Как прогнозировать спрос на товары и услуги: этапы и инструменты для точного планирования

Какие факторы влияют на спрос

На спрос редко влияет только один фактор. Обычно продажи зависят сразу от нескольких причин. Чем больше значимых факторов удаётся включить в модель, тем точнее получается прогноз. При этом важно понимать, как именно конкретные обстоятельства влияют на продажи и может ли компания ими управлять.

Какие события могут исказить прогноз

Исторические данные почти всегда содержат события, которые не отражают обычное поведение покупателей.

Например:

• Пандемия
• Сбой поставок
• Закрытие магазина
• Технические ошибки учёта
• Разовая крупная закупка корпоративным клиентом

Если модель использует такие периоды без корректировки, точность предсказания снижается.

Поэтому аналитики обычно очищают собранную информацию перед расчётами: удаляют ошибки, отмечают аномальные периоды или вводят дополнительные признаки, которые смягчают влияние необычных событий.

Какие методы прогнозирования спроса используют

Методы можно разделить на две группы. Качественные основаны на экспертных оценках. Их применяют, когда статистики недостаточно или она ненадёжна.

Количественные методы прогнозирования спроса используют исторические данные. К ним относятся статистические модели и алгоритмы машинного обучения.

Качественные методы

Экспертные оценки. Анализ личных мнений руководителей отделов продаж, маркетинга и закупок. Здесь важно учитывать возможные искажения: отдел продаж может быть склонен завышать прогноз, чтобы избежать дефицита, а отдел закупок — занижать, чтобы минимизировать издержки на хранение.

Метод Дельфи. Это обобщение мнений от группы экспертов. Каждый эксперт анонимно отвечает на вопрос и письменно объясняет, почему он так считает. Организаторы собирают все ответы, вычисляют среднее значение, записывают все аргументы за и против разных вариантов. Далее эксперты изучают мнения коллег и повторно дают ответы на тот же вопрос. Опрос повторяется несколько раз. С каждым кругом разброс мнений уменьшается. В итоге группа приходит к согласованному ответу.

Опросы потребителей. Сбор информации напрямую от целевой аудитории через анкетирование или личные интервью. Этот метод даёт представление о намерениях покупателей, но требует затрат для организации опроса.

Количественные методы

Скользящее среднее. Прогноз строят на основе продаж за несколько предыдущих периодов.

Например, чтобы оценить спрос на июль, аналитик рассчитывает среднее значение за апрель, май и июнь. Если за эти месяцы в магазине продали 980, 1 020 и 1 000 единиц товара, прогноз на июль будет равен 1 000 единиц.

Экспоненциальное сглаживание. В отличие от скользящего среднего, этот метод сильнее учитывает последние наблюдения, поэтому быстрее реагирует на временные изменения спроса. Например, при распродажах или в праздничные дни.

У метода есть три разновидности:

• Простое экспоненциальное сглаживание — подходит для коррекции данных при стабильном спросе
• Метод Хольта — учитывает тренд, в котором движется спрос
• Метод Хольта — Винтерса — учитывает одновременно тренд и сезонность

Последний вариант часто используют в розничной торговле. Он лежит в основе многих коммерческих систем прогнозирования спроса.

Линейная регрессия. Регрессионные модели не просто дают прогноз. Они оценивают, как отдельные внутренние и внешние факторы связаны с изменением спроса.

Например, магазин электроники строит модель, которая учитывает:

• Цену товара
• Размер скидки
• Рекламный бюджет
• Количество поисковых запросов
• Курс валют

После обучения модель показывает, насколько сильно каждый фактор влияет на спрос.

Регрессию часто используют для оценки эффекта маркетинговых акций и изменения цен.

ARIMA. Статистическая модель, которая ищет закономерности в истории продаж и использует их для прогноза.

В отличие от других методов, ARIMA анализирует не только последние продажи. Она смотрит, как менялись тенденции с течением времени. Модель пытается определить, есть ли устойчивый рост или снижение и насколько текущие продажи зависят от предыдущих периодов.

ARIMA подходит для временных рядов, где важны тренды и сезонность, но используется реже, если нужно учитывать множество внешних факторов.

AI и ML. Модели машинного обучения способны автоматически находить сложные зависимости между спросом и множеством факторов. Их используют, когда данных много, а простые статистические модели уже не обеспечивают нужную точность.

AI- и ML-модели работают на основе сложных алгоритмов, таких как градиентный бустинг, случайный лес и нейросети.

Как выбрать метод прогнозирования спроса

Универсальной модели не существует. Чем проще задача и меньше данных, тем эффективнее простые статистические методы. По мере роста объёма данных и числа факторов компании переходят к регрессионным моделям и машинному обучению.

Основные варианты в зависимости от конкретной ситуации собрали в таблице.

Этапы прогнозирования спроса

Детали будут отличаться для каждого конкретного бизнеса. В упрощённом виде прогноз включает три этапа, но их может быть и больше.

Сбор и подготовка данных

Перед сбором информации всегда определяют объект прогнозирования: продажи конкретной товарной позиции, категории, отдельного магазина, региона или всего бизнеса. Без этого невозможно определить, что именно нужно собирать.

Качество прогноза напрямую зависит от качества данных. Обычно используют историю продаж, остатки на складе, маркетинговую активность, цены, информацию о сезонности и внешних факторах. Эти данные могут поступать из CRM-, ERP-, POS-систем и других источников.

После сбора данные очищают: удаляют дубликаты, заполняют пропуски, исправляют технические ошибки. Корректируют периоды дефицита товара. Дополнительно отмечают аномальные события и обрабатывают выбросы, такие как распродажи или сезонные пики.

Выбор модели и построение прогноза

На этом этапе аналитики выбирают одну или несколько моделей. Часто сравнивают именно несколько вариантов. Например, компания строит прогноз с помощью экспоненциального сглаживания и искусственного интеллекта. Для каждой модели применяют соответствующее программное обеспечение.

Проверка точности и корректировка

Предсказание сравнивают с фактическими результатами. Если ошибка оказывается слишком большой, модель дорабатывают или заменяют.

Для оценки результатов применяют метрики точности: средняя абсолютная ошибка (MAE), средняя ошибка в процентах (MAPE), среднеквадратичная ошибка (RMSE), средняя ошибка по всему ассортименту (WAPE).

Если точность снижается, специалисты анализируют причины: появились новые конкуренты, изменилось поведение покупателей, вырос курс валют и т. п.

После этого модель переобучают или заменяют.

Какие инструменты используют для прогнозирования спроса

Выбор системы зависит от масштаба бизнеса, количества данных и требований к автоматизации.

Excel и базовые инструменты

Для небольших компаний Excel остаётся рабочим вариантом. В нём можно:

• Построить временной ряд
• Использовать функции FORECAST и TREND
• Применять экспоненциальное сглаживание
• Обрабатывать и анализировать массивы данных с помощью надстроек Power Query и Power Pivot
• Строить диаграммы

Такой вариант подходит компаниям с небольшим ассортиментом. При большом объёме данных он требует значительной ручной работы и плохо масштабируется.

Специализированные системы и инструменты хранения данных

Некоторые ERP-системы поддерживают прогнозирование или интегрируются со специализированными аналитическими решениями. Они автоматизируют сбор статистики и расчёт планов, а иногда самостоятельно передают данные в раздел планирования закупок.

Платформы для бизнес-аналитики, такие как DataLens, предоставляют инструменты статистического анализа и визуализации. Они аккумулируют информацию из разных источников, строят графики и отчёты, на основе которых можно формировать прогнозы.

AI-платформы автоматизируют выбор моделей, обучение и регулярное обновление прогнозов. Их используют компании с большим объёмом данных. Такие системы способны выявить неочевидные корреляции — например, связь между спросом и процентными ставками банков.

Источники дополнительных данных

Для прогнозирования спроса недостаточно только статистики продаж. Важно понимать, как пользователи ведут себя на сайте, какие товары смотрят и на что реагируют. Эту информацию даёт Яндекс Метрика. Она показывает, сколько людей интересуются конкретными категориями, с каких устройств заходят и в какое время активность выше. За счёт этого компания может строить более точные прогнозы и планировать закупки.

Если вы уже используете Яндекс Директ, его статистика тоже даёт полезные сигналы. По числу переходов на товарные страницы и их динамике можно оценить растущий или падающий интерес ещё до того, как он отразится в продажах. Это особенно полезно для сезонных товаров или новых категорий.

Если вы хотите глубже разобраться в работе с маркетинговыми данными, могут пригодиться курсы Базы знаний Директа. В них рассказывают, как интерпретировать накапливаемую статистику и использовать её для планирования.

Ошибки при прогнозировании спроса

Ошибки обычно возникают на разных этапах: при подготовке данных, выборе модели и использовании прогноза.

Игнорирование выбросов и дефицита

В продажах почти всегда встречаются выбросы — значения, которые сильно отличаются от обычного уровня спроса. Например, крупная разовая закупка или временное закрытие магазина.

Не менее опасно игнорировать периоды дефицита товара.

Предположим, спрос на популярную модель смартфона составляет около 100 устройств в неделю. Из-за задержки поставки на складе осталось только 40 смартфонов, и именно столько удалось продать. Если использовать эту статистику без дополнительных корректировок, модель сделает вывод, что спрос снизился до 40 устройств. На самом деле продажи ограничило отсутствие товара.

Неверный выбор модели

Ещё одна распространённая ошибка — использовать один и тот же метод для всех товаров.

Разные категории отличаются по характеру спроса. Например, продажи питьевой воды меняются относительно плавно, а спрос на ёлочные игрушки сосредоточен в ноябре и декабре. Одна модель не сможет одинаково достоверно описать обе ситуации.

Ошибки возникают и в других случаях:

• Для нового товара применяют модель, которой требуется несколько лет истории продаж
• Скользящее среднее применяют к товарным категориям с выраженной сезонностью
• Сложную AI-модель обучают на небольшом объёме данных

Во многих компаниях для разных товарных групп используют разные модели.

Отсутствие регулярного пересмотра прогноза

Компании запускают новые товары, конкуренты проводят акции, меняются цены, появляются новые каналы продаж. Всё это влияет на спрос.

Например, производитель бытовой техники построил прогноз в январе. Весной на рынок вышел крупный конкурент с более низкими ценами. Если компания продолжит использовать январский прогноз, закупки и производственный план окажутся завышенными. Поэтому прогнозы стоит пересматривать хотя бы раз в месяц.

Важно постоянно контролировать точность. Если значения MAE, WAPE или других метрик начинают ухудшаться, это сигнал, что модель перестала работать корректно. В этом случае аналитики проверяют качество входящей информации, оценивают влияние новых факторов. При необходимости они переобучают или заменяют модель.

Игнорирование изменений ассортимента

Ассортимент компании постоянно меняется: появляются новые товары, старые снимают с продажи, меняется упаковка или цена. Если не учитывать эти изменения, прогноз может оказаться неточным.

Например, производитель бытовой химии вывел на рынок новую линейку концентрированных средств. Часть покупателей перешла на новинку, поэтому продажи прежней линейки снизились. Если модель не знает о запуске нового продукта, она сделает вывод, что спрос на старые товары просто упал, и занизит прогноз.

Похожая ситуация возникает после вывода товара из ассортимента. Продажи прекращаются не потому, что исчез спрос, а потому что товар больше не продаётся.

Использование слишком короткой истории продаж

Чем меньше данных использует модель, тем сложнее ей выявить реальные закономерности спроса.

Например, компания пытается спрогнозировать продажи кондиционеров, используя данные только за последние три месяца. За это время модель не успевает увидеть сезонность и делает вывод, что высокий летний спрос сохранится осенью. В результате компания закупает слишком много товара.

Во многих случаях для построения статистических моделей рекомендуют использовать историю продаж не менее одного-двух лет. Если спрос имеет ярко выраженную сезонность, например в продаже одежды, садовой техники или новогодних товаров, желательно анализировать данные за несколько полных сезонных циклов.

Заключение

Прогноз спроса влияет практически на все бизнес-процессы: закупки, производство, управление запасами, логистику и финансовое планирование. Поэтому при прогнозировании спроса стоит учитывать следующее:

• На спрос влияют внутренние факторы (цены, акции, ассортимент), внешняя среда (сезонность, погода, экономика, действия конкурентов) и малопредсказуемые аномальные события.
• Качественные методы используют, когда накопленной статистики недостаточно. Количественные методы подходят для компаний с накопленной историей продаж. AI- и ML-модели эффективны при больших объёмах данных и сложных зависимостях.
• Метод прогнозирования выбирают с учётом доступной информации, характера спроса, горизонта планирования и требований к точности.
• Точность прогноза оценивают с помощью метрик MAE, RMSE, MAPE и WAPE. Каждая из них показывает качество модели с разных сторон, поэтому на практике часто используют сразу 3–4 показателя.
• Для сбора статистики по продажам будут полезны ERP-системы и инструменты бизнес-аналитики, для изучения текущего спроса — Яндекс Метрика и статистика из Яндекс Директа.

Дополнительные материалы