Прогноз попиту й AI

Прогноз попиту — це оцінка того, скільки штук кожного товару купуватимуть у майбутньому періоді (тиждень, місяць, сезон). Його використовують, щоб замовляти в постачальників стільки, скільки продасться: не залишати полиці порожніми й не заморожувати гроші в надлишках. AI (машинне навчання) може покращити прогноз, але не скасовує потреби в чистих даних і розумній політиці закупівель.

Простими словами

Найпростіший прогноз: «скільки продали минулого такого самого періоду». Складніші методи враховують сезонність, акції, ціну, погоду, тренди й вихід нових товарів. Машинне навчання вчиться на історії продажів і знаходить закономірності, які важко побачити в таблиці.

Що кажуть дослідження

• Сучасні моделі проти простих. У порівнянні сучасних моделей для прогнозування продажів у роздрібі (Hobor та ін., препринт червня 2025, оновлений березнем 2026; дані магазинів південно-східної Європи) найменшу похибку RMSE показав XGBoost, дерево-подібний метод. Нейромережі з відновленням пропусків покращувалися на узагальнених даних, але поступалися ансамблевим методам. Автори роблять висновок: модель слід добирати за особливостями задачі, а не за складністю (arXiv, 2025–2026).
• Точність прогнозу не завжди означає менші витрати. Дослідження Theodorou, Spiliotis та Assimakopoulos (European Journal of Operational Research, 2025) на даних змагання M5 показало, що зв'язок між точністю прогнозу й результатами по запасах може бути слабким: точність важливіша, коли витрати на зберігання порівнянні з втраченими продажами або більші за них. Коли втрачені продажі дорожчі, найкращий метод не обов'язково найточніший. Ефект найсильніший для коротких циклів замовлення й товарів із нерегулярним попитом (IDEAS/RePEc, 2025). Тобто питання «чи точний прогноз» корисно доповнювати питанням «що станеться, якщо я помилюся в більшу або меншу сторону».

Обидві роботи стосуються класичних даних продажів, а не малих українських магазинів. Окремих досліджень про прогноз попиту для українського e-commerce немає.

Від чого залежить якість прогнозу

• Історія. Для нового товару й малого магазину даних мало: прогноз грубий за визначенням.
• Чистота даних. Продажі під час дефіциту занижені: товару не було, а не «не хотіли». Якщо цього не врахувати, модель навчиться недооцінювати попит. Також впливають дублі й тестові замовлення.
• Акції й ціни. Без позначки про акцію модель сприйме пік як звичайний попит.
• Тип товару. Регулярний (витратні матеріали) прогнозується простіше, ніж нерегулярний (рідкісні дорогі товари, мода).

Приклад (умовний)

Магазин продає фільтри для води. Середні продажі — 120 штук на місяць, у листопаді зазвичай +30%. Проста сезонна оцінка на листопад — 156 штук. Якщо цього року планується акція, прогноз коригують за результатом попередньої акції. Мета — не вгадати число, а визначити діапазон (наприклад, 140–180) і вирішити, скільки тримати на складі з урахуванням строку поставки: див. Залишки, дефіцит і надлишки.

Що робити

1. Почніть з простого: сезонний прогноз за минулий рік і помісячний ритм.
2. Ведіть дані про дефіцит і акції.
3. Розділіть товари на групи за значущістю (ABC/XYZ-аналіз) і прогнозуйте точніше лише головні.
4. Зіставляйте прогноз з фактом і записуйте розбіжності.
5. ШІ-інструменти підключайте, коли простий метод вже не справляється й є дані, і порівнюйте їх з простим методом на ваших даних.

Типові помилки

• Прогнозувати за продажами, не враховуючи періоди без товару.
• Оцінювати модель за одним показником точності без зв'язку з витратами.
• Вірити «точності 95%» з реклами сервісу без перевірки на власних даних.
• Забути про строк поставки: прогноз потрібен на період від замовлення до приходу товару.

FAQ

Що таке прогноз попиту? Оцінка майбутніх продажів товарів для планування закупівель.

Чи потрібен AI для прогнозу? Не завжди. У дослідженні Hobor та ін. ансамблеві методи перевершили нейромережі, тож почніть із простого методу й порівняйте.

Як прогнозувати новий товар? Орієнтуйтеся на схожі товари й обережні закупівлі невеликою партією. Надійного методу для нових товарів без історії немає.

Який прогноз точніший? Той, що дає кращий результат за вашими даними й витратами. Загального переможця дослідження не називають.

Пов'язані терміни

• Залишки, дефіцит і надлишки
• ABC/XYZ-аналіз асортименту
• Мерчандайзинг в інтернет-магазині
• OMS і WMS
• AI для аналізу даних магазину: що можна довірити

Джерела

• Hobor L. та ін., Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting (arXiv, 06.2025, v2 03.2026) — arxiv.org/abs/2506.05941
• Theodorou E., Spiliotis E., Assimakopoulos V., Forecast accuracy and inventory performance: Insights on their relationship from the M5 competition data, European Journal of Operational Research 322(2), 2025 — ideas.repec.org/a/eee/ejores/v322y2025i2p414-426.html