К содержимому

Прогноз спроса и AI

| Статья: 3 мин чтения | Каталог и маркетплейсы

Прогноз спроса — это оценка того, сколько штук каждого товара будут покупать в будущем периоде (неделя, месяц, сезон). Его используют, чтобы заказывать у поставщиков столько, сколько продастся: не оставлять полки пустыми и не замораживать деньги в излишках. AI (машинное обучение) может улучшить прогноз, но не отменяет потребности в чистых данных и разумной политике закупок.

Простыми словами

Самый простой прогноз: «сколько продали в прошлый такой же период». Более сложные методы учитывают сезонность, акции, цену, погоду, тренды и выход новых товаров. Машинное обучение учится на истории продаж и находит закономерности, которые трудно увидеть в таблице.

Что говорят исследования

  • Современные модели против простых. В сравнении современных моделей для прогнозирования продаж в рознице (Hobor и др., препринт июня 2025, обновлён в марте 2026; данные магазинов юго-восточной Европы) наименьшую ошибку RMSE показал XGBoost, древовидный метод. Нейросети с восстановлением пропусков улучшались на обобщённых данных, но уступали ансамблевым методам. Авторы делают вывод: модель следует подбирать по особенностям задачи, а не по сложности (arXiv, 2025–2026).
  • Точность прогноза не всегда означает меньшие затраты. Исследование Theodorou, Spiliotis и Assimakopoulos (European Journal of Operational Research, 2025) на данных соревнования M5 показало, что связь между точностью прогноза и результатами по запасам может быть слабой: точность важнее, когда затраты на хранение сопоставимы с потерянными продажами или больше них. Когда потерянные продажи дороже, лучший метод не обязательно самый точный. Эффект сильнее всего для коротких циклов заказа и товаров с нерегулярным спросом (IDEAS/RePEc, 2025). То есть вопрос «точен ли прогноз» полезно дополнять вопросом «что будет, если я ошибусь в большую или меньшую сторону».

Обе работы касаются классических данных продаж, а не небольших украинских магазинов. Отдельных исследований о прогнозе спроса для украинского e-commerce нет.

От чего зависит качество прогноза

  • История. Для нового товара и небольшого магазина данных мало: прогноз грубый по определению.
  • Чистота данных. Продажи во время дефицита занижены: товара не было, а не «не хотели». Если это не учесть, модель научится недооценивать спрос. Также влияют дубли и тестовые заказы.
  • Акции и цены. Без отметки об акции модель примет пик за обычный спрос.
  • Тип товара. Регулярный (расходные материалы) прогнозируется проще, чем нерегулярный (редкие дорогие товары, мода).

Пример (условный)

Магазин продаёт фильтры для воды. Средние продажи — 120 штук в месяц, в ноябре обычно +30%. Простая сезонная оценка на ноябрь — 156 штук. Если в этом году планируется акция, прогноз корректируют по результату предыдущей акции. Цель — не угадать число, а определить диапазон (например, 140–180) и решить, сколько держать на складе с учётом срока поставки: см. Остатки, дефицит и излишки.

Что делать

  1. Начните с простого: сезонный прогноз по прошлому году и помесячный ритм.
  2. Ведите данные о дефиците и акциях.
  3. Разделите товары на группы по значимости (ABC/XYZ-анализ) и прогнозируйте точнее только главные.
  4. Сопоставляйте прогноз с фактом и записывайте расхождения.
  5. ИИ-инструменты подключайте, когда простой метод уже не справляется и есть данные, и сравнивайте их с простым методом на ваших данных.

Типичные ошибки

  • Прогнозировать по продажам, не учитывая периоды без товара.
  • Оценивать модель по одному показателю точности без связи с затратами.
  • Верить «точности 95%» из рекламы сервиса без проверки на собственных данных.
  • Забыть о сроке поставки: прогноз нужен на период от заказа до прихода товара.

FAQ

Что такое прогноз спроса? Оценка будущих продаж товаров для планирования закупок.

Нужен ли AI для прогноза? Не всегда. В исследовании Hobor и др. ансамблевые методы превзошли нейросети, так что начните с простого метода и сравните.

Как прогнозировать новый товар? Ориентируйтесь на похожие товары и осторожные закупки небольшой партией. Надёжного метода для новых товаров без истории нет.

Какой прогноз точнее? Тот, что даёт лучший результат по вашим данным и затратам. Общего победителя исследования не называют.

Связанные термины

Источники

  • 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

Хотите проверить это на своём магазине?

Разработка e-commerce

Индивидуальные e-commerce решения и интеграции: от доработок до сложных систем.

Об услуге →

Поделиться

Читайте также

  • Товарный фид

    | Статья: 3 мин чтения

    Товарный фид (product feed) — это файл или поток данных с полным списком ваших товаров (название, цена, наличие, фото, ссылка), который магазин передаёт в Google, маркетплейсы и ценовые агрегаторы, чтобы те показывали и продавали его товары.

  • Варианты товара

    | Статья: 2 мин чтения

    Варианты товара — это версии одного и того же товара, которые отличаются одним-двумя признаками: размером, цветом, объёмом, памятью. Например, футболка одной модели в размерах S, M, L и в трёх цветах.

  • Остатки, дефицит и излишки

    | Статья: 3 мин чтения

    Управление остатками — это контроль того, сколько каждого товара есть на складе, сколько его нужно и когда заказывать, чтобы не терять продажи из-за дефицита и не замораживать деньги в излишках. Дефицит (out-of-stock) означает, что покупатель хотел купить, а…

  • ABC/XYZ-анализ ассортимента

    | Статья: 3 мин чтения

    ABC/XYZ-анализ — это способ разложить товары по двум признакам: насколько они важны для бизнеса (ABC, по выручке или прибыли) и насколько стабилен на них спрос (XYZ). Результат — девять групп, для каждой из которых нужны свои правила закупки и запасов.