Машинное обучение для прогнозирования спроса: как снизить дефицит на 20% и перестать гадать на кофейной гуще

Прогнозирование спроса с помощью машинного обучения - это метод анализа данных, который использует алгоритмы для автоматического выявления закономерностей в истории продаж и предсказания будущих покупок клиентов с точностью до 85–95%.

Коротко о главном:

• ML-модели точнее ручных прогнозов в Excel в среднем на 20–30%, что напрямую влияет на прибыль.
• • Алгоритм учитывает до 40+ факторов одновременно: от сезонности и промо акций до погоды и курсов валют.
• Грамотное прогнозирование снижает дефицит товаров с 25% до 5% и сокращает излишки до 30%.
• Для обучения качественной модели нужны «чистые» данные о продажах как минимум за 1–2 года.
• Внедрение системы занимает от 2 до 6 месяцев, но окупается за счет сокращения потерь.

Проблема ручного прогнозирования - его катастрофически низкая точность. Погрешность расчетов в Excel или по интуиции закупщика достигает 30–50%. Это приводит к классическому парадоксу ритейла: на полках нет ходовых товаров, которые ищут клиенты, а склад забит неликвидом. В любой момент времени до 29% ассортимента может отсутствовать в продаже, замораживая вашу прибыль.

Почему Excel и классические методы больше не справляются

Классические методы прогнозирования - это статистические подходы, которые опираются на усредненные данные прошлого. Самые известные - метод скользящего среднего или экспоненциальное сглаживание. Они неплохо работают для товаров со стабильным спросом, но пасуют перед реалиями современного ритейла. Их главный минус - они «слепы» к десяткам факторов, влияющих на продажи.

Ограничения статистических моделей

Статистический анализ хорош для простой картины мира. Но что делать, когда на спрос влияет не только история продаж, но и запуск рекламной кампании конкурентом, внезапное похолодание или даже новый пост у популярного блогера? Стандартные формулы не могут учесть эти переменные. Они не видят сложных, нелинейных связей, из-за чего прогноз получается усредненным и часто неверным. Особенно это касается товаров с ярко выраженной сезонностью или тех, что часто участвуют в промоакциях.

Человеческий фактор: интуиция против данных

Когда статистика не помогает, в дело вступает «экспертное мнение» закупщика. Опытный специалист действительно может предчувствовать тренды. Но интуиция - вещь нестабильная. Сегодня она работает, а завтра - нет. Полагаться на нее в масштабах сети из десятков магазинов и тысяч SKU - все равно что управлять кораблем по звездам в шторм. Как точно подметил Элияху Голдратт, автор Теории ограничений, «магический кристалл для предсказания будущего так и не прибыл». Попытки угадать спрос вручную - это постоянный стресс и неизбежные ошибки в планировании поставок.

По нашему опыту, переход от ручного прогнозирования в Excel к алгоритмическому позволяет сократить время закупщика на формирование заказов с 3–4 часов в день до 15–20 минут.

Что такое машинное обучение в прогнозировании спроса простым языком

Машинное обучение - это, по сути, «прокачанная» статистика. Представьте аналитика, который может круглосуточно изучать ваши данные, находить в них скрытые связи и делать выводы, до которых человек добирался бы месяцами. Только вместо человека - алгоритм. Система сама проходит обучение на исторических данных и строит математическую модель, которая предсказывает будущее.

Термины простым языком

Чтобы говорить с IT-специалистами на одном языке, полезно знать несколько ключевых понятий:

• Модель машинного обучения. Это не физический объект, а файл с математической формулой и коэффициентами. Именно эта формула, получив на вход свежие данные (например, остатки на складе и цены), выдает на выходе прогноз продаж на следующую неделю.
• Алгоритм. Это рецепт, по которому создается модель. Алгоритмов много, и выбор правильного - одна из главных задач Data Scientist.
• Фича (признак). Это любой фактор, который может влиять на спрос: цена, день недели, наличие промо, количество остатка, погода, праздники. Чем больше релевантных фичей, тем точнее прогноз.

Какие данные нужны для обучения модели

Качество прогноза напрямую зависит от качества и полноты данных. Правило «мусор на входе - мусор на выходе» здесь работает на 100%. Вот минимальный набор, без которого не обойтись:

1. История продаж: данные по чекам (SKU, количество, цена, дата, время, магазин) минимум за 1–2 года. Чем дольше история, тем лучше модель уловит годовую сезонность.
2. Данные о товаре: справочник номенклатуры с атрибутами (бренд, категория, поставщик, вес, объем).
3. Информация о промоакциях: даты проведения, тип скидки, механика акции.
4. Данные об остатках: ежедневная информация об остатках на складах и в магазинах. Без этого модель не отличит нулевые продажи из-за отсутствия спроса от дефицита.
5. Внешние факторы (опционально, но полезно): праздничные дни, погода, курсы валют, данные о трафике, маркетинговая активность конкурентов.

Как происходит процесс обучения

Процесс создания ML-прогноза похож на дрессировку собаки. Сначала вы показываете ей, что нужно делать («сидеть!») и даете лакомство за правильное выполнение. Алгоритм так же «учится» на исторических данных: он сравнивает свой прогноз с реальными продажами в прошлом и корректирует себя, чтобы уменьшить ошибку. Этот процесс повторяется тысячи раз, пока модель не начнет давать стабильно точный результат. После этого ее можно использовать для прогнозирования будущих продаж.

Популярные методы машинного обучения для прогноза спроса

Существует множество методов машинного обучения, но в ритейле чаще всего применяются несколько проверенных подходов. Выбор конкретного метода анализа зависит от специфики товара, доступных данных и требуемой точности.

Метод	Плюсы	Минусы	Когда использовать
Линейная регрессия	Простота, скорость, легко интерпретировать	Низкая точность, плохо работает со сложными зависимостями	Для товаров с очень простым и стабильным спросом, для быстрой первой оценки.
Деревья решений	Высокая точность, хорошо обрабатывают пропуски в данных, учитывают множество факторов	Сложнее в интерпретации («черный ящик»), требуют больше ресурсов	Золотой стандарт для большинства задач прогнозирования в ритейле. CatBoost, XGBoost, LightGBM - самые популярные реализации.
Нейронные сети	Лучше всего работают с временными рядами, улавливают долгосрочные тренды и сезонность	Требуют огромных объемов данных, очень ресурсоемкие, сложны в настройке	Для крупных сетей с большими данными и сложными сезонными товарами.

На практике почти всегда побеждают ансамблевые методы, основанные на деревьях решений, особенно градиентный бустинг. Они обеспечивают лучший баланс между точностью и скоростью работы.

Как внедрить прогнозирование спроса на основе ML: пошаговый план

Внедрение машинного обучения - это полноценный проект, который требует ресурсов и четкого плана. Он состоит из нескольких ключевых этапов.

Шаг 1. Сбор и подготовка данных Это самый трудоемкий этап, занимающий до 80% времени всего проекта. Данные из учетных систем почти никогда не бывают идеальными. Их нужно очистить от дублей, заполнить пропуски, исправить аномалии (например, продажи в минус). Качество этого этапа напрямую определяет успех всего прогнозирования.

Шаг 2. Выбор и обучение модели На этом этапе Data Scientist экспериментирует с разными алгоритмами и их параметрами (гиперпараметрами), чтобы найти оптимальный для конкретной задачи. Происходит сам процесс обучения модели на подготовленных данных.

Шаг 3. Валидация и оценка точности Готовую модель нужно проверить. Для этого исторические данные делят на обучающую и тестовую выборки. Модель учится на первой, а ее точность проверяется на второй, с которой она еще не «знакома». Ключевые метрики точности - MAE (средняя абсолютная ошибка) и MAPE (средняя абсолютная процентная ошибка). MAPE ниже 15% считается отличным результатом для розницы.

Шаг 4. Внедрение в бизнес-процессы Проверенная модель интегрируется с вашими рабочими системами (например, 1С или другой ERP). Прогноз должен не просто лежать в виде отчета, а автоматически использоваться для формирования заказов поставщикам, планирования перемещений между складами и т.д.

Шаг 5. Мониторинг и дообучение Рынок меняется, появляются новые товары, меняется поведение клиентов. Поэтому любая модель прогнозирования спроса со временем деградирует - ее точность падает. Необходимо регулярно (раз в квартал или полгода) проводить ее дообучение на свежих данных, чтобы поддерживать актуальность.

Реальные результаты: что дает ML-прогнозирование ритейлу

Внедрение анализа машинного обучения дает измеримый финансовый результат. Это не просто модная технология, а инструмент для повышения прибыли. Вот что получают компании, перешедшие на умное прогнозирование:

• Снижение дефицита. Точный прогноз позволяет вовремя пополнять запасы. В среднем, уровень дефицита падает с 20–29% до 5–7%.
• Сокращение излишков. Система не заказывает лишнего, что позволяет высвободить из неликвидных запасов до 30% оборотных средств.
• Рост продаж. За счет постоянного наличия ходового товара на полках продажи могут вырасти на 5–15% без дополнительных маркетинговых вложений.
• Оптимизация логистики и поставок. Прозрачное планирование позволяет лучше договариваться с поставщиками, оптимизировать транспортные расходы и загрузку складов.
• Экономия времени персонала. Автоматизация рутинных расчетов освобождает закупщиков для решения более важных задач: поиска новых поставщиков, переговоров об условиях, анализа рынка.

Внедрение методов анализа на базе ML в одной из розничных сетей позволило сократить дефицит с 29% до 11%. Это привело к росту продаж на 28% за первый месяц, а рентабельность магазина выросла с 3,2% до 17,4% при тех же накладных расходах.

Подводные камни: что может пойти не так

Машинное обучение - не волшебная палочка. На пути внедрения есть несколько типичных ловушек, о которых стоит знать заранее.

• «Грязные» данные. Самая частая причина провала проектов. Если в вашей учетной системе бардак, алгоритм научится этому бардаку и будет выдавать такие же хаотичные прогнозы.
• Недостаток данных. Для обучения модели, которая улавливает сезонность, нужна история продаж хотя бы за год, а лучше за два. Для новых товаров или магазинов это проблема.
• Эффект «черного ящика». Сложные модели (например, нейросети) могут давать точный прогноз, но объяснить, почему он именно такой, бывает сложно. Это вызывает недоверие у бизнеса.
• Высокая стоимость и сложность. Разработка кастомного ML-решения с нуля - это дорого. Проект может стоить от 500 тыс. до нескольких миллионов рублей и занять 6–12 месяцев. Готовые SaaS-решения, как правило, доступнее и быстрее во внедрении.
• Сопротивление персонала. Закупщики со стажем могут не доверять «бездушной машине» и саботировать внедрение, продолжая заказывать «по чуйке». Важно правильно донести до команды ценность нового инструмента и показать, как он облегчит их работу, а не заменит их.