Demand Forecasting

Прогнозирование спроса (demand forecasting) — процесс оценки будущего объёма продаж товара или услуги. Цель — заказать ровно столько, сколько купят: избыток → убытки от хранения и списаний, дефицит → потерянные продажи и недовольные клиенты. Средняя точность прогнозов в ритейле — 60-80% (ошибка MAPE 20-40%). В модной индустрии — ещё хуже: 50-60%. 100% точность невозможна — спрос зависит от погоды, конкурентов, настроений, вирусных трендов и десятков других факторов.

Методы: от простого к сложному

Скользящее среднее (Moving Average) — простейший метод: прогноз = среднее продаж за последние N периодов. Если за 3 месяца продали 100, 120, 110 единиц → прогноз на следующий месяц = 110. Плюс: простота. Минус: не учитывает тренд и сезонность. Подходит для товаров со стабильным спросом (хлеб, молоко).

Экспоненциальное сглаживание (Exponential Smoothing) — недавним данным даётся больший вес, чем старым. Формула: F(t+1) = α·A(t) + (1-α)·F(t), где α — коэффициент сглаживания (0,1-0,3). При α = 0,3 вчерашние продажи важнее в 3 раза, чем позавчерашние. Метод Хольта-Уинтерса добавляет тренд и сезонность — один из самых популярных методов в ритейле.

ARIMA (AutoRegressive Integrated Moving Average) — статистическая модель, учитывающая автокорреляцию данных (связь сегодняшних продаж со вчерашними). Параметры (p, d, q): p — порядок авторегрессии, d — порядок дифференцирования, q — порядок скользящего среднего. ARIMA(1,1,1) — базовая модель для большинства временных рядов. Точнее экспоненциального сглаживания на 5-15%, но требует статистической экспертизы.

Machine Learning: когда данных много

Классические методы работают с одним рядом (продажи товара X за N месяцев). ML-модели учитывают сотни факторов одновременно: цена, промоакции, погода, праздники, цены конкурентов, активность в соцсетях. Gradient Boosting (XGBoost, LightGBM) — рабочая лошадка demand forecasting: точнее ARIMA на 10-20% при наличии данных о внешних факторах.

Amazon использует DeepAR — рекуррентную нейросеть, обучаемую на миллионах товаров одновременно. Модель «видит» паттерны, общие для разных категорий: сезонность зонтиков похожа на сезонность дождевиков. Walmart применяет гибрид: ARIMA для стабильных товаров + XGBoost для промоакционных + экспертную корректировку для новинок (нет исторических данных).

Измерение точности

MAPE (Mean Absolute Percentage Error) — основная метрика: среднее отклонение прогноза от факта в процентах. MAPE 20% → прогноз 100 единиц, факт 80-120. Для ритейла MAPE 20-30% — «хорошо», 30-40% — «нормально», 40%+ — «плохо». Для новинок и модных товаров MAPE 50%+ — обычное дело (нет истории продаж). Bias — систематическая ошибка: если прогноз стабильно завышен → склады забиты. Bias 0% — идеал (прогноз не врёт ни в одну сторону).

Почему прогнозы ошибаются

«Эффект кнута» (bullwhip effect): небольшое изменение потребительского спроса усиливается по цепочке поставок. Потребитель покупает на 10% больше → ритейлер заказывает на 20% больше → дистрибутор — на 40% → производитель — на 80%. Результат: склады забиты, через месяц — дефицит. Бороться можно только обменом данных между звеньями цепочки (CPFR — Collaborative Planning, Forecasting, and Replenishment).

«Чёрные лебеди»: COVID-19 обнулил все прогнозы в 2020 году. Спрос на маски вырос в 1000 раз, на авиабилеты — упал на 90%. Ни одна модель не предсказала пандемию. Вывод: прогнозирование работает в «нормальное» время; для кризисов нужен сценарный анализ и страховые запасы.