Прогноз продаж до конца квартала с погрешностью 7-12%, а не 38% как в 1С.
Модели прогнозирования продаж на ваших данных из 1С, учитывают сезонность, акции, дефицит товара, погоду и курс. Сразу видно, что закупать в июле и по какому SKU дефицит к Новому году.
MAPE 11% против 38% в 1С
1С даёт прогноз по средней за 3 месяца. Нейросеть на ваших данных учитывает сезонность, тренд, акции, день недели, погоду, курс. Точность по ходовым SKU в 3-4 раза выше.
Дефицит ловится заранее
Утром закупщик получает в Telegram список SKU, где прогноз показывает дефицит через 2-3 недели. Времени достаточно, чтобы найти поставщика и не потерять выручку на пике сезона.
−34% излишков на складе
SKU с падающим спросом подсвечиваются за месяц. Меньше замороженных денег на складе, выше оборачиваемость. Освобождает кассу под рост ходовых позиций.
Прогнозирование продаж - это матмодель на ваших данных, а не средняя за три месяца
Методы прогнозирования продаж в 1С работают на средней за период. Это даёт точность 60-65% на стабильном ассортименте и падает до 30-40% при сезонности, акциях, новинках. На этих ошибках бизнес теряет 8-15% оборота через дефицит или замороженные склады.
Нейросеть на вашей истории продаж в 1С строит модель под каждый SKU отдельно: учитывает сезонность, тренды, дни недели, акции, погоду, курс рубля, остатки у конкурентов (если поставите парсер). Прогноз с погрешностью 7-15% MAPE на ходовых позициях.
На выходе закупщик каждое утро получает лист рекомендуемых заказов: что закупать, в каком количестве, когда подойдёт партия, какой риск дефицита. РОП видит ожидаемую выручку до конца квартала.
Шесть шагов от «выгрузка из 1С» до «прогноз в Telegram у закупщика»
Каждый шаг настраивается под вашу учётку, особенности номенклатуры и цикл закупки. Никакой "коробки за 500к".
Поднимаем историю из 1С
Подключаюсь к 1С УТ или ERP через COM или HTTP-сервис. Выгружаю продажи за 3+ года: дата, SKU, количество, цена, точка продаж, акция. Чищу дубли, тестовые, отменённые.
Сегментация SKU по поведению
Ходовые / средние / медленные. Сезонные / постоянные / трендовые. Под каждый сегмент - своя модель прогнозирования (ARIMA, Prophet, LightGBM, нейронка LSTM).
Обучаем модель на 3 годах данных
На train/test разбиваем по времени. Замеряем MAPE, MAE, bias. Отбираем модель под каждый сегмент SKU. Добавляем внешние фичи: акции из вашей CRM, погода через API, курс.
Прогноз на 30, 60, 90 дней вперёд
По каждому SKU - кривая с доверительным коридором. Закупщик видит, что ожидается и какой риск. Прогноз пересчитывается раз в неделю или по запросу.
Алерты по дефициту и излишкам
Если прогноз показывает дефицит через 2-3 недели - закупщик получает уведомление с конкретным SKU и рекомендуемым объёмом. Излишки - сигнал категорийщику запустить акцию.
Утром РОП видит расхождение прогноза с фактом
Где прогноз попал, где промазал. По каким SKU модель перестала работать (изменился рынок). Модель доучивается на свежих данных ежемесячно автоматически.
Точность прогноза по сегментам ассортимента
Замер по клиенту - оптовая компания, ассортимент 3 200 SKU, второй квартал после запуска модели.
Где модель прогнозирования уже работает
Четыре сценария из разных секторов. Конфигурация под учётку, реальные MAPE и цифры по ROI.
3 200 SKU, 12 регионов
Закупщик жил в Excel, выгружал среднюю за 3 месяца, ошибался на 30-50%. Модель учитывает регион, сезонность и логистические задержки. Утром в TG приходит лист закупки.
Прогноз по 28 магазинам
Перераспределение товара между точками. Модель смотрит спрос в конкретном магазине, ловит локальные тренды (например, район с офисами vs спальник). Излишки в одной точке закрывают дефицит в другой.
Wildberries + Ozon
Главная боль селлера - дефицит к пику спроса (Чёрная пятница, Новый год). Модель пересчитывает прогноз с учётом акций маркетплейса и даёт время на допоставку.
Прогноз закупки сырья
Модель строит прогноз готовой продукции, через BOM пересчитывает в потребность сырья. Закупка идёт под факт, а не "на всякий случай". Замороженный кэш падает.
Покажу прогноз на ваших данных за 30 минут
30-минутный разбор. Выгружаю кусок ваших продаж из 1С, строю быстрый прогноз. Сравниваем с вашим текущим методом.
От первого звонка до прогноза в Telegram - 4-6 недель
Без слайдов и презентаций. Беру ваши данные продаж, ваш цикл закупки, ваших закупщиков. Делаю систему, которая работает без меня.
Выгрузка и аудит данных
Подключаюсь к 1С, выгружаю историю за 3 года. Смотрю качество: пропуски, выбросы, дубли. Считаю baseline-точность вашей текущей модели прогнозирования.
Обучение моделей
Сегментирую SKU по характеру спроса. Под каждый сегмент - своя модель (ARIMA для трендов, Prophet для сезонных, LightGBM для нелинейных). Замер на test-выборке.
Интеграция с 1С + алерты
Прогноз ежедневно/еженедельно падает в документы 1С: рекомендации к закупке, корректировка плана. В Telegram алерты по дефициту и аномалиям.
Передача и дообучение
Учу закупщика и РОПа читать прогноз и коридор уверенности. Подключаю авто-дообучение раз в месяц. Оставляю систему на квартальной поддержке.
Что говорят клиенты
Три отзыва от тех, кто работает с моделью минимум два квартала. С цифрами и контекстом.
До модели закупали на средней за квартал. К Новому году дефицит по ходовому, после праздников склад забит. Сейчас прогноз сразу показывает пик и провал, успеваю закупить и слить остатки акцией.
Селлим на Wildberries и Ozon. Раньше к Чёрной пятнице вечно в дефиците, продажи теряли двукратно. Сейчас модель за 3 недели до пика говорит "докинь в Казань 300 шт". Срабатывает.
У нас 28 точек, перемещения между ними - адская задача. Модель раз в неделю говорит, какой SKU из какого магазина в какой перекинуть. Категорийщик стал планировать акции на месяц вперёд, а не тушить пожары.
Посчитайте, сколько денег вернёт прогноз
Подвигайте ползунки - покажу грубо, сколько денег возвращается из замороженных складов и упущенных продаж при улучшении MAPE с 38% до 11%.
Не обещание, а порядок величины. На разборе берём ваш реальный ассортимент и считаем под ваш цикл закупки.
Что обычно спрашивают
Точность прогноза 11% MAPE - откуда цифра?
MAPE 11% - средневзвешенная по ходовым 20% SKU, которые дают 80% оборота. По медленным SKU и новинкам MAPE выше (20-35%) - там просто мало данных для модели. На старте замеряем baseline вашей текущей модели прогнозирования и фиксируем целевой MAPE в договоре.
Какие модели используете - Prophet, ARIMA, нейросети?
Под каждый сегмент SKU - свой алгоритм. Для трендов с сезонностью - Prophet. Для стабильного спроса - ARIMA / экспоненциальное сглаживание. Для сложных зависимостей с многими факторами (акции + погода + регион) - LightGBM или LSTM. Выбираем по замеру на вашей выборке.
Сколько истории нужно для работы модели?
Минимум 2 полных года продаж - чтобы модель захватила сезонность. Идеально - 3+ года. По новинкам (< 3 месяцев) даём аналоговый прогноз: ищем похожий SKU в истории и строим траекторию на нём.
Как интегрируется с 1С УТ или ERP?
Через COM-коннектор (для локальной 1С) или HTTP-сервис / REST API (для 1С:Фреш и ERP). Выгрузка продаж раз в ночь, загрузка прогноза в документы "План продаж" и "Заказ поставщику" автоматически. На самописных конфигурациях пишу прослойку.
Учитываете акции и промо?
Да, акции и промокоды из CRM / 1С идут в модель отдельной фичей. Это критично - без учёта акций прогноз перестаёт работать в месяцы с промо. Если акции планируются заранее - можем строить сценарии "что будет, если запустим скидку 15% на SKU X".
А что с внешними факторами - погода, курс?
Подключаются опционально через API Яндекс.Погоды и ЦБ РФ. Для FMCG, одежды, отопления, кондиционеров погода критична - даёт +5-8% точности. Для импорта - важен курс рубля. Решаем на старте, какие факторы реально влияют.
Где живут данные продаж?
Внутри вашего контура (на вашем сервере или в Yandex Cloud Россия), не уходят в OpenAI или другие зарубежные облака. Модель тренируется на вашем железе или арендуем выделенный GPU в РФ.
Что если за 3 месяца прогноз не улучшит ситуацию?
В договоре фиксируется измеримая цель: целевой MAPE, рост оборачиваемости, снижение out-of-stock дней. Если показатели не выросли - дорабатываю за свой счёт. Деньги возвращаются, если расхождение с целью больше 30% и причина в реализации.
Сколько стоит программа прогнозирования продаж под ключ?
Зависит от объёма ассортимента (до 1000 SKU / 1-10к / 10к+) и количества интеграций. Типовая конфигурация на 1С УТ - 280-450 тыс. ₽ под ключ. Поддержка с дообучением - 30-50 тыс. ₽/мес.
А если ассортимент меняется каждые 3 месяца?
Для fashion, маркетплейсов, селлеров - типовая история. Делаем аналоговое прогнозирование: новый SKU привязывается к похожему из истории по характеристикам (категория, цена, бренд), берётся его кривая. Точность ниже, но всё равно лучше "среднего по категории".
Покажу прогноз на вашем ассортименте
30 минут разбора: смотрим вашу историю продаж, считаем baseline MAPE, обсуждаем цикл закупки. Без презентаций.