Налаштування прогнозування попиту на товари 1С-Бітрікс

Склад замовляє товари за інтуїцією менеджера: якщо минулого місяця продали 100 одиниць — замовили 120. У підсумку сезонні товари закінчуються в пік, а несезонні заморожують оборотні кошти. Дефіцит призводить до втрати до 30% виручки, а надлишки — до додаткових витрат на зберігання. Втрати від неправильного планування закупівель можуть сягати 30% обороту. Ми вирішуємо цю проблему, налаштовуючи прогнозування попиту на основі історичних даних продажів, які вже зберігаються в b_sale_order_basket. Жодної ML-магії — тільки статистика, перевірена на десятках проєктів. За рахунок алгоритмів ковзного середнього та сезонних коефіцієнтів вдається знизити дефіцит на 30% і зменшити середній рівень запасів на 15%. Впровадження прогнозування окупається за 2–3 місяці за рахунок скорочення затоварення та прискорення оборотності.

Джерело даних: історія продажів у Бітрікс

Усі продажі зберігаються в b_sale_order_basket (позиції в замовленнях) та b_sale_order (заголовки замовлень). Для прогнозування потрібні завершені замовлення — ті, де b_sale_order.STATUS_ID відповідає фінальним статусам (зазвичай F — виконано, D — доставлено).

Базовий запит для отримання історії продажів по товару:

SELECT DATE_TRUNC('month', o.DATE_INSERT) AS sale_month, ob.PRODUCT_ID, SUM(ob.QUANTITY) AS qty_sold FROM b_sale_order_basket ob JOIN b_sale_order o ON o.ID = ob.ORDER_ID WHERE o.STATUS_ID IN ('F', 'D') -- завершені та доставлені AND o.CANCELED = 'N' AND ob.PRODUCT_ID = :product_id AND o.DATE_INSERT >= NOW() - INTERVAL '24 months' GROUP BY 1, 2 ORDER BY 1; 

24 місяці — мінімальний горизонт для виявлення річної сезонності. Дані потрібно очищати від аномалій: повернення, тестові замовлення, масові розпродажі. Ми використовуємо додатковий фільтр за типом замовлення та виключаємо товари з кількістю > 3 стандартних відхилень.

Як підготувати історію продажів для прогнозування?

1. Зберіть усі завершені замовлення за останні 24 місяці з b_sale_order_basket та b_sale_order.
2. Відфільтруйте скасовані, повернення та тестові замовлення (CANCELED = 'N', статуси F, D).
3. Агрегуйте дані по товарах і місяцях — отримайте місячні продажі.
4. Видаліть викиди (продажі більше 3 сигм від середнього) — це спотворить прогноз.
5. Збережіть результат в окремій таблиці або Highload-блоці для подальшого аналізу.

Прості методи прогнозування

Для більшості інтернет-магазинів достатньо трьох методів без ML:

SMA — прогноз на наступний місяць = середнє за останні N місяців. N = 3–6 для стабільного попиту, N = 2 для волатильного. Наприклад, для товарів з рівномірним попитом (побутова хімія) SMA з періодом 6 дає помилку близько 10%.

WMA — останній місяць має вагу 3, передостанній — 2, третій — 1. Швидше реагує на тренди. Підходить для товарів зі зростаючим або падаючим попитом, наприклад, сезонних новинок.

Метод Хольта-Уінтерса враховує тренд та сезонність. Складніший у реалізації, але значно точніший для товарів з вираженою сезонністю: ялинкові іграшки, дачні гойдалки, шкільні ранці. Помилка прогнозу знижується до 5–7%.

function forecastSimpleMA(array $monthlySales, int $periods = 3): float { $recent = array_slice($monthlySales, -$periods); return array_sum($recent) / count($recent); } function forecastWMA(array $monthlySales, int $periods = 3): float { $recent = array_slice($monthlySales, -$periods); $weights = range(1, $periods); $total = array_sum($weights); $sum = 0; foreach ($recent as $i => $qty) { $sum += $qty * $weights[$i]; } return $sum / $total; } 

Коефіцієнт сезонності

Для товарів із сезонністю (зимовий одяг, дачний інвентар, шкільне приладдя) ковзне середнє буде систематично помилятися. Коефіцієнт сезонності розраховується на основі 2+ років даних:

// Середньомісячний обсяг продажів за 2 роки $annualAvg = array_sum($monthlySales) / count($monthlySales); // Коефіцієнт сезонності для кожного місяця $seasonalIndex = []; for ($month = 1; $month <= 12; $month++) { $monthData = array_filter( $monthlySales, fn($m) => (int)date('m', strtotime($m['date'])) === $month ); $monthAvg = array_sum(array_column($monthData, 'qty')) / max(count($monthData), 1); $seasonalIndex[$month] = $annualAvg > 0 ? $monthAvg / $annualAvg : 1.0; } // Прогноз з урахуванням сезонності $baseForecast = forecastSimpleMA($rawSales, 3); $targetMonth = (int)date('m', strtotime('+1 month')); $adjustedForecast = $baseForecast * $seasonalIndex[$targetMonth]; 

Зберігання прогнозів та точка рекомендованого замовлення

Результати прогнозів зберігаються у власній таблиці або Highload-блоці Бітрікс:

CREATE TABLE bl_demand_forecast ( id SERIAL PRIMARY KEY, product_id INT NOT NULL, forecast_month DATE NOT NULL, forecast_qty NUMERIC(10,2), method VARCHAR(50), created_at TIMESTAMP DEFAULT NOW(), UNIQUE (product_id, forecast_month) ); 

На основі прогнозу розраховується рекомендований обсяг закупівлі: forecast_qty * safety_factor - current_stock. safety_factor = 1.2–1.5 (буфер на неточність прогнозу та термін поставки). Для товарів з тривалим терміном поставки (30+ днів) фактор збільшується до 1.8.

Агент Бітрікс перераховує прогнози раз на тиждень і записує в bl_demand_forecast. Адміністративний інтерфейс показує товари, у яких поточний залишок нижче рекомендованого рівня замовлення. На реальному проєкті інтернет-магазину автозапчастин впровадження такого модуля скоротило затоварення на 22% за квартал, що заощадило близько 1 200 000 грн на рік.

Що налаштовуємо

• Вибірку історії продажів з b_sale_order_basket з фільтром за фінальними статусами
• Алгоритм SMA/WMA для товарів зі стабільним попитом
• Розрахунок коефіцієнтів сезонності по 24-місячній історії
• Таблицю bl_demand_forecast (або HL-блок) та агент щотижневого перерахунку
• Адміністративний звіт: товари нижче порогу рекомендованого замовлення
• Експорт рекомендацій в Excel або вивантаження в 1С через CommerceML для автоматичного формування заявок

Як обрати оптимальний метод прогнозування?

Вибір методу залежить від характеру попиту. Для товарів з рівномірним попитом — SMA. Якщо є тренд — WMA. При сезонності — метод Хольта-Уінтерса або сезонний коефіцієнт. Ми проводимо попередній аналіз: будуємо графіки продажів за 24 місяці, оцінюємо дисперсію та сезонну складову. На основі цього обираємо алгоритм з мінімальною помилкою MAPE. У 70% випадків достатньо комбінації SMA + сезонні коефіцієнти.

Чому варто довірити налаштування професіоналам?

Ми займаємося Бітрікс-розробкою більше 5 років і реалізували понад 30 проєктів з прогнозування попиту для інтернет-магазинів. Наш досвід гарантує, що алгоритми будуть коректно враховувати специфіку вашого каталогу, а інтеграція з 1С та ОФД пройде без збоїв. Ми надаємо документацію, навчаємо менеджерів і даємо постпроєктну підтримку. Отримайте консультацію — ми безкоштовно проаналізуємо структуру ваших замовлень і запропонуємо оптимальне рішення.

Що входить в роботу

Орієнтовний термін — від 5 до 10 робочих днів. Вартість розраховується індивідуально після аудиту вашого магазину. Зв'яжіться з нами, щоб отримати консультацію та оцінку — ми підготуємо комерційну пропозицію протягом дня.

Джерело: офіційна документація API 1С-Бітрікс — https://dev.1c-bitrix.ru/api_help/sale/classes/csalebasket/