Прогнозирование спроса с ИИ: данные, метрики и пилот

Проверено 27 августа 2026 года.

Прогнозирование спроса с ИИ оценивает будущий спрос по товару, точке и периоду, чтобы принимать решения о закупке, пополнении, производстве и промо. Проект начинается не с выбора нейросети, а с ответа на три вопроса: что прогнозируем, на какой горизонт и какое решение изменится.

Продажи не всегда равны спросу: при нулевом остатке система видит ноль продаж, хотя покупатели могли хотеть товар. Поэтому качество данных об остатках, промо, ценах и доступности часто важнее сложности модели.

Коротко: зафиксируйте SKU×точка×день/неделя, горизонт решения, простой baseline и rolling backtest. Оценивайте bias, ошибку по горизонту и стоимость решения. В production храните и исходный прогноз, и ручную корректировку с причиной.

Содержание

• Как сформулировать задачу
• Какие данные нужны
• Почему продажи не равны спросу
• Baseline и модели
• Временная валидация
• Иерархия SKU, магазинов и категорий
• Метрики качества и бизнеса
• Неопределённость и запас
• Архитектура production-контура
• Ручные корректировки и мониторинг
• План пилота
• FAQ
• Как AI рассвет внедряет прогнозирование спроса
• Итог

Как сформулировать задачу

Гранулярность определяется решением:

Решение	Целевая серия	Горизонт
пополнение магазина	SKU×точка×день	lead time + цикл заказа
закупка у поставщика	SKU/категория×неделя	срок поставки и MOQ
производство	продукт/линия×неделя	производственный цикл
бюджет	категория/регион×месяц	финансовый период
персонал	поток/точка×час	расписание смен

Одна «модель спроса компании» редко подходит всем. Прогноз на месяц может быть хорош для финансов, но бесполезен для ежедневного пополнения.

Какие данные нужны

Минимальный слой:

• продажи и возвраты;
• остатки и доступность по времени;
• цены и скидки;
• календарь промо и выкладки;
• товарная и географическая иерархия;
• открытия/закрытия точек;
• lead time, MOQ и календарь поставщика;
• известные события и праздники.

Проверяйте пропуски, смены SKU, дубли, часовые пояса и момент обновления. Признак может быть известен сегодня или появиться только после прогнозируемой даты. Второй нельзя использовать в обучении: это leakage.

Почему продажи не равны спросу

Если товар отсутствовал, наблюдаемая продажа ограничена запасом. Модель, обученная без признака availability, закрепит низкий прогноз именно там, где был дефицит.

Подходы:

• исключать интервалы stockout из части обучения;
• восстанавливать censored demand по соседним точкам/периодам;
• использовать просмотры/запросы как proxy с явной маркировкой;
• моделировать вероятность наличия отдельно;
• хранить confidence восстановления.

Ни один метод не создаёт истинный спрос из воздуха. Отчёт должен разделять observed sales и estimated lost demand.

Baseline и модели

Начните с seasonal naive: спрос равен аналогичному прошлому периоду. Добавьте moving average или простую экспоненциальную модель. Сложная ML-система должна стабильно выигрывать у baseline на rolling backtest и по бизнес-стоимости.

Кандидаты:

• статистические ETS/ARIMA для устойчивых рядов;
• gradient boosting с лагами, календарём, ценой и промо;
• global-модели, обучающиеся на множестве SKU;
• probabilistic-модели для интервалов и сценариев;
• комбинации нескольких прогнозов.

Выбор зависит от длины истории, числа серий, intermittency, признаков и требований к объяснимости. Универсального победителя нет.

Временная валидация

Случайное перемешивание строк запрещено: модель увидит будущее. Используйте rolling forecasting origin — последовательные окна, где train всегда раньше test. Forecasting: Principles and Practice описывает такую time-series cross-validation и оценку по нужному многошаговому горизонту.

Backtest должен воспроизводить production:

• те же доступные на дату признаки;
• тот же горизонт;
• реальную частоту переобучения;
• известный заранее календарь промо;
• cold-start товаров;
• периоды смены режима.

Показывайте ошибку по горизонту: день +1 и +28 — разные задачи.

Иерархия SKU, магазинов и категорий

Финансы ожидают, что регионы складываются в компанию, а категории — в общий план. Независимые прогнозы могут не сходиться. Иерархическое прогнозирование использует reconciliation, чтобы уровни были согласованы.

Ритейл часто сочетает вложенные и crossed измерения: товар, категория, магазин, регион, канал. M5 competition стала известным примером крупной иерархии розничных временных рядов. Но её результаты не гарантируют качество на вашем ассортименте.

Метрики качества и бизнеса

Метрика	Польза	Ограничение
MAE	понятная абсолютная ошибка	крупные SKU доминируют
WAPE	агрегированная относительная ошибка	скрывает bias по группам
MASE	сравнение с naive	требует корректного baseline
Bias	систематический over/under forecast	не показывает разброс
Pinball loss	качество квантилей	менее интуитивна бизнесу

MAPE нестабилен при нулевом и малом спросе. Всегда сегментируйте по ABC/XYZ, новинкам, промо, stockout и горизонту.

Бизнес-метрики: service level, списания, срочные перемещения, замороженный запас и стоимость ошибки. Модель может улучшить WAPE, но ухудшить запас, если систематически недооценивает важные позиции.

Неопределённость и запас

Точечный прогноз — не обещание. Для решения о запасе нужны интервалы или квантили. Более высокий service level выбирает верхний квантиль с учётом lead-time demand и вариативности поставки.

Разделяйте:

• неопределённость спроса;
• неопределённость поставки;
• business policy по уровню сервиса;
• ограничения MOQ, упаковок и срока годности.

ИИ предлагает распределение, а оптимизатор превращает его в заказ по утверждённым правилам.

Архитектура production-контура

ERP/POS/WMS → feature pipeline → forecast service → reconciliation → inventory optimizer → planner UI → ERP

Версионируйте snapshot данных, модель, признаки и прогноз. Запись должна содержать target date, horizon, created_at и доступные на тот момент predictors. Иначе backtest после инцидента невоспроизводим.

Не разрешайте forecast service напрямую создавать заказ. Отдельный слой применяет ограничения, права и approval.

Ручные корректировки и мониторинг

Планировщик знает о локальном ремонте, выкладке или контракте, которого нет в данных. Храните base forecast, override, причину, автора и итог. Сравнивайте качество до и после override, но не наказывайте за обоснованные редкие события.

Мониторьте:

• error и bias по сегментам;
• drift признаков и долю Unknown;
• stockout intervals;
• override rate и value add;
• freshness pipeline;
• расхождение уровней иерархии;
• влияние на заказ и запас.

План пилота

1. Выберите категорию и одно решение пополнения.
2. Зафиксируйте baseline, источники, ограничения и критерий приёмки.
3. Восстановите исторические snapshots без leakage.
4. Постройте seasonal naive и rolling backtest.
5. Добавьте ML и сравните по сегментам и стоимости.
6. Запустите shadow forecast рядом с текущим планом.
7. Подключите ограниченную рекомендацию с approval.

FAQ

Сколько истории нужно для прогноза спроса?

Зависит от сезонности и частоты. Для коротких рядов полезны простые модели, агрегация и global-модель по похожим товарам; сложность не заменяет отсутствующую историю.

Как прогнозировать новый товар?

Использовать аналоги, атрибуты, цену, канал и сценарии запуска, затем быстро обновлять прогноз по первым продажам. Не переносить историю аналога без поправок.

Какая метрика главная?

Набор: ошибка и bias по горизонту/сегменту плюс стоимость решения — дефицит, запас, списание и service level.

Нужно ли учитывать промо?

Да, но только промо, известное на момент прогноза. Факт будущей эффективности нельзя подмешивать в признаки.

Может ли ИИ автоматически делать заказ?

После зрелого пилота — в ограниченных низкорисковых сегментах и с guardrails. На старте модель даёт рекомендацию, а optimizer и планировщик применяют правила.

Как AI рассвет внедряет прогнозирование спроса

AI рассвет начинает с одного решения: фиксирует текущие показатели, источники данных, ограничения и критерий приёмки. Затем команда может:

• собрать исторические snapshots и устранить leakage/stockout-искажения;
• построить baseline, ML-прогнозы, иерархию и интервалы;
• интегрировать рекомендации с ERP/WMS и интерфейсом планировщика;
• провести shadow-пилот, мониторинг, обучение и передачу регламентов.

Обсудить задачу

Итог

Прогнозирование спроса — часть решения о запасе, а не соревнование моделей. Корректная цель, временной backtest, учёт stockout и согласованная иерархия важнее модного алгоритма.

Начните с категории и одного горизонта. Если прогноз выигрывает у простого baseline, сохраняет bias под контролем и улучшает решение в shadow mode, его можно постепенно подключать к планированию.