Маркетплейсы / Понять сезонность
Как учесть сезонность продаж на маркетплейсе с ИИ
ИИ позволяет учесть сезонность продаж, анализируя историю продаж и выявляя повторяющиеся паттерны. Модель машинного обучения прогнозирует спрос на будущие периоды, учитывая сезонные колебания, тренды и праздничные пики. Это помогает планировать закупки и запасы, избегая дефицита и излишков.
Проблема
Почему это важно
Без учёта сезонности продаж на маркетплейсе компания сталкивается с дефицитом товара в пиковые периоды (например, перед Новым годом) и переизбытком склада в межсезонье. Это приводит к потерям выручки из-за отсутствия товара и к заморозке оборотных средств в неликвидных остатках.
Почему возникает
- Ручной анализ продаж без учёта сезонных паттернов
- Отсутствие исторических данных за несколько лет
- Игнорирование промо-акций и внешних факторов (праздники, погода)
- Использование простых средних значений вместо прогнозных моделей
Риски и потери
- Потеря выручки из-за дефицита товара в пик сезона
- Рост затрат на хранение и уценку неликвидных остатков
- Снижение рейтинга продавца из-за срывов сроков доставки
- Упущенная маржа из-за неоптимальных закупок
Что влияет на результат
- Исторические продажи по дням/неделям/месяцам
- Сезонные паттерны (годовые, квартальные, месячные)
- Праздничные и событийные пики
- Тренды роста или падения спроса
- Промо-акции и маркетинговые кампании
- Внешние факторы (погода, экономическая ситуация)
Типичные ошибки ручного подхода
- Использование среднего за прошлый год без учёта тренда
- Игнорирование аномалий (распродажи, сбои поставок)
- Недостаточная длина истории для выявления сезонности
- Смешение данных с промо и без промо
Определение
Что важно понимать
Сезонность
Регулярные колебания спроса, повторяющиеся с определённой периодичностью (например, рост продаж зимней одежды в ноябре-январе).
Без учёта сезонности прогнозы спроса будут неточными, что приведёт к дефициту или переизбытку товара.Forecast error
Ошибка прогноза — разница между фактическим и прогнозным значением спроса. Измеряется, например, как MAPE (средняя абсолютная процентная ошибка).
Позволяет оценить точность модели и при необходимости её улучшить.История продаж
Набор данных о продажах за прошлые периоды, включающий дату, товар, количество, цену, промо-флаги и другие атрибуты.
Является основой для обучения модели прогнозирования.Данные
Какие данные нужны
История продаж
Для выявления сезонных паттернов и обучения модели прогноза.
- Дата продажи
- SKU/артикул
- Количество проданных единиц
- Цена продажи
- Промо-флаг (участие в акции)
Календарь событий
Для учёта праздников, распродаж и других событий, влияющих на спрос.
- Дата
- Тип события (праздник, распродажа)
- Название события
Данные о поставках
Для учёта дефицита товара, который мог исказить историю продаж.
- Дата поставки
- SKU
- Количество поставленного товара
- Дата начала дефицита
Внешние факторы
Для учёта погоды, экономических индикаторов и других внешних влияний.
- Дата
- Температура
- Индекс потребительских цен
Методология
Методика прогнозирования сезонности с ИИ
Принципы
- Использовать историю продаж минимум за 2-3 года для выявления устойчивых сезонных паттернов.
- Очищать данные от аномалий (промо, дефицит, разовые события) перед обучением модели.
- Разделять данные на обучающую и тестовую выборки для оценки точности прогноза.
- Выбирать модель машинного обучения, способную учитывать сезонность и тренды (например, SARIMA, Prophet, градиентный бустинг).
- Регулярно переобучать модель на новых данных для поддержания точности.
Допущения
- История продаж репрезентативна и не содержит систематических ошибок.
- Сезонные паттерны остаются стабильными в прогнозируемом периоде.
- Внешние факторы (праздники, промо) могут быть предсказаны или учтены.
Ошибки
- Использование слишком короткой истории (менее года) — сезонность не выявляется.
- Игнорирование промо-эффектов — прогноз завышается в периоды акций.
- Неучёт дефицита товара — история продаж занижена в периоды отсутствия товара.
- Применение модели без валидации на тестовой выборке.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса с учётом сезонности
Данные на входе: История продаж (дата, SKU, количество), Календарь событий, Данные о поставках и дефиците
Что делает модель: Обучается на исторических данных и прогнозирует будущий спрос на заданный горизонт (неделя, месяц, квартал).
Результат: Прогноз спроса по SKU и периодам с указанием доверительного интервала.
Как используется: Менеджер по закупкам использует прогноз для планирования заказов поставщикам и управления складскими запасами.
Выявление аномалий в истории продаж
Данные на входе: История продаж, Промо-флаги, Данные о дефиците
Что делает модель: Определяет выбросы, вызванные промо-акциями, дефицитом или ошибками ввода, и помечает их для исключения из обучения.
Результат: Список аномальных записей с причинами.
Как используется: Аналитик проверяет помеченные записи и подтверждает их исключение.
Оценка точности прогноза (forecast error)
Данные на входе: Фактические продажи, Прогнозные значения
Что делает модель: Рассчитывает метрики ошибки (MAPE, MAE, RMSE) на тестовой выборке.
Результат: Значения метрик ошибки и сравнение с целевым уровнем.
Как используется: Руководитель оценивает качество модели и принимает решение о её внедрении.
Разбор
Как это работает
- 1
Вход: Сбор истории продаж за 2-3 года, календаря событий, данных о поставках. Действие: Объединение данных в единую таблицу с признаками (дата, SKU, количество, промо-флаг). Результат: Готовый датасет для анализа.
- 2
Вход: Датасет с историей продаж. Действие: Очистка данных от аномалий (промо, дефицит) и заполнение пропусков. Результат: Очищенный датасет без выбросов.
- 3
Вход: Очищенный датасет. Действие: Разделение на обучающую (80%) и тестовую (20%) выборки. Результат: Обучающая и тестовая выборки.
- 4
Вход: Обучающая выборка. Действие: Обучение модели машинного обучения (например, Prophet или градиентный бустинг) с учётом сезонности и тренда. Результат: Обученная модель прогнозирования.
- 5
Вход: Тестовая выборка. Действие: Прогнозирование спроса на тестовый период и расчёт метрик ошибки (MAPE, MAE). Результат: Оценка точности модели.
- 6
Вход: Обученная модель и новые данные о продажах. Действие: Прогнозирование спроса на будущий период (например, следующий месяц). Результат: Прогноз спроса по SKU с доверительным интервалом.
- 7
Вход: Прогноз спроса. Действие: Планирование закупок и запасов на основе прогноза. Результат: Заказы поставщикам и оптимизация складских остатков.
Расчет
Формулы для оценки точности прогноза
Для оценки качества прогноза используются стандартные метрики ошибки. Ниже приведены основные формулы.
MAPE (средняя абсолютная процентная ошибка)
MAPE = (1/n) * Σ(|(факт - прогноз)| / |факт|) * 100%- n — количество периодов
- факт — фактическое значение спроса
- прогноз — прогнозное значение спроса
Условный пример: Для трёх периодов: факт = [100, 150, 200], прогноз = [110, 140, 190]. Ошибки: |100-110|/100=0.1, |150-140|/150≈0.0667, |200-190|/200=0.05. MAPE = (0.1+0.0667+0.05)/3 * 100% ≈ 7.22%.
Допущение: Чем ниже MAPE, тем точнее прогноз. Целевой уровень зависит от отрасли, обычно 10-20%.
MAE (средняя абсолютная ошибка)
MAE = (1/n) * Σ|факт - прогноз|- n — количество периодов
- факт — фактическое значение
- прогноз — прогнозное значение
Условный пример: Для тех же данных: |100-110|=10, |150-140|=10, |200-190|=10. MAE = (10+10+10)/3 = 10 единиц.
Допущение: MAE выражается в единицах товара, удобна для понимания абсолютной ошибки.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз спроса на зимнюю куртку
- Допущение: История продаж за 3 года по месяцам
- Допущение: Праздничные пики (Новый год, 23 февраля)
- Допущение: Промо-акции в ноябре (чёрная пятница)
Рассмотрим условный пример: продажи зимней куртки за прошлый год составили: сентябрь — 50 шт., октябрь — 80 шт., ноябрь — 150 шт. (с учётом чёрной пятницы), декабрь — 200 шт., январь — 120 шт., февраль — 60 шт. Модель прогнозирует на следующий год: сентябрь — 55, октябрь — 90, ноябрь — 160, декабрь — 220, январь — 130, февраль — 65. MAPE на тестовой выборке составила 12%.Прогноз показывает рост спроса в ноябре-декабре, что требует увеличения закупок на 10-15% по сравнению с прошлым годом. Ошибка прогноза в 12% приемлема для планирования, но необходимо заложить страховой запас на случай отклонений.
Условный пример: Прогноз доступной мощности и нагрузки на команду закупок
- Допущение: Количество сотрудников: 5
- Допущение: Среднее рабочее время в месяц на сотрудника: 160 часов
- Допущение: Коэффициент доступности (учёт отпусков, больничных): 0.85
- Допущение: Среднее время обработки одной заявки: 2 часа
- Допущение: Прогнозируемое количество заявок на месяц: 350
Доступная мощность = 5 × 160 × 0.85 = 680 часов. Прогнозная нагрузка = 350 × 2 = 700 часов. Разрыв = 700 - 680 = 20 часов.Наблюдается дефицит мощности в 20 часов, что может привести к задержкам в обработке заявок. Необходимо рассмотреть увеличение штата или оптимизацию процессов.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Исторические продажи с учётом сезонности
- Праздничные и промо-события
- Тренд роста или падения спроса
- Точность модели (MAPE)
Какие риски учтены
- Риск дефицита при заниженном прогнозе
- Риск переизбытка при завышенном прогнозе
- Изменение поведения покупателей из-за внешних факторов
Какие варианты рассматривались
- Использование простого среднего за прошлый год (менее точно)
- Ручное планирование на основе опыта менеджера
- Использование более сложных моделей (нейросети)
Модель машинного обучения выбрана, так как она автоматически учитывает сезонность, тренды и праздники, обеспечивая более точный прогноз по сравнению с ручными методами.
Если бы история продаж была короткой (менее года) или содержала много аномалий, модель могла бы быть менее точной, и тогда предпочтительнее было бы использовать экспертные оценки.
Результат
Что видит пользователь
Дашборд с прогнозом спроса по SKU
Графики прогноза на ближайшие 3 месяца, доверительные интервалы, сравнение с фактом прошлого года
Планирование закупок и запасов на основе прогнозаУведомления о превышении порога ошибки
Автоматическое предупреждение, если MAPE превышает заданный уровень (например, 20%)
Своевременная корректировка модели или данныхОтчёт по forecast error
Таблица с MAPE, MAE по каждому SKU и в целом
Оценка качества прогноза и принятие решения о доверии к моделиАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах
- Обучение и переобучение модели прогнозирования
- Расчёт метрик ошибки (MAPE, MAE)
- Формирование прогноза на заданный горизонт
Требует настройки
- Настройка пороговых значений ошибки (например, MAPE < 15%)
- Определение горизонта прогнозирования (неделя, месяц, квартал)
- Настройка календаря событий (праздники, промо)
Остаётся за человеком
- Утверждение плана закупок на основе прогноза
- Корректировка прогноза при появлении новых внешних факторов
- Решение о переобучении модели при изменении рыночной ситуации
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать историю продаж за последние 2-3 года в Excel
- Построить простой график продаж по месяцам для визуального выявления сезонности
- Рассчитать средние продажи по месяцам и использовать их как базовый прогноз
Рабочая система
- Настроить автоматическую загрузку данных из личного кабинета маркетплейса
- Использовать готовую библиотеку (например, Prophet) для прогнозирования
- Создать дашборд с прогнозом и метриками ошибки
Расширенный вариант
- Внедрить модель градиентного бустинга с учётом внешних факторов
- Подключить данные о рекламных кампаниях и погоде
- Настроить автоматическое переобучение модели еженедельно
Подготовка
Чек-лист перед запуском
- 1
Собрана история продаж минимум за 2 года
- 2
Данные очищены от аномалий (промо, дефицит)
- 3
Определён горизонт прогнозирования
- 4
Выбрана модель машинного обучения
- 5
Проведена валидация на тестовой выборке
- 6
Рассчитаны метрики ошибки (MAPE, MAE)
- 7
Настроен календарь событий
- 8
Определены ответственные за использование прогноза
- 9
Установлен регламент переобучения модели
- 10
Создан дашборд для визуализации прогноза
Вывод
Главное
Учёт сезонности с ИИ основан на анализе исторических данных и прогнозировании спроса с помощью моделей машинного обучения.
Основные данные — история продаж, календарь событий, данные о поставках. Ключевые расчёты — прогноз спроса и метрики ошибки (MAPE, MAE).
ИИ автоматически выявляет сезонные паттерны, прогнозирует спрос и оценивает точность прогноза, что позволяет планировать закупки и запасы.
Начните со сбора истории продаж за последние 2-3 года и постройте простой график по месяцам, чтобы увидеть сезонные колебания.
Метод ReMetod
На чем основан вывод
Метод ReMetod строится 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, всего год продаж. Можно ли использовать ИИ?
Да, но точность прогноза будет ниже. Для выявления сезонности желательно минимум 2-3 года данных. Если истории мало, можно использовать модели, которые работают с короткими рядами, но лучше начать с простого анализа средних по месяцам.
Насколько сложно внедрить ИИ для прогнозирования?
Базовый уровень можно реализовать с помощью готовых библиотек (например, Prophet) без программирования. Для более точных моделей потребуется помощь аналитика или прохождение практикума ReMetod, где вы научитесь строить такие решения.
Что делать, если прогноз окажется неточным?
Регулярно переобучайте модель на новых данных, отслеживайте метрики ошибки и корректируйте модель при изменении рыночной ситуации. Также можно закладывать страховой запас на случай отклонений.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы? Приходите на бесплатный вебинар ReMetod.