Какие решения опираются на прогноз
- Сколько заказать у поставщика и когда, чтобы не держать лишний товар на складе.
- Какие позиции закончатся раньше срока и где вовремя поднять запас.
- Как распределить остатки между складами, магазинами и маркетплейсами.
- Сколько людей поставить в смену в пиковые дни.
- Какой бюджет на рекламу закладывать на сезон и под какие товары.
Что входит в проект
Работа начинается с аудита данных: выгружаем продажи, остатки, цены и акции из 1С, МойСклад или другой системы учёта, ищем пропуски и периоды, когда товара не было в наличии. Нулевые продажи из-за пустой полки — не отсутствие спроса, и модель должна это знать. Затем добавляем признаки: календарь, праздники, промо, погоду для сезонных категорий, рекламные кампании.
Модель обучаем на части истории и проверяем на периоде, который она не видела: так видно реальную ошибку прогноза до того, как по нему начнут закупать. Результат выводим в дашборд, например в Yandex DataLens — сервис бизнес-аналитики с визуализациями и отчётами, — или выгружаем обратно в учётную систему.
Этапы внедрения прогнозирования спроса
| Недели | Что делаем | Результат |
|---|---|---|
| 1–2-я | Выгрузка и аудит данных, разговор с закупщиками о правилах заказа | Отчёт о качестве данных |
| 3–4-я | Очистка, признаки сезонности и промо, базовая модель | Первый прогноз по группам товаров |
| 5–6-я | Модели по товарам и складам, проверка на прошлых периодах | Таблица точности по категориям |
| 7-я | Дашборд или выгрузка в учётную систему | Рабочий отчёт для закупок |
| 8-я | Параллельная работа с текущими закупками, обучение сотрудников | Регламент обновления прогноза |
Почему точность разная по товарам
Товары с ровными продажами прогнозируются точнее, новинки и редкие позиции — хуже: истории мало, каждая покупка случайна. Поэтому мы показываем ошибку прогноза отдельно по категориям и предлагаем правила для сложных групп — например, заказ под минимальный запас вместо расчёта модели. Обещать конкретный процент сокращения остатков до анализа ваших данных нельзя: он зависит от того, как закупали раньше.
Цена и что её меняет
ИИ-прогнозирование спроса стоит от 288 000 ₽ разово. Цена растёт с числом товарных позиций и складов, количеством источников данных, глубиной прогноза (по дням или по неделям), интеграцией результата обратно в 1С или WMS (систему управления складом) и учётом внешних факторов. Если продажи разбросаны по нескольким системам без общего справочника товаров, сначала приводим справочник в порядок.
Кому проект пока не нужен
Если история продаж короче года, модель не увидит сезонность, и простая таблица с ручной поправкой даст сопоставимый результат. Если ассортимент — десятки позиций, а закупки делает один опытный человек, вложения вряд ли окупятся. Начните с учёта и отчётов: подойдут BI-аналитика или общий проект внедрения ИИ, где мы найдём задачи с быстрой отдачей.