно з класикою. Замовте аудит даних вже сьогодні: від аналізу CRM до автоматичної звітності.

Згідно з Wikipedia, sales forecasting — прогноз обсягу продажів у грошовому вираженні на майбутній період. На відміну від demand forecasting (яке працює з одиницями товару), sales forecast оперує виручкою і безпосередньо використовується для бюджетування, постановки квот та операційного планування.

Як ML-модель переоцінює ймовірності угод у CRM?

У B2B прогноз будується на основі sales pipeline. Класичний weighted pipeline множить суму угоди на ймовірність за стадією воронки, але менеджери часто завищують ймовірності через оптимізм. ML-модель (LightGBM) використовує поведінкові сигнали: кількість email-відповідей за 14 днів, кількість залучених stakeholders, час у стадії. Результат — AI probability score, який замінює ручну оцінку і підвищує AUC з 0.65 до 0.75–0.85. LightGBM у 1.25 раза точніше Prophet на B2B пайплайні.

Для B2C використовуємо агреговані часові ряди виручки, транзакцій та середнього чека. Класичні методи (Prophet, ETS, SARIMA) доповнюємо ML-фічами: лаги, ковзні середні, календарні події. Такий гібрид дає MAPE < 8% на квартальному горизонті.

Чому ієрархічний прогноз точніший за єдину модель?

Прогноз продажів потрібен на кількох рівнях: загальна виручка компанії, бізнес-юніти, продуктові лінійки, регіони. Єдина модель не враховує специфіку кожного сегменту. Ми будуємо bottom-up прогноз з reconciliation через метод MinT: кожен вузол (наприклад, продукт + регіон) має свою модель LightGBM, а топ-рівні узгоджуються для мінімізації помилки. Це дає точність на 5–10% вищу, ніж при прямому прогнозі зверху.

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

Seasonal та event-driven патерни

У SaaS/B2B типовий квартальний spike — "хокейна ключка" в останні два тижні кварталу, кінець фінансового року, бюджетний сезон у жовтні-листопаді. У B2C Чорна п'ятниця та Кіберпонеділок приносять 30–50% річної виручки за 2–3 тижні. Обробляємо це додаванням бінарних регресорів у Prophet/LightGBM — прапори подій та кількість днів до/після.

Зіставлення з планом та Variance Analysis

Система не лише прогнозує, але й пояснює відхилення: план vs. прогноз vs. факт. Декомпозиція за Volume effect (продали більше/менше одиниць), Price effect (зміна чека), Mix effect (зсув до інших продуктів). Реалізуємо через аналітичні Shapley values — не ML-SHAP, а детермінований розрахунок внеску кожного фактора.

Інтеграція з плануванням: API в Anaplan, Adaptive Insights, SAP BPC, а також Excel-звіти через openpyxl з діаграмами для CFO. Автоматична генерація щотижневого PDF/PowerPoint: прогноз, trend vs. budget, ключові зміни. Економія бюджету на плануванні сягає 30% за рахунок автоматизації.

Порівняння алгоритмів прогнозу

Що входить у роботу

1. Аудит джерел даних та CRM
2. Проектування ML-архітектури (стек: PyTorch, LightGBM, Prophet, HuggingFace)
3. Навчання та валідація моделей, підбір гіперпараметрів
4. Розгортання через Docker/Kubernetes, Triton Inference Server
5. Дашборди (Power BI, Tableau, Grafana)
6. Автоматична звітність для фінансового відділу
7. Навчання команди та підтримка 3 місяці

Терміни: B2B pipeline AI scoring — 4–6 тижнів. Комплексна система з ієрархічним прогнозом, variance analysis та авто-звітами — 3–4 місяці. Вартість розраховується індивідуально після аудиту. Окупність — в середньому 4–6 місяців, ROI сягає 200% за перший рік.

Наші гарантії: сертифіковані MLOps-інженери, прозора архітектура, підтримка після запуску. Зв'яжіться з нами для консультації щодо вашого проекту — оцінимо дані та терміни. Докладніше про LightGBM та demand forecasting.

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.