Закупки / Forecast accuracy
Как спрогнозировать спрос с ИИ
Прогноз спроса с ИИ строится на исторических данных: модель обучается на прошлых продажах и внешних факторах, чтобы предсказать будущий спрос. ИИ автоматически подбирает зависимости, которые вручную учесть сложно, и выдаёт прогноз с оценкой точности. Главное — правильно подготовить данные и регулярно переобучать модель.
Проблема
Почему это важно
Без прогноза спроса компания закупает товары вслепую: либо возникают излишки и заморозка денег в складе, либо дефицит и потерянные продажи. Ручной прогноз на основе прошлого опыта часто ошибается, потому что не учитывает сезонность, тренды и разовые акции.
Почему возникает
- Данные о продажах разрознены по таблицам и не очищены от выбросов
- Нет формализованной методики: прогноз зависит от интуиции конкретного менеджера
- Не учитываются внешние факторы: сезонность, праздники, маркетинговые кампании
- Прогноз не пересматривается регулярно, модель устаревает
Риски и потери
- Излишки товара: замороженные деньги, затраты на хранение, списания
- Дефицит: потерянные продажи, недовольные клиенты, срыв заказов
- Неправильный план закупок: срочные заказы по завышенным ценам
- Кассовые разрывы из-за неоптимальных закупок
Что влияет на результат
- Исторические продажи за прошлые периоды
- Сезонность (день недели, месяц, праздники)
- Тренд (рост или падение рынка)
- Маркетинговые акции и их эффект
- Внешние факторы: погода, экономическая ситуация, конкуренты
Типичные ошибки ручного подхода
- Игнорирование сезонности: прогноз на декабрь по средним за год
- Неучёт разовых всплесков (акции) как аномалий
- Экстраполяция тренда без проверки на насыщение
- Субъективная корректировка прогноза "на глаз"
Определение
Что важно понимать
Прогноз спроса
Оценка будущего объёма продаж на основе исторических данных и факторов влияния.
Позволяет планировать закупки, избегая излишков и дефицита.Forecast accuracy
Точность прогноза — степень отклонения прогнозных значений от фактических, обычно измеряется как MAPE (средняя абсолютная процентная ошибка).
Показывает, насколько можно доверять прогнозу, и помогает улучшать модель.Сезонность
Регулярные колебания спроса, повторяющиеся в определённые периоды (день, неделя, месяц, год).
Без учёта сезонности прогноз будет систематически завышен или занижен.Данные
Какие данные нужны
Исторические продажи
База для обучения модели: без прошлых данных невозможно предсказать будущее.
- дата продажи
- товар/категория
- количество
- выручка
Календарь событий
Учёт праздников, акций, распродаж, которые влияют на спрос.
- дата
- тип события (праздник, акция)
- масштаб (локальный/федеральный)
Внешние факторы
Погода, экономические индикаторы, активность конкурентов могут объяснять всплески спроса.
- температура
- индекс потребительских настроений
- даты конкурентных акций
Данные о запасах
Чтобы отличать реальный спрос от продаж, ограниченных наличием товара.
- остатки на складе
- даты поступления
- признак дефицита
Методология
Методика прогнозирования спроса с ИИ
Принципы
- Сначала собираются и очищаются данные: убираются выбросы, заполняются пропуски, учитываются акции.
- Выбирается модель: от простых (скользящее среднее, экспоненциальное сглаживание) до сложных (ARIMA, градиентный бустинг, нейросети).
- Модель обучается на исторических данных, проверяется на отложенной выборке.
- Прогноз регулярно пересматривается и модель переобучается по мере поступления новых данных.
Допущения
- Исторические данные репрезентативны и отражают реальный спрос (не искажены дефицитом).
- Будущее в целом похоже на прошлое: сохраняются тренды и сезонность.
- Внешние факторы, влияющие на спрос, могут быть измерены и включены в модель.
Ошибки
- Использование слишком короткой истории (менее 2-3 сезонных циклов).
- Игнорирование выбросов, вызванных разовыми событиями.
- Переобучение модели на шуме, а не на закономерностях.
- Отсутствие валидации на отложенной выборке.
Роль ИИ
Как ИИ решает задачу
Автоматический подбор параметров модели прогнозирования
Данные на входе: Исторические продажи, Календарь событий, Внешние факторы
Что делает модель: Перебирает комбинации гиперпараметров (например, порядок ARIMA, глубину деревьев) и выбирает оптимальные по метрике точности на валидационной выборке.
Результат: Готовая модель с наилучшими параметрами и прогноз на следующий период.
Как используется: Система автоматически формирует прогноз и передаёт его в план закупок.
Выявление аномалий в исторических данных
Данные на входе: Временной ряд продаж, Календарь событий
Что делает модель: Определяет точки, которые сильно отклоняются от ожидаемого паттерна (например, всплеск из-за акции или падение из-за сбоя поставки).
Результат: Список аномальных дат с пояснением причины.
Как используется: Аналитик решает, исключить ли аномалии из обучения или учесть их как отдельный фактор.
Оценка влияния маркетинговых акций на спрос
Данные на входе: Исторические продажи, Данные об акциях (даты, скидки, каналы)
Что делает модель: Рассчитывает эффект акции: насколько продажи выросли относительно базового уровня и как быстро спад после акции.
Результат: Коэффициент влияния акции и период её действия.
Как используется: Планировщик закупок учитывает этот коэффициент при прогнозе на периоды с акциями.
Разбор
Как это работает
- 1
Вход: исторические данные о продажах за 2-3 года, календарь событий, внешние факторы. Действие: очистка данных, удаление выбросов, заполнение пропусков. Результат: чистый временной ряд.
- 2
Вход: чистый временной ряд. Действие: разделение на обучающую и тестовую выборки (например, 80/20). Результат: данные для обучения и проверки.
- 3
Вход: обучающая выборка. Действие: обучение нескольких моделей (ARIMA, градиентный бустинг, нейросеть) с подбором гиперпараметров. Результат: набор обученных моделей.
- 4
Вход: тестовая выборка. Действие: оценка точности каждой модели по MAPE и выбор лучшей. Результат: выбранная модель.
- 5
Вход: выбранная модель и актуальные данные. Действие: генерация прогноза на следующий период. Результат: прогнозные значения спроса.
- 6
Вход: прогноз и фактические данные по истечении периода. Действие: сравнение, расчёт ошибки, анализ отклонений. Результат: отчёт о точности прогноза.
- 7
Вход: отчёт о точности. Действие: решение о переобучении модели или корректировке параметров. Результат: обновлённая модель для следующего прогноза.
Расчет
Формулы для прогнозирования спроса
Базовая модель прогноза спроса включает тренд, сезонность и эффект акций. ИИ автоматически подбирает коэффициенты, но понимание формулы помогает интерпретировать результат.
Базовый прогноз спроса
Прогноз = (базовый уровень + тренд × период) × сезонный коэффициент + эффект акций- базовый уровень — средний спрос за период
- тренд — средний прирост спроса за период
- период — номер прогнозируемого периода
- сезонный коэффициент — отношение спроса в данном периоде к среднему
- эффект акций — дополнительный спрос, вызванный акцией
Условный пример: Базовый уровень = 1000 шт/мес, тренд = 20 шт/мес, период = 6, сезонный коэффициент = 1.2, эффект акции = 150 шт. Прогноз = (1000 + 20×6) × 1.2 + 150 = (1120) × 1.2 + 150 = 1344 + 150 = 1494 шт.
Допущение: Это упрощённая модель. ИИ может использовать более сложные зависимости, но интерпретация остаётся похожей.
Точность прогноза (MAPE)
MAPE = (1/n) × Σ |(факт − прогноз) / факт| × 100%- n — число периодов
- факт — фактическое значение спроса
- прогноз — прогнозное значение
Условный пример: За 3 месяца факт: 100, 110, 120; прогноз: 105, 108, 115. Ошибки: |100-105|/100=5%, |110-108|/110=1.8%, |120-115|/120=4.2%. MAPE = (5+1.8+4.2)/3 = 3.67%.
Допущение: Чем ниже MAPE, тем точнее прогноз. Универсального порога нет: для разных категорий товаров приемлемая точность различается.
Доступная мощность команды
Доступная мощность = число сотрудников × рабочие часы в смене × коэффициент доступности- число сотрудников — количество работников, задействованных в задаче
- рабочие часы в смене — продолжительность рабочего времени одного сотрудника
- коэффициент доступности — доля времени, доступного для выполнения задач (учитывает перерывы, совещания)
Условный пример: 5 сотрудников × 8 часов × 0.75 = 30 часов доступной мощности в день.
Допущение: Коэффициент доступности зависит от специфики работы и должен быть оценён компанией.
Разрыв между прогнозной нагрузкой и доступной мощностью
Разрыв = прогнозная нагрузка − доступная мощность- прогнозная нагрузка — ожидаемые задачи в часах
- доступная мощность — часы, доступные для работы команды
Условный пример: прогнозная нагрузка 35 часов − доступная мощность 30 часов = разрыв 5 часов.
Допущение: Положительный разрыв указывает на нехватку ресурсов, отрицательный — на резерв.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз спроса на товарную категорию
- Допущение: Рассмотрим условный пример: компания продаёт сезонный товар, например, мороженое. Исторические данные за 2 года показывают рост продаж летом и спад зимой.
- Допущение: В прошлом году в июне продажи составили 1200 упаковок, в декабре — 400. Среднемесячные продажи — 800 упаковок.
- Допущение: Компания планирует провести акцию в июле, ожидая дополнительный спрос в 200 упаковок.
Базовый уровень = 800, тренд = 10 упаковок/мес (рост рынка). Сезонный коэффициент для июня = 1200/800 = 1.5. Прогноз на июнь без акции = (800 + 10×6) × 1.5 = 860 × 1.5 = 1290. С учётом акции в июле: прогноз на июль = (800 + 10×7) × 1.5 + 200 = 870 × 1.5 + 200 = 1305 + 200 = 1505 упаковок.Прогноз на июль с учётом акции — 1505 упаковок. Это выше среднего, что ожидаемо для сезонного товара. Компании нужно закупить достаточный объём, чтобы покрыть спрос, но не создавать излишек после акции.
Условный пример: расчёт доступной мощности и разрыва нагрузки команды
- Допущение: Рассмотрим команду из 5 сотрудников, каждый работает 8 часов в день.
- Допущение: Коэффициент доступности с учётом перерывов и совещаний — 0.75.
- Допущение: Прогнозная нагрузка на команду — 35 часов задач в день.
Доступная мощность = 5 × 8 × 0.75 = 30 часов. Разрыв = 35 − 30 = 5 часов.Команда испытывает дефицит мощности на 5 часов в день, что может привести к срыву сроков и снижению качества. Необходимо либо увеличить штат, либо перераспределить задачи, либо оптимизировать процессы.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Сезонность: коэффициент 1.5 для летних месяцев
- Тренд: рост рынка 10 упаковок/мес
- Эффект акции: +200 упаковок
- Точность модели: MAPE менее 5% на тестовой выборке
- Доступная мощность команды рассчитана с учётом числа сотрудников, рабочего времени и коэффициента доступности
- Прогнозная нагрузка превышает доступную мощность, что указывает на риск срыва сроков
Какие риски учтены
- Риск переоценки эффекта акции, если акция не сработает
- Риск дефицита, если поставщик не успеет поставить товар
- Риск излишка после акции, если спрос упадёт быстрее ожидаемого
- Риск срыва сроков из-за нехватки ресурсов команды
Какие варианты рассматривались
- Консервативный прогноз без учёта акции (1305 упаковок)
- Оптимистичный прогноз с максимальным эффектом акции (1600 упаковок)
- Сценарный анализ: базовый, пессимистичный, оптимистичный
- Увеличение штата или перераспределение задач для устранения дефицита мощности
Выбран средний вариант с учётом акции, так как он балансирует риск дефицита и излишка. Модель показала хорошую точность на исторических данных. Для команды выявлен дефицит мощности, что требует оперативных действий.
Если бы акция была менее предсказуемой или исторические данные показывали низкую точность, рекомендация была бы более консервативной — без учёта акции или с меньшим объёмом заказа. Если доступная мощность превышала нагрузку, не требовалось бы увеличивать штат.
Результат
Что видит пользователь
Дашборд с прогнозом спроса по категориям
График прогнозных и фактических значений, MAPE, доверительные интервалы
Планировать закупки на основе прогноза, видеть отклоненияАвтоматические уведомления о превышении порога ошибки
Сообщение о том, что прогноз стал менее точным
Инициировать переобучение моделиОтчёт о влиянии акций
Коэффициенты влияния акций по категориям
Учитывать эффект акций в будущих прогнозахАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка исторических данных
- Обучение и переобучение модели по расписанию
- Генерация прогноза на следующий период
- Расчёт MAPE и сравнение с фактом
Требует настройки
- Настройка источников данных (CRM, ERP, Excel)
- Определение пороговых значений для аномалий
- Выбор модели и гиперпараметров (первичная настройка)
- Настройка расписания переобучения
Остаётся за человеком
- Утверждение прогноза и плана закупок
- Решение о корректировке прогноза при форс-мажоре
- Интерпретация причин отклонений
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать исторические данные о продажах за последние 2 года в Excel
- Построить простую модель: скользящее среднее с учётом сезонности
- Рассчитать MAPE на прошлых данных, чтобы понять базовую точность
Рабочая система
- Настроить автоматическую загрузку данных из учётной системы
- Развернуть модель (например, ARIMA или градиентный бустинг) в среде с Python
- Создать дашборд с прогнозом и фактическими значениями
- Настроить ежемесячное переобучение модели
Расширенный вариант
- Подключить внешние данные (погода, экономические индикаторы)
- Внедрить сценарный анализ: базовый, пессимистичный, оптимистичный
- Использовать ансамбль моделей для повышения точности
- Интегрировать прогноз с системой закупок для автоматического формирования заказов
Подготовка
Чек-лист перед запуском
- 1
Собраны исторические данные минимум за 2 года
- 2
Данные очищены от выбросов и пропусков
- 3
Определены сезонные коэффициенты
- 4
Учтены маркетинговые акции
- 5
Выбрана модель и проверена на тестовой выборке
- 6
Рассчитана MAPE и установлен порог точности
- 7
Настроено регулярное переобучение
- 8
Создан дашборд для визуализации прогноза
- 9
Определены ответственные за утверждение прогноза
- 10
План действий при отклонении фактических данных от прогноза
Вывод
Главное
Прогноз спроса с ИИ — это не магия, а систематическая работа с данными: очистка, выбор модели, валидация и регулярное обновление.
Основные данные — исторические продажи, календарь событий, внешние факторы. Ключевые расчёты — базовый прогноз с учётом тренда и сезонности, MAPE для оценки точности.
ИИ автоматизирует подбор параметров модели, выявление аномалий и оценку влияния акций, что повышает точность и снижает трудозатраты.
Начните с простого: соберите историю продаж за 2 года и постройте прогноз в Excel с учётом сезонности, чтобы понять текущую точность и точки роста.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как строить обучение вокруг пути: бизнес-проблема -> модель решения -> данные -> автоматизация -> интерфейс -> работающее решение. Этот подход применим и к прогнозированию спроса: сначала формулируется бизнес-проблема (излишки/дефицит), затем строится модель, подключаются данные, автоматизируется расчёт и выводится интерфейс для планирования закупок.
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 быть программистом, чтобы использовать ИИ для прогноза спроса?
Нет. Начать можно с Excel и готовых библиотек (например, Prophet от Facebook). Для более сложных моделей потребуется базовое знание Python, но современные инструменты позволяют автоматизировать большую часть процесса без глубокого программирования.
Сколько данных нужно для точного прогноза?
Минимум 2 года помесячных данных, чтобы учесть сезонность. Чем больше данных и чем стабильнее рынок, тем точнее прогноз. Если данных мало, лучше использовать простые модели и не ожидать высокой точности.
ИИ заменит аналитика по закупкам?
Нет. ИИ автоматизирует расчёты и выявляет закономерности, но решение о закупках, учёт форс-мажоров и стратегические решения остаются за человеком. ИИ — это инструмент, повышающий точность и скорость.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить прогнозы с ИИ на практике? Приходите на бесплатный вебинар ReMetod, где разберём реальные примеры.