Ряд продаж для прогноза ИИ: как отличить нули от пропусков

ряд продаж для прогноза
пропуски в продажах
нулевые продажи и отсутствие товара
pandas календарный ряд
Ряд продаж для прогноза ИИ: как отличить нули от пропусков

Чтобы подготовить ряд продаж для прогноза ИИ, сначала создайте календарь для каждой пары «товар — точка», затем присоедините дневные продажи и признаки полноты загрузки и доступности товара. Нулём заполняйте отсутствие операций только при подтверждённой полной загрузке. Дни дефицита сохраняйте отдельно: ноль продаж при пустой полке не показывает величину неудовлетворённого спроса.

Инструкция предназначена аналитику розницы и владельцу процесса пополнения. На выходе получится дневная таблица с фактическими продажами, условиями наблюдения и отдельной колонкой для последующего моделирования. Обучение модели, восстановление потерянного спроса и расчёт заказа здесь не выполняются.

Материал подготовила AI студия Владимира Ломтева, которая занимается подготовкой данных и ML-решениями. Документация проверена 16 ноября 2026 года. Приведённый код выполнен в один сеанс на Python 3.14.3 и pandas 3.1.1, только на вымышленных данных. Его результат подтверждает работу показанного преобразования, а не точность прогноза или готовность интеграции с вашей учётной системой.

Содержание

1. Определите, что должна означать одна строка

Зафиксируйте ключ: один SKU, один магазин, один календарный день. SKU — идентификатор конкретной товарной позиции. В примере единица измерения — проданные штуки; продажи считаются после согласованного исключения отмен, а возвраты уже отделены. Возвраты нельзя незаметно смешивать с продажами: отрицательный итог дня будет описывать другую величину.

Выберите начало и конец периода по задаче, а не по первой и последней найденной продаже. Иначе дни без операций на краях выгрузки исчезнут. Для нового товара используйте дату начала его присутствия в ассортименте этой точки; период до неё не превращайте в историю нулевого спроса.

Дату события приводите к принятому часовому поясу магазина до группировки. Ниже уже используются локальные даты без времени, поэтому код не выполняет преобразование часовых поясов. Для нескольких точек с разными поясами этот этап потребуется отдельно.

Согласованное описание может выглядеть так:

Ключ: SKU + магазин + локальная дата.
Показатель: проданные штуки, отмены исключены, возвраты отдельно.
Период: с даты ввода товара в ассортимент до последнего закрытого дня.
Граница дня: часовой пояс магазина.
Неполная загрузка: неизвестное наблюдение, не ноль.

Результат этапа — однозначное определение строки и единицы измерения. Если цель — прогноз фактических продаж при известном расписании, закрытый магазин может иметь целевой ноль. Если оценивается спрос при работающей точке и доступном товаре, такой день нельзя использовать как обычное наблюдение. В примере ниже выбран второй вариант.

2. Подготовьте продажи и независимые статусы дней

Одной выгрузки чеков недостаточно: отсутствие строки может означать отсутствие покупателей, сбой обмена или закрытую точку. Понадобится второй источник, который подтверждает условия наблюдения за день. Признаки в примере заданы вручную как учебные входные данные; программа их не определяет по чекам.

Поле Что означает Откуда получить в рабочем процессе
date Локальная дата Учётная система после согласования границы дня
qty Проданные штуки в операции Строки продаж после исключения отмен и возвратов
load_complete Все операции дня загружены Контроль завершения обмена и закрытия периода
open Точка работала по принятому правилу Производственный календарь точки
availability Товар доступен весь день, часть дня или отсутствует История доступности, а не только остаток на конец дня

Нулевой остаток вечером не доказывает, что товар отсутствовал с утра. Положительный остаток вечером также не исключает дневного дефицита. Если есть только вечерние снимки, честный статус — «доступность внутри дня неизвестна». Не присваивайте full по такому снимку автоматически.

Для минимального примера используем неделю 1–7 ноября 2026 года. В первый день есть две операции — 2 и 1 штука; в третий продано 5, в пятый — 2. Во второй день магазин открыт, товар доступен, обмен завершён, операций нет. В четвёртый товар отсутствует, в пятый доступен лишь часть дня, в шестой магазин закрыт, в седьмой обмен не завершён.

Результат этапа — две согласованные таблицы. Для реальных продаж дополнительно нужен идентификатор операции или строки документа: повторная выгрузка одной операции не должна увеличивать итог. Код ниже предполагает, что дубли удалены до его запуска. Не удаляйте дубли лишь по совпадению даты и количества: две реальные продажи могут быть одинаковыми.

3. Соберите календарную сетку, сохраняя неизвестные значения

В pandas функция date_range создаёт последовательность дат с заданной частотой. Метод reindex выравнивает данные по новому индексу; новые позиции по умолчанию получают пропуски. Это позволяет сначала показать отсутствующие дни, затем решить, чем их заполнять.

Дневную сумму получаем через groupby. Параметр min_count=1 у суммирования групп требует хотя бы одного непустого значения для вычисления суммы. Но он не проверяет полноту всех операций. Поэтому пример останавливается, если в исходном qty есть пропуск, и отдельно учитывает завершённость загрузки.

Ниже полный воспроизводимый пример. Нужны Python и установленный pandas; редакционный запуск сделан с версией 3.1.1. Код не читает рабочие файлы, не подключается к 1С и не отправляет данные внешней модели.

import pandas as pd

# Вымышленные продажи одного SKU в одном магазине.
sales = pd.DataFrame({
    'date': ['2026-11-01', '2026-11-01', '2026-11-03', '2026-11-05'],
    'qty': [2, 1, 5, 2],
})
sales['date'] = pd.to_datetime(sales['date'])
sales['qty'] = sales['qty'].astype('Int64')
assert sales['date'].notna().all() and sales['qty'].notna().all()
assert sales['qty'].ge(0).all()  # В примере возвраты уже отделены.

calendar = pd.date_range('2026-11-01', '2026-11-07', freq='D', name='date')
status = pd.DataFrame({
    'load_complete': [True, True, True, True, True, True, False],
    'open':          [True, True, True, True, True, False, True],
    'availability': ['full', 'full', 'full', 'none', 'partial', 'none', 'full'],
}, index=calendar)
assert sales['date'].isin(calendar).all()
assert status.index.is_unique and status.notna().all().all()

# Сумма по дню; новые даты остаются NA до проверки загрузки.
daily = sales.groupby('date')['qty'].sum(min_count=1).reindex(calendar)
result = status.copy()
result['recorded_units'] = daily
result['sales_units'] = daily
no_rows = ~result.index.isin(sales['date'])
result.loc[no_rows & result['load_complete'], 'sales_units'] = 0
result.loc[~result['load_complete'], 'sales_units'] = pd.NA

# Условный целевой ряд: только наблюдения при полной доступности.
eligible = (result['load_complete'] & result['open']
            & result['availability'].eq('full'))
result['target_units'] = result['sales_units'].where(eligible)
print(result.to_string())

assert len(result) == 7 and result.index.equals(calendar)
assert result.loc['2026-11-01', 'sales_units'] == 3
assert result.loc['2026-11-02', 'target_units'] == 0
assert result.loc['2026-11-04', 'sales_units'] == 0
assert result.loc['2026-11-04':'2026-11-07', 'target_units'].isna().all()
assert pd.isna(result.loc['2026-11-07', 'sales_units'])
assert result['recorded_units'].sum(min_count=1) == sales['qty'].sum()
print('CHECKS: PASS')

Проверки assert здесь предназначены для учебного запуска. В рабочем процессе проверки входных данных должны явно завершать обработку ошибкой и сохранять причину; не полагайтесь на assert, если Python может запускаться с оптимизацией, отключающей эти проверки.

Для нескольких SKU и магазинов сначала стройте отдельный календарь для каждой активной пары. Не используйте без ограничения полное декартово произведение всех товаров и всех точек: оно добавит сочетания, которые никогда не существовали. Даты ввода и вывода из ассортимента нужны для каждой пары отдельно.

Результат этапа — строка на каждый день нужного периода. В реальной таблице статусов проверяйте уникальность ключа до присоединения. У pandas.merge параметр validate="one_to_one" позволяет проверить соответствующую кратность соединения; показанный пример обходится без merge, потому что обе таблицы уже выровнены по одному индексу.

4. Разделите фактическую продажу и целевой ряд

В примере получаются три числовые колонки. recorded_units хранит сумму найденных операций без заполнения отсутствующих дней. sales_units добавляет подтверждённые нулевые продажи, а при неполной загрузке оставляет неизвестное значение. target_units дополнительно исключает из обычных наблюдений закрытую точку и дни неполной доступности товара.

Это предлагаемое правило подготовки цели для задачи «продажи при работающей точке и полной доступности». Оно не восстанавливает истинный спрос. Даже день без дефицита может зависеть от цены, акции, видимости товара и работы канала продаж. Для вашей постановки могут понадобиться другие признаки и другое правило отбора.

Дата Условия в учебном примере sales_units target_units
1 ноября Открыто, полная доступность, загрузка полная 3 3
2 ноября То же, но операций нет 0 0
3 ноября Открыто, полная доступность, загрузка полная 5 5
4 ноября Товара нет, загрузка полная 0 NA
5 ноября Товар был доступен часть дня 2 NA
6 ноября Магазин закрыт, операций нет 0 NA
7 ноября Загрузка не завершена NA NA

NA означает «значение неизвестно или исключено выбранным правилом», а не ноль. Причина восстанавливается по соседним статусам. Тип Int64 с заглавной буквы позволяет хранить целые числа и pd.NA; правила работы с ними описаны в документации pandas о пропусках.

Четвёртый и второй дни имеют одинаковую фактическую продажу, но разный смысл для моделирования. Пятый день показывает ещё один случай: положительная продажа не делает наблюдение полноценным, если товар закончился до завершения дня. Не удаляйте эти дни из исходной таблицы — сохраните факты и флаги, чтобы позднее выбрать способ моделирования.

В учебнике Hyndman и Athanasopoulos Forecasting: Principles and Practice, раздел 13.9 подчёркивается зависимость обработки пропусков от их причины. Авторы отдельно рассматривают закрытый магазин в праздник и возможное изменение продаж после него. Это не готовый алгоритм восстановления спроса: календарный контекст нужно учитывать в конкретной задаче.

5. Проверьте результат до передачи в модель

В редакционном запуске полный код завершился строкой CHECKS: PASS. Проверены семь строк календаря, сумма двух операций первого дня, сохранение настоящего нуля второго дня, неизвестная цель для дней 4–7, неизвестные продажи седьмого дня и совпадение суммы найденных операций до и после агрегации. Общая сумма найденных продаж — 10 штук.

Это проверки преобразования на одном вымышленном примере. Они не доказывают, что любой входной файл обработается правильно. В частности, код не восстанавливает загрузку, не определяет дефицит по остаткам и не обучает прогнозную модель. Для собственной выгрузки отдельно проверьте следующие условия:

  • Ключ SKU + магазин + дата уникален, период и частота соответствуют задаче.
  • До агрегации нет повторно загруженных операций и неизвестного количества; отрицательные значения обработаны по правилу возвратов.
  • Суммы сохранённых операций сходятся с исходной выгрузкой в той же единице измерения.
  • Для каждой нулевой продажи есть подтверждение полноты загрузки; для нулевой цели дополнительно выполнено правило доступности.
  • У каждого исключённого значения есть причина. Неизвестный статус не превращён в положительный факт.

Результат этапа — воспроизводимая таблица и понятный список исключений. При несовпадении суммы вернитесь к ключам, дублям и фильтрам операций. Если сумма сходится, но все пропуски стали нулями, проверьте правила заполнения: арифметическое равенство не подтверждает правильный смысл ряда.

6. Выберите обработку пропусков под модель

Сначала выясните, принимает ли выбранный инструмент пропуски в целевой колонке. Наличие NA в подготовленной таблице не означает, что её можно без изменений передать любой модели. В книге FPP3 приведены разные варианты поведения методов; переносить возможности одного метода на другой нельзя.

Если инструмент требует полностью заполненную цель, есть несколько путей: использовать достаточный непрерывный участок с подходящими условиями, выбрать другой метод или отдельно оценивать недостающие значения. Последний вариант создаёт расчётные значения, которые нужно отличать от наблюдений. Автоматическое fillna(0) эту задачу не решает.

Не заполняйте продажи методом ffill лишь потому, что он доступен в библиотеке. Перенос вчерашних пяти штук на сегодняшний день означает предположение о пяти продажах, а не о сохранении состояния товара. Продление последнего известного статуса также требует срока его действия и правил обновления.

Когда таблица подготовлена, используйте чек-лист разделения данных для прогноза спроса. Настройку заполнения и обучаемые преобразования выполняйте без доступа к будущему тестовому периоду. Удаление пропусков не должно сжимать календарь так, будто соседние оставшиеся строки всегда являются соседними днями.

Результат этапа — согласованный вход конкретного инструмента: какие значения наблюдались, какие рассчитаны, какие исключены и как календарь сохраняется при обучении. Общая постановка проекта, выбор базового прогноза и оценка ошибок разобраны в статье «Прогнозирование спроса с ИИ».

Как студия помогает подготовить историю продаж

AI студия Владимира Ломтева занимается подготовкой данных, ML-прогнозированием и интеграцией с бизнес-системами. Для этой задачи можно обсудить сбор истории продаж и доступности в единую витрину, реализацию правил нулей и пропусков и сравнение прогнозных подходов на согласованных периодах.

Первый шаг — выбрать одну товарную группу и точки, описать текущий способ пополнения, доступные источники и ограничения. Критерий готовности данных можно сформулировать конкретно: каждая дата присутствует, сумма операций сверена, причина исключения цели доступна для разбора. Значения точности и бизнесэффект заранее не обещаются. Обсудить задачу.

Итог: календарь не заменяет сведения о доступности

Соберите регулярные даты, присоедините операции и независимые статусы, затем разделите фактическую продажу и выбранную цель. Открытый день без операций при полной загрузке может дать ноль. Сбой обмена оставляет неизвестное значение, а отсутствие товара требует отдельного решения о моделировании спроса. Проверенный пример показывает это разделение на семи днях; для рабочей системы остаётся подтвердить входные статусы и правила конкретного процесса.

Оставить заявку

Заполните форму и мы свяжемся с вами

← Все статьи

Комментарии (0)

Пока нет комментариев. Будьте первым!

Оставить комментарий
Регистрация не требуется