Маркетплейсы / Прогнозировать продажи по SKU
Как прогнозировать продажи товара с ИИ
ИИ-прогноз продаж по SKU позволяет предсказывать спрос на конкретный товар, используя историю продаж, сезонность, промоактивность и внешние факторы. Это помогает точнее планировать закупки, избегать дефицита и излишков, а также оптимизировать запасы.
Проблема
Почему это важно
Без ИИ-прогноза продавцы на маркетплейсах часто полагаются на интуицию или простые средние значения, что приводит к ошибкам в закупках: то товар заканчивается в самый пик спроса, то склад забит неликвидами. Ручной анализ больших объемов данных по каждому SKU занимает много времени и не учитывает сложные зависимости.
Почему возникает
- Большое количество SKU, по каждому нужно прогнозировать спрос отдельно
- Сезонные колебания и тренды сложно учесть вручную
- Промоакции и изменения цен влияют на спрос непредсказуемо
- Внешние факторы (погода, события, конкуренты) не видны в простых таблицах
Риски и потери
- Упущенная выручка из-за дефицита товара в пик спроса
- Замораживание оборотных средств в излишних запасах
- Штрафы и потеря рейтинга за срывы сроков поставки
- Списания и уценка неликвидов
Что влияет на результат
- История продаж (объемы, динамика)
- Сезонность (день недели, месяц, праздники)
- Промоактивность (скидки, акции, реклама)
- Цена товара и цены конкурентов
- Внешние факторы (погода, события, тренды)
Типичные ошибки ручного подхода
- Использование среднего арифметического без учета тренда и сезонности
- Игнорирование промо-периодов, что завышает прогноз
- Неучет выбросов (например, разовый всплеск из-за вирусного видео)
- Экстраполяция прошлого без учета изменений рынка
Определение
Что важно понимать
SKU
Stock Keeping Unit — артикул товара, уникальный идентификатор конкретной позиции (товар, цвет, размер).
Прогноз делается по каждому SKU отдельно, так как спрос на разные варианты одного товара может сильно различаться.MAPE
Mean Absolute Percentage Error — средняя абсолютная процентная ошибка прогноза.
Показывает, насколько прогноз в среднем отклоняется от факта в процентах. Чем ниже, тем точнее модель.WAPE
Weighted Absolute Percentage Error — взвешенная абсолютная процентная ошибка, учитывает объем продаж.
Более устойчива к выбросам, чем MAPE, и лучше подходит для товаров с неравномерными продажами.Данные
Какие данные нужны
История продаж по SKU
Основные данные для обучения модели: объемы продаж за прошлые периоды.
- дата
- SKU
- количество проданных единиц
- выручка
Календарь промоакций
Промоакции сильно влияют на спрос, их нужно учитывать как отдельный фактор.
- SKU
- дата начала
- дата окончания
- тип акции (скидка, 1+1, реклама)
- размер скидки
Цены и цены конкурентов
Изменение цены влияет на спрос, а также цены конкурентов могут переключать покупателей.
- SKU
- дата
- цена
- средняя цена конкурентов
Внешние факторы
Погода, праздники, события могут резко менять спрос.
- дата
- праздник (да/нет)
- температура
- индекс сезонности
Методология
Методика ИИ-прогноза продаж по SKU
Принципы
- Прогноз строится на исторических данных, но не механически: модель выявляет закономерности.
- Чем больше качественных данных, тем точнее прогноз.
- Модель нужно регулярно переобучать на новых данных.
- Прогноз всегда имеет погрешность, которую нужно оценивать и учитывать в решениях.
Допущения
- Прошлые закономерности сохранятся в будущем (если нет резких изменений рынка).
- Данные о продажах и промоакциях полные и корректные.
- Внешние факторы, которые не учтены, не окажут значимого влияния.
Ошибки
- Использовать слишком короткую историю (менее года) — не видно сезонности.
- Не разделять данные на обучающую и тестовую выборки — переобучение.
- Игнорировать промоакции — прогноз завышается в обычные дни.
- Не обновлять модель — прогноз устаревает.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса на основе исторических данных
Данные на входе: История продаж по SKU, Календарь промоакций, Цены, Внешние факторы
Что делает модель: Обучается на исторических данных и предсказывает будущие продажи, выявляя сложные зависимости.
Результат: Прогноз продаж на каждый будущий период (день/неделя/месяц) с доверительным интервалом.
Как используется: Система автоматически формирует прогноз и передает его в планирование закупок.
Оценка точности прогноза
Данные на входе: Фактические продажи за прошедший период, Прогнозные значения за тот же период
Что делает модель: Сравнивает прогноз с фактом и рассчитывает метрики MAPE, WAPE.
Результат: Значение ошибки прогноза в процентах.
Как используется: Менеджер видит, насколько можно доверять прогнозу, и при необходимости корректирует модель.
Выявление аномалий в продажах
Данные на входе: История продаж, Прогнозные значения
Что делает модель: Сравнивает фактические продажи с прогнозом и определяет резкие отклонения.
Результат: Список SKU и дат, где продажи значительно выше или ниже прогноза.
Как используется: Менеджер проверяет причины аномалий (например, сбой поставки или вирусный спрос) и корректирует планы.
Разбор
Как это работает
- 1
Вход: история продаж по SKU за 1-2 года. Действие: очистка данных, удаление выбросов, заполнение пропусков. Результат: подготовленный датасет.
- 2
Вход: подготовленный датасет. Действие: добавление признаков (день недели, месяц, праздник, промо-флаг). Результат: датасет с признаками.
- 3
Вход: датасет с признаками. Действие: разделение на обучающую и тестовую выборки (например, 80/20). Результат: две выборки.
- 4
Вход: обучающая выборка. Действие: обучение модели (например, градиентный бустинг или ARIMA). Результат: обученная модель.
- 5
Вход: тестовая выборка. Действие: прогноз на тестовый период и расчет MAPE/WAPE. Результат: оценка точности модели.
- 6
Вход: обученная модель и новые данные (промо, цены). Действие: прогноз на будущий период. Результат: прогнозные значения продаж.
- 7
Вход: прогноз и фактические данные по мере поступления. Действие: сравнение, расчет ошибки, при необходимости переобучение. Результат: актуальный прогноз.
Расчет
Формулы для оценки точности прогноза
Для оценки качества прогноза используются метрики MAPE и WAPE. Они показывают, насколько прогноз отклоняется от факта в среднем.
MAPE (средняя абсолютная процентная ошибка)
MAPE = (1/n) * Σ |(Факт_i - Прогноз_i) / Факт_i| * 100%- n — количество периодов
- Факт_i — фактическое значение в период i
- Прогноз_i — прогнозное значение в период i
Условный пример: Если за 4 недели фактические продажи были 100, 110, 90, 120, а прогноз 105, 100, 95, 115, то MAPE = (|100-105|/100 + |110-100|/110 + |90-95|/90 + |120-115|/120)/4 * 100% = (5% + 9.1% + 5.6% + 4.2%)/4 = 5.97%.
Допущение: MAPE чувствителен к нулевым значениям факта, поэтому для товаров с редкими продажами лучше использовать WAPE.
WAPE (взвешенная абсолютная процентная ошибка)
WAPE = Σ |Факт_i - Прогноз_i| / Σ Факт_i * 100%- Факт_i — фактическое значение в период i
- Прогноз_i — прогнозное значение в период i
Условный пример: Используя те же данные: WAPE = (|100-105| + |110-100| + |90-95| + |120-115|) / (100+110+90+120) * 100% = (5+10+5+5)/420 * 100% = 5.95%.
Допущение: WAPE менее чувствителен к выбросам и лучше подходит для товаров с неравномерными продажами.
Доступная мощность команды для обработки задач прогнозирования
Доступная мощность = Количество сотрудников × Рабочие часы в смену × Коэффициент доступности- Количество сотрудников — число сотрудников, занятых прогнозированием
- Рабочие часы в смену — среднее количество рабочих часов на сотрудника в смену
- Коэффициент доступности — доля времени, доступного для работы над задачами (без перерывов и отвлечений)
Условный пример: Если в команде 3 сотрудника, каждый работает 8 часов в смену, коэффициент доступности 0.75, то доступная мощность = 3 × 8 × 0.75 = 18 часов работы в смену.
Допущение: Расчет помогает понять, сколько часов команда может уделять задачам прогнозирования и обработки данных.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз продаж для SKU на основе ИИ
- Допущение: Рассмотрим условный пример: SKU 'Футболка белая, размер M' на маркетплейсе.
- Допущение: История продаж за 12 месяцев: среднемесячные продажи 200 шт., с сезонным пиком в мае-июне (до 350 шт.) и спадом в январе (120 шт.).
- Допущение: В прошлом месяце была промоакция со скидкой 20%, продажи составили 280 шт. при обычных 200 шт.
- Допущение: Модель ИИ обучена на этих данных и учитывает сезонность, промо и тренд.
Модель прогнозирует на следующий месяц (без промо) 210 шт. Фактические продажи составили 220 шт. Ошибка MAPE = |220-210|/220 = 4.5%. Прогноз достаточно точный.Прогноз ИИ с ошибкой 4.5% позволяет планировать закупку с запасом, избегая дефицита и излишков. Для данного SKU можно доверять прогнозу и использовать его для автоматического формирования заказа поставщику.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Точность прогноза (MAPE/WAPE)
- Наличие сезонности и тренда
- Влияние промоакций
- Достоверность исторических данных
Какие риски учтены
- Резкие изменения рынка (новый конкурент, изменение спроса)
- Ошибки в данных (пропуски, выбросы)
- Переобучение модели на исторических данных
Какие варианты рассматривались
- Использовать простые методы (среднее, экспоненциальное сглаживание) — менее точно
- Прогнозировать вручную — трудоемко и субъективно
- Использовать готовые BI-решения с встроенными моделями
ИИ-модель позволяет автоматически учитывать множество факторов и обновляться, что дает более точный прогноз по сравнению с ручными методами.
Если данных мало (менее 6 месяцев) или рынок нестабилен, лучше использовать простые методы и увеличить страховой запас.
Результат
Что видит пользователь
Дашборд с прогнозом по каждому SKU
Таблица с прогнозными значениями на будущие периоды, доверительные интервалы, метрики точности.
Планировать закупки, определять объем заказа, выявлять SKU с высоким риском дефицита.Автоматические уведомления об аномалиях
Сообщение о SKU, где фактические продажи сильно отклоняются от прогноза.
Быстро реагировать на изменения спроса, корректировать заказы.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах
- Обучение и переобучение модели прогнозирования
- Расчет прогноза на будущий период
- Выявление аномалий
Требует настройки
- Настройка источников данных (выгрузка из маркетплейса)
- Определение пороговых значений для аномалий
- Выбор модели и гиперпараметров
Остаётся за человеком
- Утверждение объемов закупок
- Реагирование на аномалии (проверка причин)
- Корректировка прогноза при форс-мажорах
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю продаж по SKU в Excel
- Построить простую модель в Excel (например, с помощью функции ПРЕДСКАЗ) для одного SKU
- Сравнить прогноз с фактом за прошлый месяц, оценить ошибку
Рабочая система
- Настроить автоматическую выгрузку данных из маркетплейса
- Создать базу данных для хранения истории
- Разработать скрипт на Python для обучения модели (например, с использованием библиотеки Prophet или LightGBM)
- Внедрить дашборд для визуализации прогнозов
Расширенный вариант
- Подключить дополнительные источники данных (цены конкурентов, погода)
- Использовать ансамбль моделей для повышения точности
- Внедрить сценарный анализ (что если промо, что если скидка)
Подготовка
Чек-лист перед запуском
- 1
Собрать историю продаж минимум за 12 месяцев
- 2
Очистить данные от выбросов и пропусков
- 3
Добавить признаки: день недели, месяц, праздники, промо-флаг
- 4
Разделить данные на обучающую и тестовую выборки
- 5
Выбрать модель (например, градиентный бустинг или ARIMA)
- 6
Обучить модель и оценить MAPE/WAPE на тестовой выборке
- 7
Настроить автоматическое обновление модели
- 8
Интегрировать прогноз в процесс планирования закупок
- 9
Определить ответственного за мониторинг точности
- 10
Установить порог аномалий для уведомлений
Вывод
Главное
ИИ-прогноз продаж по SKU позволяет точнее планировать закупки, снижая риски дефицита и излишков, за счет автоматического учета множества факторов.
Основные данные — история продаж, промоактивность, цены, внешние факторы. Ключевые расчеты — прогнозные значения и метрики точности MAPE/WAPE.
ИИ обучается на исторических данных, выявляет закономерности и предсказывает будущий спрос, а также выявляет аномалии.
Начните с выгрузки истории продаж по одному-двум ключевым SKU и постройте простую модель в Excel, чтобы оценить потенциальную точность.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как строить обучение вокруг пути: бизнес-проблема -> модель решения -> данные -> автоматизация -> интерфейс -> работающее решение. Практикум рассчитан на собственников, руководителей, аналитиков и менеджеров малого и среднего бизнеса без требования уметь программировать.
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
У нас мало данных по новым товарам, как прогнозировать?
Для новых SKU можно использовать прогноз на основе похожих товаров (кластеризация) или экспертные оценки, а затем корректировать по мере накопления данных.
Насколько точным должен быть прогноз?
Универсального порога нет. Ориентируйтесь на динамику ошибки: если MAPE стабильно снижается и не превышает 10-15%, прогноз можно использовать для планирования. Для товаров с высокими потерями от дефицита допустима большая ошибка.
Сложно ли внедрить ИИ-прогноз без программиста?
Начать можно с простых инструментов (Excel, Google Sheets), а для более точных моделей использовать готовые библиотеки с понятными интерфейсами. Практикум ReMetod помогает освоить этот путь без глубоких знаний программирования.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы? Приходите на бесплатный вебинар ReMetod.