Маркетплейсы / Спрогнозировать акцию

Спрогнозировать акцию на маркетплейсе с ИИ: что будет, если запустить

ИИ помогает спрогнозировать, что будет, если запустить акцию на маркетплейсе: как изменится спрос, продажи, загрузка склада и прибыль. Модель анализирует историю продаж, промо и внешние факторы, строит сценарии what-if и показывает ожидаемый эффект до запуска.

Проблема

Почему это важно

Без прогноза акция на маркетплейсе запускается вслепую: неизвестно, хватит ли товара, не уйдет ли в минус из-за скидки, не перегрузит ли склад. Решения принимаются на основе интуиции или прошлого опыта, что часто приводит к упущенной выгоде или убыткам.

Почему возникает

Нет исторических данных о влиянии промо на продажи
Сложно учесть множество факторов: сезонность, конкуренты, реклама, остатки
Ручной расчет по Excel не позволяет быстро перебрать сценарии
Отсутствие единой методики оценки эффекта акции

Риски и потери

Перерасход бюджета на неэффективную скидку
Дефицит товара при высоком спросе — потерянные продажи и рейтинг
Излишек товара после акции — заморозка денег в остатках
Снижение маржинальности без роста выручки

Что влияет на результат

Глубина скидки
Длительность акции
Сезонность и тренды
Активность конкурентов
Рекламный бюджет
Остатки на складе
Ценовая эластичность

Типичные ошибки ручного подхода

Не учитывают сезонность и тренды
Путают корреляцию с причинностью
Не разделяют эффект акции и другие факторы
Используют средние значения вместо распределений

Определение

Что важно понимать

What-if анализ

Метод сценарного моделирования, при котором изменяются входные параметры и оценивается влияние на результат.

Позволяет сравнить несколько вариантов акции до запуска и выбрать оптимальный.

Uplift forecast

Прогноз прироста продаж, который обеспечивает акция, относительно базового уровня без акции.

Показывает чистый эффект акции, отделяя его от сезонности и других факторов.

Ценовая эластичность

Показатель, насколько изменится спрос при изменении цены на 1%.

Помогает оценить, насколько скидка увеличит продажи.

Данные

Какие данные нужны

История продаж

База для прогноза спроса и выделения эффекта акции

дата
SKU
количество
выручка
цена

Данные о промо

Чтобы понять, как прошлые акции влияли на продажи

дата начала
дата окончания
тип акции
размер скидки
бюджет

Остатки на складе

Оценить, хватит ли товара для покрытия прогнозного спроса

SKU
склад
доступное количество
резерв

Внешние факторы

Учесть сезонность, праздники, активность конкурентов

календарь праздников
индекс цен конкурентов
рекламный трафик

Методология

Методика прогноза эффекта акции

Принципы

Сначала строим базовый прогноз без акции (на основе истории и трендов).
Затем моделируем uplift от акции с учетом скидки, длительности и эластичности.
Сравниваем сценарии по прибыли, а не только по выручке.
Проверяем прогноз на фактических данных после акции.

Допущения

Исторические данные репрезентативны и не содержат аномалий.
Влияние акции на спрос стабильно во времени.
Конкуренты не меняют поведение в ответ на акцию.

Ошибки

Игнорирование сезонности — прогноз завышен или занижен.
Смешение эффекта акции с другими факторами (реклама, праздники).
Прогноз только выручки без учета затрат на акцию и логистику.
Неучет ограничений склада — акция приводит к дефициту.

Роль ИИ

Как ИИ решает задачу

Машинное обучение

Прогноз базового спроса без акции

Данные на входе: История продаж по SKU и дням, Календарь праздников, Тренды и сезонность

Что делает модель: Обучается на исторических данных и прогнозирует спрос на период акции без учета промо

Результат: Прогноз продаж по дням и SKU

Как используется: Используется как базовый уровень для расчета uplift

Бизнес-правило

Оценка uplift от акции

Данные на входе: Прогноз базового спроса, Параметры акции: скидка, длительность, бюджет, Ценовая эластичность

Что делает модель: Рассчитывает прирост продаж за счет акции с учетом эластичности и ограничений

Результат: Прогнозный uplift в штуках и рублях

Как используется: Сравнивается с затратами на акцию для оценки прибыльности

Бизнес-правило

Сценарный what-if анализ

Данные на входе: Несколько вариантов акции (разные скидки, сроки, бюджеты), Прогнозы спроса и uplift для каждого варианта

Что делает модель: Перебирает комбинации параметров и считает прибыль, загрузку склада, риски дефицита

Результат: Сравнительная таблица сценариев с метриками

Как используется: Менеджер выбирает оптимальный сценарий по целевым показателям

Машинное обучение

Выявление аномалий в данных

Данные на входе: Исторические продажи, Данные о промо

Что делает модель: Находит выбросы, которые могут исказить прогноз (например, разовые всплески)

Результат: Список аномальных точек с пояснением

Как используется: Аналитик проверяет и исключает аномалии перед обучением модели

Разбор

Как это работает

1
Вход: исторические данные о продажах, промо, остатках. Действие: очистка данных, удаление аномалий. Результат: подготовленный датасет.
2
Вход: подготовленные данные. Действие: обучение модели прогноза базового спроса. Результат: модель, прогнозирующая продажи без акции.
3
Вход: параметры акции (скидка, срок). Действие: расчет uplift с помощью эластичности. Результат: прогнозный прирост продаж.
4
Вход: прогноз спроса и остатки. Действие: проверка достаточности запасов. Результат: оценка риска дефицита.
5
Вход: несколько сценариев акции. Действие: расчет прибыли и метрик для каждого. Результат: сравнительная таблица.
6
Вход: выбранный сценарий. Действие: запуск акции и сбор фактических данных. Результат: сравнение факта с прогнозом.

Расчет

Ключевые формулы для прогноза акции

Для оценки эффекта акции используются две основные формулы: расчет uplift и расчет прибыли от акции.

Uplift от акции

Uplift = Базовый спрос × Эластичность × (Скидка / 100)

Базовый спрос — прогноз продаж без акции, шт.
Эластичность — коэффициент ценовой эластичности (например, 1.5)
Скидка — размер скидки в процентах

Условный пример: Базовый спрос = 1000 шт., эластичность = 1.5, скидка = 10%. Uplift = 1000 × 1.5 × 0.10 = 150 шт.

Допущение: Это упрощенная линейная модель. В реальности эластичность может быть нелинейной.

Прибыль от акции

Прибыль = (Цена × (1 − Скидка) − Себестоимость) × (Базовый спрос + Uplift) − Затраты на акцию

Цена — обычная цена, руб.
Скидка — доля скидки (например, 0.10)
Себестоимость — переменные затраты на единицу, руб.
Базовый спрос — прогноз без акции, шт.
Uplift — прирост продаж, шт.
Затраты на акцию — бюджет на продвижение, руб.

Условный пример: Цена = 1000 руб., скидка = 10%, себестоимость = 600 руб., базовый спрос = 1000 шт., uplift = 150 шт., затраты = 50 000 руб. Прибыль = (1000 × 0.9 − 600) × 1150 − 50000 = (900 − 600) × 1150 − 50000 = 300 × 1150 − 50000 = 345000 − 50000 = 295000 руб.

Допущение: Формула не учитывает логистику и комиссию маркетплейса, которые нужно добавить.

Доступная мощность команды

Доступная мощность = Количество сотрудников × Рабочие часы в смене × Коэффициент доступности

Количество сотрудников — число человек в команде
Рабочие часы в смене — количество рабочих часов на одного сотрудника в смену
Коэффициент доступности — доля времени, доступного для выполнения задач (например, 0.8)

Условный пример: 5 сотрудников × 8 часов × 0.8 = 32 часа доступной мощности за смену.

Допущение: Расчет доступной мощности помогает понять, сколько часов работы команда может реально выполнить.

Разрыв между прогнозной нагрузкой и мощностью

Разрыв = Прогнозная нагрузка − Доступная мощность

Прогнозная нагрузка — ожидаемые задачи в часах
Доступная мощность — часы, которые команда может отработать

Условный пример: прогнозная нагрузка 40 часов − доступная мощность 32 часа = разрыв 8 часов.

Допущение: Разрыв показывает, хватает ли команды для выполнения задач или есть риск срывов.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: выбор скидки для акции на электронику

Допущение: Продавец электроники планирует акцию на наушники.
Допущение: Обычная цена — 5000 руб., себестоимость — 3000 руб.
Допущение: Исторические данные показывают эластичность 1.2.
Допущение: Базовый прогноз продаж на период акции — 200 шт.
Допущение: Бюджет на продвижение — 30 000 руб.

Рассмотрим два сценария: скидка 10% и 20%. При скидке 10%: uplift = 200 × 1.2 × 0.10 = 24 шт., продажи = 224 шт., прибыль = (5000 × 0.9 − 3000) × 224 − 30000 = (4500 − 3000) × 224 − 30000 = 1500 × 224 − 30000 = 336000 − 30000 = 306000 руб. При скидке 20%: uplift = 200 × 1.2 × 0.20 = 48 шт., продажи = 248 шт., прибыль = (5000 × 0.8 − 3000) × 248 − 30000 = (4000 − 3000) × 248 − 30000 = 1000 × 248 − 30000 = 248000 − 30000 = 218000 руб. Скидка 10% дает больше прибыли, несмотря на меньший объем.

Скидка 10% выгоднее, чем 20%, потому что рост продаж не компенсирует потерю маржи. Оптимальная скидка ниже, чем кажется интуитивно.

Условный пример

Условный пример: расчет мощности команды для обработки заказов во время акции

Допущение: В команде 5 сотрудников, каждый работает 8 часов в смену.
Допущение: Коэффициент доступности сотрудников — 0.8 (учитывает перерывы и отвлечения).
Допущение: Прогнозная нагрузка на период акции — 40 часов работы.

Доступная мощность = 5 × 8 × 0.8 = 32 часа. Разрыв = 40 − 32 = 8 часов.

Команды не хватает для обработки всех заказов в срок, есть риск срывов SLA. Требуется либо увеличить штат, либо перераспределить задачи.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

Прогнозная прибыль, а не только выручка
Эластичность спроса
Ограничения по остаткам на складе
Бюджет на продвижение

Какие риски учтены

Дефицит товара при высоком спросе
Снижение маржинальности
Недостаточный спрос для покрытия затрат

Какие варианты рассматривались

Не проводить акцию
Провести акцию с меньшей скидкой
Увеличить бюджет на продвижение
Ограничить акцию по времени или количеству товара

Выбран сценарий с максимальной прогнозной прибылью при допустимом риске дефицита.

Если бы остатки были большими, можно было бы рассмотреть более агрессивную скидку для роста доли рынка.

Результат

Что видит пользователь

Сравнительная таблица сценариев акции

Таблица с вариантами скидки, прогнозными продажами, прибылью и риском дефицита

Выбрать оптимальный сценарий и запустить акцию

Прогноз спроса по дням

График ожидаемых продаж на период акции

Спланировать закупку и логистику

Уведомление о риске дефицита

Предупреждение, если прогнозный спрос превышает остатки

Дозаказать товар или скорректировать условия акции

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

Сбор и очистка данных о продажах и промо
Обучение модели прогноза базового спроса
Расчет uplift и прибыли для каждого сценария
Формирование сравнительной таблицы

Требует настройки

Настройка параметров эластичности
Определение пороговых значений для риска дефицита
Интеграция с данными маркетплейса

Остаётся за человеком

Выбор сценария акции
Утверждение бюджета
Решение о дозаказе товара

Внедрение

Как внедрить решение

Быстрый запуск

Собрать историю продаж и промо в Excel
Рассчитать uplift по упрощенной формуле
Сравнить 2-3 варианта скидки вручную

Рабочая система

Настроить автозагрузку данных с маркетплейса
Построить модель прогноза в Python или BI-инструменте
Создать дашборд для сравнения сценариев

Расширенный вариант

Внедрить ML-модель с учетом сезонности и внешних факторов
Подключить данные о конкурентах и рекламе
Автоматизировать пересчет прогноза при изменении условий

Подготовка

Чек-лист перед запуском

1
Собрать данные о продажах за последние 12 месяцев
2
Собрать данные о всех прошлых акциях
3
Проверить данные на аномалии
4
Определить базовый прогноз без акции
5
Оценить ценовую эластичность
6
Рассчитать uplift для нескольких скидок
7
Проверить достаточность остатков
8
Сравнить сценарии по прибыли
9
Выбрать оптимальный сценарий
10
Запустить акцию и настроить сбор фактических данных

Вывод

Главное

Прогноз акции должен опираться на данные и сценарный анализ, а не на интуицию.

Основные данные — история продаж, промо, остатки. Ключевые расчеты — базовый прогноз, uplift, прибыль по сценариям.

ИИ автоматизирует прогноз спроса, оценку uplift и перебор сценариев, позволяя быстро сравнить варианты.

Начните с простого: соберите историю продаж и промо в таблицу и рассчитайте uplift для двух-трех вариантов скидки.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает, как бизнес-проблема превращается в модель решения с данными и автоматизацией. Практикум учит строить такие решения без программирования.

В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.

Посмотреть программу практикума

Вопросы

Что обычно уточняют

У нас мало данных, ИИ не сможет спрогнозировать

Даже с небольшим объемом данных можно построить простую модель на основе эластичности и средних значений. По мере накопления данных точность растет.

Прогноз все равно неточный, зачем он нужен?

Прогноз не обязан быть идеальным. Он помогает сравнить сценарии и выбрать лучший, а также подготовиться к рискам. Даже приблизительный прогноз лучше, чем решение вслепую.

Это сложно внедрить, у нас нет аналитика

Можно начать с простых формул в Excel, а затем автоматизировать с помощью доступных инструментов. Практикум ReMetod как раз учит строить такие решения без программирования.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите научиться прогнозировать акции с помощью ИИ? Приходите на бесплатный вебинар ReMetod.

Ближайший вебинар

Вводный вебинар
Ближайшая дата появится в календаре

Разберем, где ИИ уже дает управленческую пользу, какие задачи стоит брать первыми и как не уйти в хайп.

Записаться на вебинар

Диагностика

Бесплатный разбор вашего кейса

25–30 минут: фиксируем задачу, данные, возможную автоматизацию и ближайший проверяемый результат.

Записаться на разбор

Практикум

Практикум 1 «Архитектор»

Полный путь от бизнес-проблемы до рабочей модели решения, интерфейса и проверки результата.

Перейти к практикуму