Маркетплейсы / Делать прогноз выручки
Сколько можно заработать в месяц с ИИ для прогноза выручки на маркетплейсе
ИИ для прогноза выручки на маркетплейсе помогает точнее предсказывать спрос и избегать потерь от дефицита и излишков. Сколько именно вы заработаете, зависит от ваших данных и точности прогноза, но эффект можно оценить по формуле: дополнительная прибыль = снижение потерь от дефицита + снижение убытков от списаний − затраты на ИИ.
Проблема
Почему это важно
Без прогноза выручки продавец на маркетплейсе действует наугад: закупает товар по прошлому опыту или интуиции, не учитывая сезонность, тренды и изменения спроса. В результате часть товара не продаётся и списывается, а часть — заканчивается в самый пик продаж, и покупатель уходит к конкуренту.
Почему возникает
- Прогноз строится вручную на основе средних продаж за прошлый период, без учёта сезонности и трендов.
- Нет единой системы, которая связывает данные о продажах, остатках, ценах и внешние факторы.
- Решения о закупках принимаются с запаздыванием, когда спрос уже изменился.
Риски и потери
- Потери от дефицита: упущенная выручка и потеря лояльности покупателей.
- Убытки от излишков: заморозка денег в неликвидах, затраты на хранение и списание.
- Ручной расчёт отнимает время и не позволяет быстро реагировать на изменения рынка.
Что влияет на результат
- Исторические продажи по товарам и категориям.
- Сезонность и тренды спроса.
- Маркетинговые активности и акции.
- Цены и наличие конкурентов.
- Внешние события (праздники, погода, новости).
Типичные ошибки ручного подхода
- Игнорирование сезонных пиков и провалов.
- Усреднение продаж без учёта выбросов и аномалий.
- Неучёт влияния акций и изменения цен.
- Задержка в обновлении прогноза при появлении новых данных.
Определение
Что важно понимать
Прогноз выручки
Оценка будущих продаж в денежном выражении на основе исторических данных и факторов спроса.
Точный прогноз позволяет планировать закупки, управлять остатками и избегать потерь от дефицита и излишков.Потери от дефицита
Упущенная выручка, когда товар заканчивается, а спрос остаётся неудовлетворённым.
Это прямые потери денег, которые можно было получить, если бы товар был в наличии.Убытки от списаний
Затраты на товар, который не был продан и был списан из-за истечения срока годности, порчи или неликвидности.
Излишние закупки замораживают деньги и увеличивают издержки на хранение и утилизацию.Данные
Какие данные нужны
Исторические продажи
База для прогноза: без данных о прошлых продажах невозможно оценить спрос.
- дата продажи
- SKU
- количество
- цена
- категория
Остатки товаров
Чтобы понимать, сколько товара доступно для продажи и когда возникнет дефицит.
- SKU
- текущий остаток
- резерв
- ожидаемые поставки
Маркетинговые активности
Акции и реклама влияют на спрос, их нужно учитывать в прогнозе.
- дата начала
- дата окончания
- тип акции
- скидка
- бюджет
Внешние факторы
Сезонность, праздники, погода и события могут резко менять спрос.
- праздник
- сезон
- погодные условия
- индекс потребительской активности
Методология
Методика оценки эффекта от ИИ для прогноза выручки
Принципы
- Эффект считаем как разницу между потерями без ИИ и с ИИ, за вычетом затрат на внедрение.
- Прогноз должен строиться на данных, а не на интуиции.
- Оценку делаем на горизонте месяца, но проверяем на фактических данных через 30–60 дней.
Допущения
- ИИ повышает точность прогноза, но не гарантирует 100% точность.
- Снижение потерь от дефицита и списаний зависит от текущего уровня потерь и качества прогноза.
- Затраты на ИИ включают стоимость подписки, время на настройку и обслуживание.
Ошибки
- Считать эффект без учёта затрат на ИИ.
- Ожидать мгновенного результата: нужно минимум 2–3 месяца данных для обучения модели.
- Игнорировать качество данных: прогноз на грязных данных будет неточным.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса на основе исторических данных и внешних факторов
Данные на входе: Исторические продажи по SKU и датам, Календарь акций и праздников, Цены и остатки
Что делает модель: Обучаемая модель (например, градиентный бустинг или нейросеть) выявляет зависимости и строит прогноз спроса на будущий период.
Результат: Прогноз продаж в штуках и деньгах по каждому SKU на день/неделю/месяц.
Как используется: Система использует прогноз для расчёта рекомендуемого объёма закупок и управления остатками.
Выявление аномалий в продажах
Данные на входе: Фактические продажи в реальном времени, Прогнозные значения
Что делает модель: Статистический метод (например, Z-score или межквартильный размах) определяет резкие отклонения фактических продаж от прогноза.
Результат: Уведомление о товарах, где продажи сильно отличаются от ожидаемых.
Как используется: Менеджер проверяет причину аномалии (акция, сбой поставки) и корректирует закупки.
Формирование рекомендаций по закупкам
Данные на входе: Прогноз спроса, Текущие остатки, Сроки поставки, Минимальный заказ
Что делает модель: Бизнес-правило: рекомендуемый заказ = max(0, прогноз спроса на время поставки + страховой запас − текущий остаток).
Результат: Список SKU с рекомендуемым объёмом закупки.
Как используется: Закупщик утверждает заказ или корректирует его вручную.
Разбор
Как это работает
- 1
Вход: исторические продажи, остатки, календарь акций. Действие: система очищает данные и приводит к единому формату. Результат: подготовленный датасет для обучения.
- 2
Вход: подготовленный датасет. Действие: обучается модель прогнозирования спроса (например, градиентный бустинг). Результат: модель, способная предсказывать продажи.
- 3
Вход: модель и новые данные о продажах. Действие: модель строит прогноз на следующий период. Результат: прогноз продаж по SKU в штуках и деньгах.
- 4
Вход: прогноз и текущие остатки. Действие: система рассчитывает рекомендуемый заказ по формуле. Результат: список SKU с объёмом закупки.
- 5
Вход: фактические продажи за период. Действие: система сравнивает факт с прогнозом и выявляет аномалии. Результат: уведомления об отклонениях.
- 6
Вход: уведомления об аномалиях. Действие: менеджер анализирует причины и при необходимости корректирует закупки. Результат: скорректированный план закупок.
- 7
Вход: данные за месяц. Действие: система формирует отчёт о точности прогноза и фактическом эффекте. Результат: оценка снижения потерь и дополнительной прибыли.
Расчет
Формула оценки эффекта от ИИ
Эффект от внедрения ИИ для прогноза выручки можно оценить по формуле:
Дополнительная прибыль от ИИ
ΔПрибыль = (Потери_дефицит_без_ИИ − Потери_дефицит_с_ИИ) + (Убытки_списания_без_ИИ − Убытки_списания_с_ИИ) − Затраты_на_ИИ- Потери_дефицит_без_ИИ — упущенная выручка из-за отсутствия товара до внедрения ИИ
- Потери_дефицит_с_ИИ — упущенная выручка после внедрения ИИ
- Убытки_списания_без_ИИ — стоимость списанного товара до внедрения ИИ
- Убытки_списания_с_ИИ — стоимость списанного товара после внедрения ИИ
- Затраты_на_ИИ — стоимость подписки, настройки и обслуживания за месяц
Условный пример: Потери от дефицита без ИИ = 500 000 ₽, с ИИ = 200 000 ₽. Убытки от списаний без ИИ = 300 000 ₽, с ИИ = 150 000 ₽. Затраты на ИИ = 50 000 ₽. ΔПрибыль = (500 000 − 200 000) + (300 000 − 150 000) − 50 000 = 400 000 ₽.
Это иллюстративный пример. Реальные цифры зависят от вашего бизнеса.
Доступная мощность команды закупок
Доступная_мощность = Количество_сотрудников × Рабочие_часы_в_месяц × Коэффициент_доступности- Количество_сотрудников — число сотрудников, занятых закупками
- Рабочие_часы_в_месяц — среднее количество рабочих часов на сотрудника в месяц
- Коэффициент_доступности — доля времени, доступного для выполнения задач (учитывает перерывы, совещания и пр.)
Условный пример: Если 3 сотрудника, 160 рабочих часов в месяц и коэффициент доступности 0.8, то доступная мощность = 3 × 160 × 0.8 = 384 часа в месяц.
Допущение: Расчёт показывает, сколько часов команда может потратить на задачи закупок и анализа.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчёт эффекта для магазина электроники
- Допущение: Рассмотрим условный пример: среднемесячная выручка магазина — 5 000 000 ₽.
- Допущение: Потери от дефицита (упущенная выручка) — 10% от выручки, то есть 500 000 ₽.
- Допущение: Убытки от списаний — 5% от закупочной стоимости, примерно 150 000 ₽.
- Допущение: Затраты на ИИ-сервис — 30 000 ₽ в месяц.
- Допущение: Команда закупок состоит из 3 сотрудников, каждый работает 160 часов в месяц, коэффициент доступности 0.8.
После внедрения ИИ точность прогноза выросла, потери от дефицита снизились до 4% (200 000 ₽), списания — до 2% (60 000 ₽). Экономия на дефиците: 500 000 − 200 000 = 300 000 ₽. Экономия на списаниях: 150 000 − 60 000 = 90 000 ₽. Итого эффект до затрат: 390 000 ₽. Минус затраты на ИИ (30 000 ₽) = 360 000 ₽ дополнительной прибыли в месяц. Доступная мощность команды закупок — 3 × 160 × 0.8 = 384 часа в месяц, что позволяет своевременно обрабатывать прогнозы и корректировать закупки.В условном примере ИИ приносит 360 000 ₽ дополнительной прибыли в месяц. Это значимо, но цифры зависят от точности прогноза и текущего уровня потерь. Доступная мощность команды достаточна для обработки прогнозов и оперативного реагирования.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Текущий уровень потерь от дефицита и списаний.
- Точность прогноза до и после внедрения ИИ.
- Стоимость ИИ-решения и время на внедрение.
Какие риски учтены
- Низкое качество данных может снизить точность прогноза.
- Эффект может быть не сразу: нужно время на обучение модели.
- Затраты на ИИ могут превысить экономию, если потери изначально малы.
Какие варианты рассматривались
- Улучшить ручной прогноз с помощью Excel-формул.
- Нанять аналитика для построения прогнозов.
- Внедрить готовое ИИ-решение для маркетплейсов.
ИИ выбран, потому что он автоматически учитывает множество факторов и обучается на данных, что даёт более точный прогноз, чем ручные методы.
Если у вас небольшой ассортимент и стабильный спрос, возможно, достаточно простых формул в Excel. ИИ оправдан при большом количестве SKU и высокой волатильности спроса.
Результат
Что видит пользователь
Дашборд с прогнозом выручки и фактическими продажами
Графики прогноза и факта, отклонения, список товаров с риском дефицита или излишков.
Вовремя корректировать закупки и маркетинговые активности.Рекомендации по закупкам
Список SKU с рекомендуемым объёмом заказа и обоснованием.
Быстро формировать заказ поставщику, снижая риск дефицита.Уведомления об аномалиях
Сообщения о товарах, где фактические продажи сильно отличаются от прогноза.
Реагировать на изменения спроса в реальном времени.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, остатках, акциях.
- Построение прогноза спроса и выручки.
- Расчёт рекомендуемого объёма закупок.
- Выявление аномалий и отправка уведомлений.
Требует настройки
- Настройка источников данных (API маркетплейса, Excel-выгрузки).
- Определение страхового запаса и минимального заказа.
- Настройка порогов для аномалий и правил уведомлений.
Остаётся за человеком
- Утверждение закупок и корректировка объёмов.
- Анализ причин аномалий и принятие решений по ним.
- Оценка эффективности ИИ и решение о дальнейшем использовании.
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о продажах за последние 6–12 месяцев в Excel.
- Построить простой прогноз на основе средних и сезонных коэффициентов.
- Оценить текущие потери от дефицита и списаний.
Рабочая система
- Подключить автоматическую выгрузку данных с маркетплейса.
- Настроить модель прогнозирования (например, с помощью готового сервиса или Python-скрипта).
- Создать дашборд с прогнозом и фактическими данными.
- Настроить уведомления об аномалиях.
Расширенный вариант
- Интегрировать данные о рекламных кампаниях и внешних факторах.
- Использовать несколько моделей и ансамблирование для повышения точности.
- Внедрить сценарный анализ (что будет при изменении цен или акций).
Подготовка
Чек-лист перед запуском
- 1
Собрать исторические данные о продажах минимум за 6 месяцев.
- 2
Очистить данные от ошибок и дублей.
- 3
Определить текущие потери от дефицита и списаний.
- 4
Выбрать ИИ-решение или инструмент для прогнозирования.
- 5
Настроить автоматическую загрузку данных.
- 6
Обучить модель на исторических данных.
- 7
Сравнить прогноз с фактическими продажами за тестовый период.
- 8
Настроить уведомления об аномалиях.
- 9
Обучить сотрудников работе с дашбордом.
- 10
Провести пилотный запуск на одной категории товаров.
Вывод
Главное
Эффект от ИИ для прогноза выручки измеряется снижением потерь от дефицита и списаний за вычетом затрат на ИИ.
Основные данные — исторические продажи, остатки, акции. Расчёт — по формуле ΔПрибыль = (потери_дефицит_без_ИИ − потери_дефицит_с_ИИ) + (убытки_списания_без_ИИ − убытки_списания_с_ИИ) − затраты_на_ИИ.
ИИ автоматически строит прогноз спроса, выявляет аномалии и формирует рекомендации по закупкам, заменяя ручные расчёты.
Начните с оценки текущих потерь от дефицита и списаний — это покажет, есть ли потенциал для экономии.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как выстроить путь от бизнес-проблемы к работающему решению. В рамках практикума участники учатся автоматизировать процессы, включая прогнозирование, без необходимости 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
ИИ — это дорого и сложно, мне не подходит.
Начать можно с простых инструментов: Excel с формулами или готовых сервисов прогнозирования. Постепенно можно перейти к более продвинутым моделям. Главное — сначала оценить потенциальный эффект.
У меня мало данных, ИИ не сможет работать.
Даже с небольшим объёмом данных можно построить базовый прогноз. ИИ обучается на том, что есть, и точность растёт по мере накопления данных. Начните с простых методов и добавляйте данные постепенно.
Я не умею программировать, как я внедрю ИИ?
Существуют готовые решения и сервисы, которые не требуют программирования. Также можно пройти обучение, например, на практикуме ReMetod, где учат создавать работающие решения без кода.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться прогнозировать выручку с помощью ИИ? Запишитесь на бесплатный вебинар.