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?
- Зберіть усі завершені замовлення за останні 24 місяці з
b_sale_order_basketтаb_sale_order. - Відфільтруйте скасовані, повернення та тестові замовлення (
CANCELED = 'N', статусиF,D). - Агрегуйте дані по товарах і місяцях — отримайте місячні продажі.
- Видаліть викиди (продажі більше 3 сигм від середнього) — це спотворить прогноз.
- Збережіть результат в окремій таблиці або Highload-блоці для подальшого аналізу.
Прості методи прогнозування
Для більшості інтернет-магазинів достатньо трьох методів без ML:
| Метод | Коли застосовувати | Точність | Складність реалізації |
|---|---|---|---|
| Ковзне середнє (SMA) | Стабільний попит, немає сезонності | Середня | Низька |
| Зважене ковзне середнє (WMA) | Є тренд, швидка реакція | Вище SMA | Низька |
| Хольта-Уінтерса | Яскраво виражена сезонність | Висока | Середня |
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_basketз 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
| Етап | Що робимо | Результат |
|---|---|---|
| Аналітика | Вивчаємо структуру замовлень, перевіряємо дані за 24 місяці | План налаштування з вибором методу |
| Розробка | Пишемо SQL-запити, код агента, адмін-звіт | Працюючий прогноз з точністю MAPE < 15% |
| Тестування | Порівнюємо прогноз з реальними продажами за минулий рік | Звіт про точність та рекомендації щодо коригування |
| Впровадження | Налаштовуємо агент, експорт в 1С через CommerceML | Готовий функціонал без простоїв |
| Навчання | Проводимо вебінар для менеджерів | Впевнена робота зі звітом та інтерпретація даних |
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/