Прогноз продаж и спроса: нейросети, тренды и сценарии для бизнеса

Складской отчёт: прогноз спроса по категориям + риск дефицита/излишка, рекомендации по заказу.

Тренд-отчёт: динамика интереса по темам/кластерам, список растущих и падающих направлений, предложения тестов.

План внедрения на 30 дней

Неделя 1. Выбор метрики и решения, сбор данных в минимальный формат, словарь метрики, базовая линия, первая проверка на прошлом.

Неделя 2. Журнал событий, календарные признаки, обработка выбросов, упаковка результата в управленческий пакет, запуск регулярного пересчёта.

Неделя 3. Подключение второго источника, который уменьшит ошибку (например, промо или остатки), внедрение дашборда из 5 ключевых графиков, настройка хранения версий.

Неделя 4. Трекер качества и пост-мортем промахов, настройка алертов, стабилизация регламента, расширение на один разрез (канал или категория), оценка эффекта в деньгах.

Смысл этой главы в том, чтобы вы перестали думать о прогнозировании как о «модели» и начали думать о нём как о производственном процессе. Инструменты здесь вторичны. Если вы выстроили транспорт данных, воспроизводимое вычисление и удобную витрину, у вас уже есть система, которая переживёт смену людей, рост масштаба и изменения бизнеса.

Основы прогноза спроса: временные ряды без академизма

Эта глава нужна для одной цели: чтобы вы могли смотреть на ряд спроса и понимать, что в нём происходит, какие ошибки вас подстерегают и что можно сделать простыми средствами. Без формул ради формул. Без «научной» терминологии ради статуса. Прогнозирование в бизнесе – это не экзамен по статистике. Это дисциплина управления повторяющимися процессами, где будущее всегда туманное, но туман можно измерять и превращать в решения.

Временной ряд простыми словами: тренд, сезонность, шум, режимы

Временной ряд – это последовательность значений метрики во времени. Продажи по дням. Заявки по часам. Заказы по неделям. Нагрузка по минутам. В бизнесе почти любой ряд можно разложить на четыре компонента.

Тренд. Долгосрочное направление. Растём, падаем или стоим на месте. Тренд может быть плавным (рост рынка) или ступенчатым (изменили цены и уровень продаж «подпрыгнул»).

Сезонность. Повторяемость паттерна. День недели, месяц, квартал, праздники, сезонные циклы. Сезонность – это не «про зиму и лето», это про любое повторение в поведении людей и бизнеса.

Шум. Случайные колебания. Мелкие факторы, которые трудно учитывать, но которые усредняются в больших выборках.

Режимы. Состояния системы, в которых она ведёт себя по-разному. До изменения оффера – один режим, после – другой. До дефицита – один, во время дефицита – другой. До запуска нового канала – один, после – другой.

Почему это важно: большинство провалов прогноза связано не с тем, что модель «плохая», а с тем, что режим сменился, а модель продолжает считать, что мир прежний.

Разница «роста» и «всплеска»: как не перепутать и не купить лишнего

Рост – это изменение уровня, которое удерживается. Всплеск – это временный пик.

Бизнес часто ошибается так: видит всплеск, покупает больше, нанимает людей, расширяет смены. Потом всплеск исчезает, остаются издержки и излишки.

Как отличать:

Рост проявляется в нескольких циклах. Если у вас дневной ряд, рост должен быть виден хотя бы несколько недель, если недельный – несколько месяцев. Всплеск обычно держится коротко и «не повторяется» в следующем аналогичном цикле.

Рост часто сопровождается изменением «базы»: меняется среднее значение в каждом дне недели, а не только в одном дне.

Всплеск часто привязан к событию: промо, упоминание в медиа, разовая акция, сбой конкурента, локальная новость.

Практическое правило: прежде чем менять закупку/штат, проверьте, повторился ли эффект хотя бы дважды в одинаковых условиях. Если не повторился – относитесь к нему как к выбросу и работайте сценарно, а не как с новым уровнем.

Сезонность по дням недели и по месяцам: как увидеть быстро

Сезонность – это то, что даёт бизнесу самое дешёвое улучшение прогноза. Её нужно не «чувствовать», её нужно измерять.

Быстрый способ увидеть сезонность:

Посчитать среднее значение метрики по дням недели за несколько недель. Если разница значимая – сезонность есть.

Посчитать среднее значение по неделям месяца или по месяцам, если история достаточная.

Сравнить «до праздника», «в праздник», «после праздника». В некоторых нишах основной пик перед праздником, в других – в сам праздник, в третьих – после.

Для операционки полезно делать то же самое по часам суток: среднее число обращений по каждому часу, отдельно по будням и выходным. Часто это сразу даёт ответ, где нужны смены, а где нет.

Ошибка: если вы усредняете по месяцу, вы стираете сезонность дней недели. Если вы усредняете по неделе, вы можете стереть внутринедельные пики. Поэтому выбор гранулярности должен соответствовать решению.

Эффект праздников: как учитывать без «магии»

Праздники отличаются от обычной сезонности тем, что они не только меняют спрос, но и меняют способность обслужить спрос: график работы, логистика, поставки, доступность менеджеров, скорость доставки.

Если вы хотите учитывать праздники без сложных моделей, действуйте так:

Добавьте флаг «праздник/не праздник» и «день перед праздником». Часто уже это улучшает прогноз.

Если эффект праздника сильный, выделяйте отдельный шаблон поведения: например, «Новый год» отдельно от обычных зимних недель.

Не пытайтесь «обучить» модель на одном празднике. Если событие случается раз в год, у вас мало наблюдений. Здесь правильнее работать сценариями и ручными корректировками с фиксацией правил.

Сверяйте с прошлым годом, если есть история. Для праздников сравнение по прошлому году часто полезнее, чем любые умные модели.

Что такое лаги и почему прошлое объясняет будущее лучше, чем кажется

Лаг – это прошлое значение, которое влияет на будущее. Если продажи сегодня коррелируют с продажами вчера и неделю назад, это лаговая структура.

В бизнесе лаги возникают по естественным причинам:

Инерция спроса. Люди повторяют поведение: если в будни покупали так, завтра будет похоже.

Циклы принятия решения. Лид может конвертироваться в оплату через несколько дней. Поэтому лиды сегодня связаны с оплатами через N дней.

Запасы и ограничения. Если товар закончился, продажи падают независимо от спроса. Потом товар появился – продажи возвращаются.

Лаги являются основой многих практичных моделей. Даже если вы не строите ML, понимание лагов помогает: например, использовать сезонный наивный прогноз «как в прошлый понедельник» – это лаг в 7 дней.

«Фичи» из календаря и бизнеса: как составлять список без перегруза

Признаки (фичи) – это дополнительные колонки, которые помогают модели понять контекст. В бизнесе признаки часто важнее сложности модели.

Как составлять список признаков практично:

Сначала календарь: день недели, выходной, праздник, месяц, конец месяца.

Затем бизнес-события: промо, изменения цены, дефицит, изменения графика работы, запуск канала.

Затем только если нужно: погода, внешние индикаторы, тренд поиска.

Ошибка: добавить десятки признаков, не умея их проверять. На старте вы добавляете один признак и смотрите, улучшилась ли ошибка по сравнению с базовой линией. Если улучшилась – оставляете. Если нет – убираете.

Нестабильность: когда прошлое перестаёт быть полезным

Главная ловушка прогнозирования – считать, что будущее будет похожим на прошлое. Иногда это правда, иногда нет.

Признаки нестабильности:

После определённой даты средний уровень ряда изменился и больше не возвращался.

Сезонность изменилась: например, раньше суббота была пиком, теперь пик в пятницу.

Вырос шум: ряд стал «дерганым», это может быть признак конкуренции, изменения каналов, нестабильной рекламы.

Систематическая ошибка прогноза растёт неделями. Это сигнал дрейфа.

Что делать:

Не пытаться «докрутить модель». Сначала выяснить, что изменилось в бизнесе: цена, каналы, продукт, логистика, оффер, качество, ограничения.

Разделить историю на режимы. Иногда правильный шаг – обучать модель только на «новом режиме», а старую историю использовать только как справочную.

Ввести сценарии. Если изменений много и они продолжаются, точечный прогноз превращается в сценарную рамку.

Смена ассортимента: как прогнозировать при постоянных обновлениях SKU

В товарных бизнесах ассортимент часто меняется, и прогноз по отдельным SKU становится неустойчивым. Товар новый, истории мало. Товар уходит, история обрывается.

Практические решения:

Агрегируйте прогноз на уровень категории или группы товаров, где история достаточная. Категории обычно прогнозируются стабильнее, чем отдельные товары.

Для новых SKU используйте «аналог». Берёте товары с похожим профилем продаж и переносите форму спроса, корректируя уровень.

Используйте доли. Прогнозируете общую категорию, затем распределяете по товарам по долям (историческим или плановым).

Работайте с ABC/XYZ. Для «А» и стабильных «X» можно делать более точный прогноз, для «C» и нестабильных – достаточно правил и минимальных запасов.

Ошибка: пытаться одинаково прогнозировать всё. В реальности прогнозирование должно быть дифференцированным.

Длинный хвост: много товаров, мало продаж – что делать практично

«Длинный хвост» – это ситуация, когда товаров или сегментов много, а продажи по каждому малы и редки. Процентные метрики начинают врать, модели начинают переобучаться, а бизнес пытается управлять деталями там, где нет сигнала.

Практические подходы:

Сократить детализацию. Прогнозировать хвост агрегировано, а не поштучно.

Использовать пороги. Например, прогнозируете только те товары, у которых средняя продажа выше N в неделю.

Использовать правила вместо моделей. Минимальный запас, закупка под заказ, предзаказ, ограничение ассортимента.

Отдельная политика для хвоста. Хвост управляется не прогнозом, а правилами и экономикой.

Метрики качества: MAE, MAPE, sMAPE – что понимать менеджеру

Менеджеру нужно не «разбираться в формуле», а понимать смысл.

MAE показывает, на сколько единиц вы ошибаетесь в среднем. Если MAE = 50 лидов, это значит: планируя смены, вы должны иметь буфер примерно на 50 лидов.

MAPE показывает ошибку в процентах. Удобно, когда значения большие и стабильные. Но если у вас метрика может быть 0 или близкой к 0, проценты становятся бессмысленными.

sMAPE пытается исправить перекосы MAPE, но тоже не спасает на малых числах.

Практическое правило: для управленческих решений полезнее понимать MAE и «коридор», чем спорить о процентах.

Когда MAPE врёт: нули и малые значения

Если в знаменателе маленькое число, процентная ошибка взлетает. У вас может быть день с 1 продажей, прогноз 2 – и MAPE уже 100%. Но управленчески это не катастрофа, это просто редкий процесс.

Поэтому:

Для хвоста и редких сегментов используйте абсолютные метрики (MAE) и агрегирование.

Для крупных потоков можно использовать процентные метрики, но всегда дополняйте их абсолютной ошибкой.

Интервалы прогноза: почему это обязательная часть решения

Интервал – это ваш инструмент управления риском. Без интервала прогноз превращается в «обещание», и бизнес реагирует эмоционально на любое расхождение.