Сколько товара заказать перед высоким сезоном, сколько людей поставить в график на следующий месяц, будет ли весной туго с деньгами: малые предприятия принимают такие решения, сочетая опыт и прошлогодние цифры. ИИ-прогнозирование продаж обещает делать это лучше, и может, если данные под ним надёжны, а ожидания реалистичны. В этом руководстве описано, какие данные нужны, как понять, хорош ли прогноз, и где ему не стоит доверять.

Что на самом деле делает ИИ-прогнозирование продаж

Модель прогнозирования смотрит на прошлые продажи и усваивает закономерности в них: общий тренд, сезонность в течение года, различия между днями недели, влияние праздников и всплеск от акций. Затем она продлевает эти закономерности вперёд, в идеале как диапазон, а не одно число, потому что будущее неопределённо, а диапазон показывает, насколько.

Прогнозирование на основе машинного обучения может учитывать и внешние факторы, такие как погода, местные события или расходы на маркетинг, и усваивать закономерности, общие для многих товаров. Однако на небольших наборах данных более простые статистические методы, такие как экспоненциальное сглаживание, часто так же точны и проще объясняются. Аккуратный анализ пробует оба и оставляет тот, что лучше работает на ваших данных. На практике прогнозирование спроса для малого бизнеса зависит не столько от алгоритмов, сколько от данных, которые в него закладываются.

Сколько нужно исторических данных о продажах

  • Минимум два полных года для всего сезонного, чтобы каждый сезон встречался больше одного раза. При одном годе сезонный пик и разовое событие выглядят одинаково.
  • Правильный уровень детализации. Недельные итоги по товару или категории часто полезнее ежедневных цифр по каждой позиции, которые шумят у медленно продающихся товаров.
  • Единообразные определения. Продажи, записанные одинаково за весь период, с теми же кодами товаров и теми же каналами.

У новых товаров и медленно продающихся позиций редко бывает достаточно собственной истории. Их лучше прогнозировать на уровне категории или заимствуя закономерность похожих товаров, чем по одному.

Очистка исторических данных о продажах до того, как их увидит модель

Очистка данных занимает больше времени, чем моделирование, и важна больше. Типичные проблемы исторических данных о продажах:

  • Возвраты и отмены, записанные как продажи или вовсе не записанные.
  • Один и тот же товар под несколькими кодами после смены поставщика или перестройки сайта.
  • Продажи в кассовой системе и онлайн, которые ведутся в разных системах с разными названиями товаров.
  • Разовые оптовые заказы, которые иначе выглядели бы как начало тренда.
  • Акции и отсутствие товара: неделя распродажи раздувает спрос, а неделя без остатков показывает нулевые продажи, хотя покупатели хотели товар. Обе нужно отметить, иначе модель извлечёт неверный урок.

Ведите короткий журнал того, что изменено и почему. Тот, кто потом будет читать прогноз, захочет это знать.

Как оценить точность прогноза продаж

Единственная честная проверка — бэктест прогноза: скройте от модели последние месяцы, пусть она их спрогнозирует, и сравните прогноз с тем, что произошло на самом деле. Повторите это для нескольких периодов, а не только одного.

  • Сравнивайте с простой базовой линией. Ориентир — «та же неделя в прошлом году» или «среднее за последние четыре недели». Если модель не может его превзойти, запускать её не стоит.
  • Измеряйте ошибку в терминах бизнеса. Штуки или доллары расхождения в неделю говорят закупщику больше, чем абстрактная оценка.
  • Проверяйте диапазоны. Если прогноз говорит, что продажи большинство недель окажутся в диапазоне, посчитайте, как часто так и было.

Точность прогноза продаж зависит от товара и сезона. Ожидайте, что стабильные позиции и итоги по категориям прогнозируются хорошо, а у новых или нерегулярных товаров диапазоны будут широкими. Поэтому каждая модель в нашей работе по анализу данных с помощью ИИ сопровождается пометкой о том, насколько она была точна на прошлых данных и где на неё нельзя полагаться; прогноз — инструмент планирования, а не обещание.

Как превратить прогнозы в решения

Прогноз полезен, только когда он меняет решение. Для планирования закупок распространённый подход — заказывать, когда остаток падает до ожидаемого спроса за срок поставки плюс страховой запас, причём диапазон прогноза определяет размер этого запаса. Тот же прогноз может направлять составление графика на загруженные недели и планирование денег на спокойные.

Каждый месяц сверяйте прогнозы с фактическими продажами. Когда разрыв растёт, что-то изменилось, например появился новый конкурент, поменялась цена или сдвинулись привычки клиентов, и модели нужны свежие данные или решение человека.

Часто задаваемые вопросы: ИИ-прогнозирование продаж

Может ли ИИ спрогнозировать продажи совершенно нового товара?

Не по его собственной истории, потому что её нет. Обычно используют историю похожих товаров или категории, а затем быстро обновляют прогноз по мере поступления реальных продаж.

Достаточно ли Excel для прогнозирования?

Для первого взгляда часто да. Лист прогноза Excel и функция FORECAST.ETS используют экспоненциальное сглаживание и умеют учитывать сезонность. Специальные инструменты оправдываются, когда товаров много, нужно учитывать внешние факторы или прогнозы должны обновляться автоматически.

Как часто нужно обновлять прогноз?

Так же часто, как решения, которые он поддерживает: еженедельно для быстро продающихся товаров, ежемесячно для графиков и планирования денег. Переобучение модели на новых данных каждый месяц или квартал не даёт ей уходить в сторону.

Хотите узнать, хватит ли ваших данных для прогноза? Наша услуга анализа данных на базе ИИ отталкивается от выгрузок из ваших систем продаж, бухгалтерии или магазина, очищает и объединяет их и выдаёт прогнозы и диаграммы с простой пометкой об их пределах, используя сервисы бизнес-уровня с отключённым обучением или локальные модели. Свяжитесь с нами, указав, какими системами вы пользуетесь и на какие вопросы бизнеса хотите получить ответы.