Прогноз спроса — это не про то, чтобы угадать выручку следующего месяца. Это про то, сколько товара заказать, когда запустить акцию и в какой момент начать распродажу остатков. Ошибка в одну сторону даёт нехватку товара в пик сезона, ошибка в другую — замороженные деньги на складе. Именно поэтому в e-commerce предиктивная аналитика окупается быстрее большинства других AI-внедрений: результат измеряется не в кликах, а в оборотных средствах.
Что именно прогнозируется
«Прогноз спроса» — обобщение, под которым скрывается как минимум четыре разные задачи с разной сложностью и разной ценностью.
| Задача | Горизонт | Для какого решения |
|---|---|---|
| Продажи по товару | 2–12 недель | Закупка, пополнение склада |
| Продажи по категории | 1–6 месяцев | Бюджет, планирование ассортимента |
| Пик сезонности | сезон | Когда начинать рекламную кампанию |
| Риск остатков | 4–8 недель | Когда включать скидку и на сколько |
Начинать стоит не с самой точной модели, а с задачи, где цена ошибки выше всего. В большинстве интернет-магазинов это закупка топ-20 товаров, дающих большую часть выручки.
Какие данные нужны
Модель прогноза спроса — это преимущественно работа с данными, а не с алгоритмом. Минимальный набор выглядит так:
- История продаж по дням минимум за два года. Один год не даёт модели увидеть сезонность.
- История наличия. Без неё модель примет дни, когда товара не было на складе, за падение спроса — и занизит прогноз на следующий сезон.
- История цен и скидок. Иначе всплеск от акции будет интерпретирован как органический рост.
- Рекламные расходы по дням. Позволяют отделить купленный спрос от органического.
- Календарь событий: праздники, выходные, даты запуска новых товаров, изменения в доставке.
Первые два пункта критичны. Магазины, которые не пишут историю остатков, обычно тратят первый месяц проекта на её восстановление из косвенных данных, и точность прогноза от этого страдает.
Почему простая модель часто лучше сложной
Практика показывает устойчивую картину: на товарах с ровным спросом классические статистические методы дают результат, мало отличающийся от сложных моделей, а сопровождать их на порядок легче. Сложные модели выигрывают там, где на спрос влияет много внешних факторов одновременно — сезонность плюс промо плюс конкурентные цены плюс погода.
Разумная последовательность: сначала базовый прогноз простым методом, затем измерение его ошибки, и только потом — решение, оправдана ли более сложная модель. Без базовой линии вы не сможете доказать, что сложная модель вообще что-то улучшила.
Отдельная категория — новые товары без истории продаж. Для них прогноз строится по похожим позициям в ассортименте, и точность здесь всегда ниже. Закладывать под новинку тот же уровень доверия, что и под товар с двухлетней историей, — типичная ошибка планирования.
Как измерять качество прогноза
Главный вопрос не «насколько модель точна», а «на сколько процентов она лучше того, как мы планировали раньше». Сравнивайте с наивным прогнозом — например, «продадим столько же, сколько в прошлом месяце». Если модель не обгоняет его стабильно, внедрение не имеет смысла.
Второе, что стоит понимать: ошибка в разные стороны стоит по-разному. Недооценка спроса на ходовой товар — это упущенные продажи и позиции в выдаче. Переоценка — замороженные деньги, но товар остаётся. Модель должна настраиваться под эту асимметрию, а не просто минимизировать среднюю ошибку.
Три ловушки, из-за которых прогноз не работает
Прогноз есть, но им никто не пользуется. Самый распространённый сценарий провала: модель построена, дашборд есть, а закупщик продолжает заказывать по собственному ощущению. Прогноз должен быть встроен в процесс принятия решения — в форму заказа, в еженедельную встречу, в правило пополнения, — иначе он останется отчётом.
Модель обучена на аномальном периоде. Если в истории есть месяцы с резким всплеском или обвалом спроса, вызванным разовыми обстоятельствами, модель примет их за закономерность. Такие периоды нужно помечать отдельно, а не тихо усреднять.
Прогноз не пересматривается. Спрос меняется, конкуренты запускают акции, меняется ассортимент. Модель, которую не переобучают, постепенно расходится с реальностью — и обычно это замечают уже после того, как склад забит не тем товаром. Регулярный пересмотр точности раз в квартал — минимальная дисциплина.
С чего начать
Реалистичный первый шаг — не платформа, а пилот на одной категории с длинной историей продаж и высокой ценой ошибки. Три-четыре месяца такого пилота дают достаточно данных, чтобы понять, есть ли эффект и сколько стоит его поддержка.
Обязательная предпосылка — корректно настроенная аналитика. Если данные о продажах и трафике не сводятся между собой, прогнозировать не на чем. Базовые вещи здесь: настройка Google Analytics 4 и веб-аналитика, а сведение данных из разных источников — сквозная аналитика.
Более широкий взгляд на то, какие решения можно автоматизировать на основе данных, — в материале AI-аналитика: решения на основе данных и в описании направления AI-аналитика. Обсудить пилот можно через контакты Top Team.
