Прогнозирование спроса с ИИ: как прогнозировать продажи и закупки точнее, чем в Excel, и сколько это экономит

Где прогноз в Excel теряет деньги

Типичный прогноз спроса в компании без своей команды данных выглядит так: продажи за тот же период прошлого года, поправка на рост, ручные правки закупщика под акции и «чувство рынка». Пока ассортимент небольшой, это работает. Когда позиций сотни, а точек десятки, у закупщика нет физической возможности продумать каждую строку, и ошибка уходит в деньги.

Она оседает в трех местах:

• Списания. Прогноз завышен, товар не продан до конца срока годности. Особенно больно в общепите и продуктовой рознице. По данным Food Waste Index Report 2024 ООН, в странах с высоким доходом общепит в среднем выбрасывает 21 кг еды на человека в год, розница 13 кг.
• Дефицит. Прогноз занижен, полка пустая или блюдо в стоп-листе. Компания теряет не только эту продажу: гость уходит к соседу, сеть платит штрафы за недопоставку.
• Замороженные деньги. Чтобы не было дефицита, закупщик держит запас «на всякий случай». Каждый лишний рубль на складе это рубль, взятый в кредит или не вложенный в развитие.

Хороший прогноз уменьшает все три статьи сразу, потому что снижает неопределенность, под которую приходится держать запас. Общая логика предиктивных моделей, от прогноза спроса до предсказания поломок, разобрана в статье про предиктивную аналитику. Здесь только про спрос и закупки: какой метод выбрать, какие данные добавить и как посчитать эффект.

Методы прогнозирования спроса: от простых к сложным

Методы изучения и прогнозирования спроса делятся на экспертные (опрос продавцов, мнение закупщика) и количественные, которые считают будущее по истории продаж. Ниже про количественные, потому что именно их можно автоматизировать. Лучший открытый ориентир по их точности это соревнование M5: команды прогнозировали дневные продажи 3 049 товаров Walmart в 10 магазинах на 28 дней вперед, всего 42 840 рядов. Организаторы прогнали и два десятка стандартных методов, поэтому их можно сравнить на одних данных (Makridakis и соавторы, 2022).

Скользящее среднее и наивные методы

Прогноз равен среднему за последние несколько дней или продажам в тот же день прошлой недели. Так считают в Excel, и это хорошая база для сравнения. Но в M5 скользящее среднее ошиблось почти в полтора раза сильнее, чем лучшие статистические методы: оно не видит ни сезонности, ни праздников. Метод «как неделю назад» оказался точнее скользящего среднего уже потому, что учитывает день недели.

Сезонность: экспоненциальное сглаживание и ARIMA

Экспоненциальное сглаживание с сезонностью и модели ARIMA учитывают тренд, день недели, месяц. В M5 сглаживание с сезонностью было на 31% точнее простого сглаживания без нее и стало лучшим из стандартных методов. Это рабочий выбор, когда позиций немного, продажи регулярные, а промо редкие. Минус: каждая модель учится на одном товаре и не переносит знания с соседних позиций.

Градиентный бустинг

LightGBM, CatBoost, XGBoost строят одну модель сразу на всех товарах и точках. Модель видит, как похожие товары реагируют на скидку, жару или выходной, и переносит это на позиции с короткой историей. Факторы добавляются как колонки в таблицу. Победитель M5 усреднил несколько моделей LightGBM и получил ошибку на 22,4% ниже лучшего статистического метода. Все 50 лучших команд обошли его больше чем на 14%, и большинство использовали тот же бустинг. Для прогноза спроса в рознице, HoReCa и дистрибуции это сейчас основной инструмент.

Нейросети

Нейросети нужны, когда данных много и они сложные: тысячи рядов, тексты отзывов, связи между товарами. Третье место в M5 заняла комбинация глубоких нейросетей LSTM, почти вровень с бустингом. Но важная деталь: простая нейросеть без внешних факторов в том же соревновании оказалась хуже скользящего среднего. Сама по себе нейросеть точности не гарантирует, выигрывают данные и факторы.

Какой метод выбрать

На практике методы комбинируют: в M5 комбинации моделей были точнее или не хуже методов, из которых состояли, а победитель усреднял шесть моделей на каждый ряд.

Отдельный вопрос, на каком уровне прогнозировать. Можно прогнозировать каждый товар в каждой точке и складывать вверх, а можно прогнозировать категорию и раскладывать вниз по долям. Для закупки нужен нижний уровень: товар, точка, день. Но сверять его стоит с прогнозом по категории и сети: если сумма прогнозов по товарам сильно расходится с прогнозом категории, где-то ошибка в данных.

Какие факторы добавлять в модель

Методики прогнозирования товарного спроса отличаются не столько алгоритмом, сколько тем, что модель знает о будущем. Хорошая новость: большинство нужных факторов уже есть в компании.

• Календарь. День недели, праздники, длинные выходные, начало месяца, зарплатные дни. В M5 добавление в ARIMA всего двух факторов, праздников и дней льготных покупок по продуктовой программе, снизило ошибку на 13%.
• Цены и промо. Собственная цена, скидка, участие в акции, место на полке, цены конкурентов, если их собирают. Без календаря промо модель путает всплеск от акции с ростом спроса.
• Погода. Для напитков, мороженого, летних блюд, стройматериалов и шин погода дает больше, чем любая сезонность. Прогноз погоды на неделю доступен по API.
• Остатки и дефицит. Если товара не было на полке, нулевые продажи не означают нулевой спрос. Эти дни нужно пометить, иначе модель выучит дефицит как норму.
• Отзывы и рейтинг. Для общепита и маркетплейсов: оценки и тексты отзывов влияют на поток гостей и покупателей.
• Локальные события. Концерты, матчи, ярмарки рядом с точкой, ремонт дороги.

Чего не стоит делать: добавлять в модель все, что есть в базе. Лишние факторы делают модель неустойчивой, она находит случайные совпадения. Каждый новый фактор проверяют так же, как модель целиком: стала ли ошибка на отложенных месяцах ниже.

Правило отбора простое: фактор полезен, если о нем известно заранее, на горизонт прогноза. Курс валюты через месяц неизвестен, а дата акции и праздника известны.

Как мерить точность и переводить ее в рубли

Фраза «точность 85%» без уточнения ничего не значит. Нужно договориться о трех вещах до старта.

Метрика ошибки. MAPE считает среднюю процентную ошибку по позициям. Она понятна, но не определена на днях с нулевыми продажами и дает выбросы на продажах, близких к нулю, это ограничение описано в учебнике Хайндмана. Вдобавок MAPE усредняет проценты, и ошибка на позиции, которая продается раз в неделю, весит столько же, сколько ошибка на ходовом товаре. Для закупок честнее WAPE: сумма отклонений по модулю, деленная на сумму продаж. Ошибка на ходовой позиции весит больше, как и в деньгах.

Смещение. Показывает, систематически ли модель завышает или занижает прогноз. При одинаковом WAPE модель со смещением вверх дает списания, а модель со смещением вниз дает пустые полки. Для скоропорта и товаров с дорогим дефицитом смещение настраивают по-разному.

База для сравнения. Сравниваем не с нулем, а с текущим способом: прошлый год плюс процент или прогноз закупщика. Проверка «задним числом» на последних 3-6 месяцах показывает разницу в ошибке еще до внедрения.

Дальше ошибку переводим в деньги:

Если эта таблица дает несколько процентов оборота, проект почти наверняка окупится. Если списания 0,5%, а дефицита нет, лучше искать другую задачу.

От прогноза к закупке и производственному плану

Прогноз спроса это половина работы. Деньги появляются, когда из прогноза автоматически считается решение.

Закупки. Заказ поставщику = прогноз на срок поставки плюс страховой запас минус текущий остаток, с поправкой на кратность упаковки и минимальную партию. Страховой запас зависит от точности прогноза: чем меньше ошибка, тем меньше запас нужен для того же уровня сервиса. Именно здесь точность превращается в высвобожденные деньги.

Дистрибуция и логистика. Прогнозирование спроса в логистике идет по складам и направлениям: сколько держать на каждом складе, что перемещать заранее, сколько машин и смен потребуется на неделе. Для дистрибьютора с несколькими складами ошибка стоит дважды: товар лежит и при этом не там, где его ждут.

Производство. Прогноз продаж становится входом для плана выпуска и закупки сырья. Для пищевых производств и производств с дорогими переналадками это особенно важно: прогноз определяет, какие партии ставить и в каком порядке. Как из прогноза собирается план выпуска, разобрано в статье про планирование производства с ИИ.

Общепит. Прогноз продаж блюд превращается в заготовки по сменам, закупку продуктов и график персонала.

Важное правило: у закупщика остается право поправить прогноз, но каждая правка фиксируется вместе с причиной. Через пару месяцев видно, чьи правки улучшают точность, а чьи нет, и это лучший аргумент в спорах «модель против опыта».

Кейс: прогноз продаж блюд для сети ресторанов

Задача сети: кухня закупала продукты и готовила заготовки по опыту шеф-поваров. В спокойные дни часть заготовок уходила в отходы, в загруженные блюда попадали в стоп-лист.

Что сделали. Мы построили систему прогноза продаж каждого блюда. Модель учится на истории продаж за 3 года и учитывает внешние факторы:

• погоду: в жару и в холод гости заказывают разное;
• праздники и выходные: они меняют и поток гостей, и состав заказов;
• отзывы: оценки и тексты отзывов влияют на поток гостей в конкретный ресторан.

Прогноз считается по блюдам, а из него кухня получает закупку продуктов и объем заготовок. Повара готовят под прогноз, а не «на глаз».

Результат. Точность прогноза 90%+, пищевых отходов на 20% меньше. Проект от старта до работы занял 6,5 месяца.

Почему такие проекты идут месяцами. В подобных проектах основное время обычно уходит не на алгоритм, а на данные и процесс: продажи нужно свести по блюдам за три года, учесть изменения меню и дни, когда блюдо было недоступно, подключить погоду и отзывы, а главное встроить прогноз в ежедневную работу кухни. Модель, которой не пользуются, отходов не снижает.

Что переносится на другие отрасли: в продуктовой рознице вместо блюд товары с коротким сроком годности, в дистрибуции позиции на складах, на пищевом производстве партии продукции. Логика та же: прогноз по каждой позиции, внешние факторы, решение из прогноза автоматически.

Сколько это экономит: пример расчета

Пример ниже иллюстративный, цифры условные. Он показывает, как мы считаем эффект до старта, а не обещает результат.

Сеть из 15 ресторанов закупает продукты на 240 млн ₽ в год. Списания и отходы 6% закупки, то есть 14,4 млн ₽. Средний запас продуктов и напитков на складах и кухнях 25 млн ₽.

На фоне такого эффекта пилот от 300 000 ₽ окупается с запасом. Если бы списания были 1% закупки, а стоп-листов почти не было, расчет показал бы, что прогноз здесь не главный рычаг. Для этого расчет и делают до старта.

С чего начать

Начинать стоит не со всего ассортимента, а с позиций, где ошибка дорогая, а спрос достаточно регулярный, чтобы модель его выучила.

1. Собрать данные за 2-3 года: продажи по дням по товарам и точкам, остатки, цены, календарь акций, акты списания. Обычно все это уже есть в 1С, кассе и WMS.
2. Посчитать потери в рублях по таблице выше и выбрать группу товаров или один склад для пилота.
3. Проверить модель задним числом на последних месяцах и сравнить с текущим способом прогноза по WAPE и смещению.
4. Встроить прогноз в процесс: расчет заказа поставщику, план заготовок или план выпуска, с правом ручной правки и журналом правок.
5. Запустить пилот на одном участке и сравнить «было» и «стало» в рублях. Срок фиксируем после разбора: он зависит от состояния данных и числа систем.
6. Масштабировать на остальной ассортимент и точки, когда эффект подтвердился.

Данные о продажах и закупках коммерчески чувствительны, поэтому работаем под NDA. Персональные данные, например из программ лояльности, обезличиваем до передачи в модель. Модели прогноза спроса можно развернуть в контуре заказчика, чтобы данные не покидали компанию. Общий порядок, сроки и бюджеты ИИ-проектов описаны в статье про внедрение ИИ в бизнес.

Частые вопросы