Маркетплейсы / Делать прогноз по категориям
Как прогнозировать продажи по категориям с помощью ИИ
ИИ прогнозирует продажи по категориям, анализируя историю заказов, цены, сезонность и маркетинговые активности. Модель обучается на прошлых данных и выдает прогноз на нужный период, что позволяет планировать закупки, рекламу и логистику. Такой подход точнее ручных оценок, особенно при большом ассортименте и меняющемся спросе.
Проблема
Почему это важно
Без прогноза по категориям маркетплейс сталкивается с дефицитом или избытком товаров: закупки делаются на основе интуиции или простых средних, что приводит к упущенным продажам или заморозке денег в неликвидах.
Почему возникает
- Ручной расчет по средним продажам не учитывает тренды и сезонные пики
- Нет единой системы, которая связывает продажи с ценами, рекламой и внешними факторами
- Данные разрознены по категориям и периодам, их сложно обрабатывать вручную
Риски и потери
- Потеря выручки из-за отсутствия товара в момент пикового спроса
- Затоваривание склада и рост затрат на хранение
- Неэффективное распределение рекламного бюджета между категориями
Что влияет на результат
- Исторические продажи по категориям
- Сезонность и праздничные дни
- Изменения цен и акции
- Рекламные расходы и трафик
- Внешние факторы: погода, тренды, конкуренция
Типичные ошибки ручного подхода
- Игнорирование сезонных всплесков и провалов
- Линейная экстраполяция без учета нелинейных зависимостей
- Смешение категорий с разной динамикой в один усредненный прогноз
Определение
Что важно понимать
Прогноз продаж
Оценка будущего объема продаж на основе исторических данных и факторов спроса.
Позволяет планировать закупки, производство, логистику и маркетинг, снижая риски дефицита или избытка.Категория товаров
Группа товаров с общими характеристиками (например, электроника, одежда, продукты).
Прогноз по категориям позволяет агрегировать данные и принимать решения на уровне ассортиментных групп.Временной ряд
Последовательность данных, упорядоченных по времени (например, продажи по дням).
Основа для прогнозных моделей, учитывающих тренды и сезонность.Данные
Какие данные нужны
История продаж
Базовые данные для обучения модели прогнозирования.
- дата
- категория
- количество проданных единиц
- выручка
Цены и акции
Цена напрямую влияет на спрос; акции создают всплески продаж.
- цена на дату
- флаг акции
- размер скидки
Маркетинговые данные
Рекламные расходы и трафик влияют на продажи.
- расходы на рекламу по категории
- количество визитов
- показы
Сезонные факторы
Учет праздников, сезонов и трендов повышает точность прогноза.
- день недели
- месяц
- праздничный день
- индекс сезонности
Методология
Методика прогнозирования продаж по категориям с ИИ
Принципы
- Использовать исторические данные минимум за 12 месяцев для учета сезонности
- Разделять категории с разной динамикой, чтобы не усреднять разнородные ряды
- Обучать модель на данных до текущей даты и проверять на отложенной выборке
- Регулярно переобучать модель по мере поступления новых данных
Допущения
- Прошлые закономерности сохранятся в будущем (стационарность)
- Данные о продажах и факторах собираются регулярно и без пропусков
- Внешние шоки (кризисы, пандемии) не учитываются, если не включены в модель
Ошибки
- Использование слишком короткой истории (менее года)
- Игнорирование выбросов и аномалий (например, разовые крупные заказы)
- Применение одной модели для всех категорий без настройки гиперпараметров
- Не учитывать лаг между рекламой и продажами
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса по категориям
Данные на входе: Исторические продажи по категориям, Цены и акции, Рекламные расходы, Сезонные факторы
Что делает модель: Обучается на исторических данных и предсказывает будущие продажи для каждой категории
Результат: Прогноз продаж на заданный период (например, на месяц) с доверительным интервалом
Как используется: Система передает прогноз в планирование закупок и маркетинга
Выявление аномалий в продажах
Данные на входе: Фактические продажи по категориям, Прогнозные значения
Что делает модель: Сравнивает факт с прогнозом и определяет значимые отклонения
Результат: Список категорий с аномальными продажами и степень отклонения
Как используется: Аналитик проверяет причины аномалий и корректирует планы
Оценка влияния маркетинга на продажи
Данные на входе: Рекламные расходы по категориям, Продажи по категориям
Что делает модель: Оценивает эластичность спроса к рекламе и определяет оптимальный бюджет
Результат: Рекомендации по распределению рекламного бюджета между категориями
Как используется: Маркетолог корректирует бюджет на основе рекомендаций
Разбор
Как это работает
- 1
Вход: исторические данные о продажах, ценах, рекламе за 12+ месяцев. Действие: очистка данных, обработка пропусков, создание признаков (сезонность, лаги). Результат: подготовленный датасет для обучения.
- 2
Вход: подготовленный датасет. Действие: разделение на обучающую и тестовую выборки, обучение модели (например, LightGBM или Prophet). Результат: обученная модель прогнозирования.
- 3
Вход: тестовая выборка. Действие: оценка точности модели (MAE, MAPE). Результат: метрики качества прогноза.
- 4
Вход: новые данные за последний период. Действие: модель генерирует прогноз на будущий период для каждой категории. Результат: таблица прогнозов по категориям.
- 5
Вход: прогноз и фактические данные. Действие: сравнение факта с прогнозом, выявление отклонений. Результат: отчет об аномалиях.
- 6
Вход: отчет об аномалиях. Действие: аналитик проверяет причины и принимает решения. Результат: корректировка планов закупок и маркетинга.
Расчет
Формулы для прогноза
Для прогнозирования продаж по категориям можно использовать простую формулу сезонного сглаживания или более сложные ML-модели. Ниже приведен пример базовой формулы.
Простой сезонный прогноз
Прогноз = (Средние продажи за прошлый период) × (Сезонный коэффициент)- Средние продажи за прошлый период — среднемесячные продажи категории за прошлый год
- Сезонный коэффициент — отношение продаж в конкретном месяце к среднемесячным продажам за год
Условный пример: Среднемесячные продажи категории 'Электроника' = 1000 шт. Сезонный коэффициент для декабря = 1.5. Прогноз на декабрь = 1000 × 1.5 = 1500 шт.
Это упрощенный пример. На практике ИИ-модели учитывают множество факторов и нелинейные зависимости.
Расчет доступной мощности команды для обработки прогнозов
Доступная мощность = Количество сотрудников × Рабочие часы в смене × Коэффициент доступности- Количество сотрудников — число аналитиков или операторов, работающих с прогнозами
- Рабочие часы в смене — среднее количество рабочих часов на сотрудника в день
- Коэффициент доступности — доля времени, доступного для работы с задачами (учитывая перерывы, совещания и пр.)
Условный пример: Если в команде 5 аналитиков, каждый работает 8 часов в смену, коэффициент доступности 0.75, то доступная мощность = 5 × 8 × 0.75 = 30 часов работы в день.
Допущение: Расчет помогает понять, сколько часов команда может выделить на задачи, связанные с прогнозированием и анализом.
Расчет разрыва между прогнозной нагрузкой и доступной мощностью
Разрыв = Прогнозная нагрузка − Доступная мощность- Прогнозная нагрузка — ожидаемое количество часов или задач, требующих обработки за период
- Доступная мощность — количество часов, доступных команде для работы
Условный пример: Если прогнозная нагрузка составляет 40 часов работы в день, а доступная мощность — 30 часов, разрыв = 40 − 30 = 10 часов дефицита.
Допущение: Положительный разрыв указывает на нехватку ресурсов, что может привести к рискам по срокам и качеству.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз для категории 'Одежда'
- Допущение: Исторические продажи категории 'Одежда' за 12 месяцев
- Допущение: Данные о ценах и акциях
- Допущение: Рекламные расходы по категории
Среднемесячные продажи категории 'Одежда' за прошлый год составили 2000 единиц. Сезонный коэффициент для сентября равен 1.2. Прогноз на сентябрь = 2000 × 1.2 = 2400 единиц. Модель ИИ, учитывая рост рекламных расходов на 20% и запуск новой коллекции, скорректировала прогноз до 2600 единиц.Прогноз по категории 'Одежда' на сентябрь составил 2600 единиц, что на 30% выше среднемесячного уровня. Это указывает на необходимость увеличения закупок и подготовки склада к сезонному спросу.
Условный пример: Пример расчёта мощности команды и разрыва нагрузки
- Допущение: Количество аналитиков: 5
- Допущение: Рабочие часы в смену: 8
- Допущение: Коэффициент доступности: 0.75
- Допущение: Прогнозная нагрузка: 40 часов в день
Доступная мощность = 5 × 8 × 0.75 = 30 часов в день. Разрыв = 40 − 30 = 10 часов дефицита.Команда не справляется с прогнозной нагрузкой, существует риск задержек и снижения качества анализа. Необходимо увеличить штат или перераспределить задачи.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Исторические продажи по категории
- Сезонность
- Изменения цен и акции
- Рекламные расходы
Какие риски учтены
- Резкие изменения спроса из-за внешних факторов
- Ошибки в данных (пропуски, выбросы)
- Переобучение модели на шумовых данных
Какие варианты рассматривались
- Использовать простые средние (менее точно)
- Применить модель Prophet (учитывает сезонность, но менее гибкая)
- Использовать градиентный бустинг (LightGBM) с большим числом признаков
ML-модель выбрана, так как она способна учитывать множество факторов и нелинейные зависимости, что повышает точность прогноза по сравнению с простыми методами.
Если данных мало (менее года) или категория новая, лучше использовать простые методы или экспертные оценки.
Результат
Что видит пользователь
Дашборд с прогнозом по категориям
Таблица с прогнозом продаж на каждый месяц по каждой категории, а также доверительные интервалы
Планировать закупки, распределять рекламный бюджет, управлять складскими запасамиУведомления об аномалиях
Список категорий, где фактические продажи значительно отклоняются от прогноза
Быстро реагировать на изменения спроса и корректировать планыАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и обработка данных о продажах, ценах, рекламе
- Обучение и переобучение модели прогнозирования
- Генерация прогноза на заданный период
- Сравнение факта с прогнозом и выявление аномалий
Требует настройки
- Настройка источников данных (API маркетплейса, CRM)
- Определение категорий и периодов прогнозирования
- Задание порогов для аномалий
- Выбор модели и гиперпараметров
Остаётся за человеком
- Проверка причин аномалий
- Утверждение плана закупок на основе прогноза
- Корректировка рекламного бюджета
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю продаж по категориям в Excel
- Построить простой прогноз с помощью сезонных коэффициентов в таблице
- Сравнить с фактическими данными за прошлый месяц для проверки
Рабочая система
- Настроить автоматическую выгрузку данных из API маркетплейса
- Создать базу данных для хранения истории
- Разработать скрипт на Python для обучения модели (например, Prophet или LightGBM)
- Построить дашборд в BI-системе для визуализации прогноза
Расширенный вариант
- Подключить дополнительные источники данных (погода, тренды, конкуренты)
- Использовать ансамбль моделей для повышения точности
- Внедрить сценарный анализ (что если изменится цена или реклама)
Подготовка
Чек-лист перед запуском
- 1
Собрать историю продаж минимум за 12 месяцев по каждой категории
- 2
Очистить данные от дублей и пропусков
- 3
Добавить признаки сезонности (месяц, день недели, праздники)
- 4
Учесть цены и акции в данных
- 5
Разделить данные на обучающую и тестовую выборки
- 6
Выбрать модель прогнозирования (например, Prophet или LightGBM)
- 7
Обучить модель и оценить точность (MAPE, MAE)
- 8
Настроить автоматическое обновление прогноза при поступлении новых данных
- 9
Создать дашборд для визуализации прогноза и аномалий
- 10
Определить ответственных за принятие решений на основе прогноза
Вывод
Главное
Главный принцип — прогноз должен опираться на данные, а не на интуицию, и регулярно обновляться.
Основные данные — история продаж, цены, реклама, сезонность. Расчеты включают обучение ML-модели, оценку точности, расчет доступной мощности команды и анализ разрыва нагрузки.
ИИ автоматизирует построение прогноза, учитывает множество факторов и выявляет аномалии, что повышает точность и скорость принятия решений.
Начните с выгрузки истории продаж за год и постройте простой сезонный прогноз в Excel, чтобы увидеть базовую динамику.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как выстроить путь от бизнес-проблемы к работающему решению: модель решения, данные, автоматизация, интерфейс. В рамках практикума участники учатся строить такие прогнозные модели без программирования.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
Нужно ли уметь программировать, чтобы использовать ИИ для прогноза?
Нет, в практикуме ReMetod вы научитесь строить работающие решения без кода, используя готовые инструменты и платформы.
Сколько данных нужно для точного прогноза?
Минимум 12 месяцев истории, но чем больше данных, тем точнее модель. Для новых категорий можно использовать экспертные оценки.
Как часто нужно переобучать модель?
Рекомендуется переобучать модель ежемесячно или при появлении значимых изменений в данных (новые акции, изменение цен).
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы? Приходите на бесплатный вебинар ReMetod.