AI-прогнозирование продаж и спроса

Минимум 12-18 месяцев для SKU с выраженной сезонностью (одежда, FMCG, подарки), 6-9 месяцев для стабильных категорий (B2B-расходники, инструмент). Если истории меньше — работаем на уровне категории и переносим паттерн на новые SKU через похожие товары. Совсем без истории прогноз будет плохой, но полезным может быть аналитический разбор и сегментация.

Под разные задачи разные модели. Prophet и ETS — для SKU с сильной сезонностью и стабильным трендом, быстро считаются и понятны. XGBoost и LightGBM — когда есть много внешних факторов (акции, цена, погода, конкуренты), даёт лучший результат на промо. LSTM и Temporal Fusion Transformer — на длинных рядах и большом ассортименте, когда нужно учитывать взаимовлияние SKU. Часто финальный прогноз — ансамбль из 2-3 моделей с весами по сегментам.

MAPE (Mean Absolute Percentage Error) — средняя процентная ошибка прогноза. Для FMCG и e-commerce A-категории нормально 8-15%, B — 15-25%, C — 25-40% (там часто и факт нестабильный). Для оптовика по позициям с разовыми заказами — 30-60% и это всё равно полезно. Главное сравнение — не с эталоном «10%», а с тем что было «на глаз». Чаще снижаем в 2-3 раза.

Оба варианта. Облачные: Yandex DataSphere, MTS Cloud ML, VK Cloud ML — быстро запуск, оплата по факту, удобно для SMB. On-premise на ваших серверах с Python+scikit-learn+XGBoost+Prometheus+Grafana — когда данные не должны выходить наружу. Бюджет на инфру: облако от 8-15 тыс. ₽/мес, on-prem — сервер от 250 тыс. ₽ + поддержка.

Это отдельный фичевый слой модели. По каждой акции в истории фиксируется: глубина скидки, длительность, канал, ASIN/SKU попавшие в промо. Модель учится отделять «органический» спрос от промо-эффекта. На прогнозе вы вводите будущие акции через простой UI или Excel — модель пересчитывает прогноз с учётом ожидаемого эффекта.

Стандарт — раз в неделю инкрементальное обновление на свежих данных, раз в квартал — полное переобучение со сменой гиперпараметров. На FMCG с быстрой сменой ассортимента — каждые 2-3 дня. Всё автоматизировано через Airflow или cron, людям заходить не надо. Метрики качества мониторятся, если MAPE растёт — приходит алерт.

Можно, но обычно делаем полуавтоматику: прогноз и рекомендованный закуп летят в 1С УТ или МойСклад как «предложение», закупщик подтверждает или правит. Полностью автоматический закуп опасен — одна аномалия и модель закажет на квартал ненужного. На больших объёмах с A-категории можно автоматизировать после 3-4 месяцев работы и накопления доверия к прогнозу.

Cold-start стратегия: подбираю похожие SKU по характеристикам (цена, бренд, категория, фото-эмбеддинги), беру их паттерн как стартовый прогноз. Через 4-8 недель собственных продаж модель переключается на индивидуальный прогноз. Точность на старте 30-50% MAPE, но это всё равно лучше чем «как обычно».

A-категория (топ по обороту) с X-стабильностью — держим всегда в наличии, страховой запас высокий. C-категория с Z-нестабильностью — работаем под заказ или с минимальным остатком. AY — частая ошибка: товар важный, но спрос пляшет, нужен повышенный страховой запас и частая поставка. На пересечении 9 клеток матрицы — 9 разных стратегий закупа и работы со складом.

Эти штатные модули обычно дают линейный прогноз или экспоненциальное сглаживание — без учёта акций, погоды, праздников и взаимовлияния SKU. На простой динамике работает, на реальной — мажет в 2-4 раза сильнее. Часто оставляем вашу витрину в Power BI и подменяем источник прогноза на наш ML-сервис через API. Пользователь разницы не видит, цифры становятся лучше.

Со стороны клиента: 1 встреча 2 часа с финансистом/закупщиком на постановку задачи, 1-2 встречи по 1.5 часа с IT на доступы, выгрузки 12-24 месяцев истории (часто это самый долгий шаг — собрать корректную выгрузку без дыр). После запуска — еженедельная 30-минутная встреча первый месяц для калибровки. Итого 10-15 часов на команду заказчика за весь проект.

Алертинг настроен сразу: если SKU из A-категории отклоняется больше чем на 15% от прогноза за неделю — приходит уведомление в Telegram с разбором причин (внеплановая акция? сбой остатка? промо у конкурента?). По каждому отклонению модель учится — это часть процесса. Через 3-6 месяцев работы модель сильно лучше понимает специфику вашего бизнеса.