Прогнозирование спроса
Модель на вашей истории продаж считает спрос по каждой паре «товар — точка» с учётом сезонности, промо и трендов, а затем сверяет прогноз с фактом и объясняет отклонения. Результат уходит прямо в закупки и производство: меньше дефицита при меньшем складском запасе.
Иллюстрация показывает рабочий контур направления; конкретные шаги и интеграции разобраны ниже.
Как это выглядит без автоматизации
В большинстве торговых и производственных компаний план на следующий месяц — это прошлый год плюс коэффициент и правки закупщика по памяти. Такой план всегда ошибается в обе стороны одновременно: ходовые позиции заканчиваются в середине месяца, а рядом на складе лежат деньги в виде товара, который никто не спросит до весны. Самое неприятное — обе ошибки не попадают ни в один отчёт: в продажах видна только выручка, а несостоявшийся спрос не оставляет следа.
Дефицит и излишки существуют одновременно
Типичная картина: 5–8% ходовых позиций вне наличия в любой день месяца, и одновременно треть складского запаса с оборачиваемостью больше 120 дней. Это не противоречие, а прямое следствие усреднённого плана: он одинаково промахивается и по быстрым, и по медленным товарам.
Упущенные продажи не видны в учёте
Когда товара нет на полке, покупатель либо берёт аналог с меньшей маржой, либо уходит. В отчёте это выглядит как снижение спроса — и следующий план закупки уменьшают ещё, окончательно закрепляя дефицит.
Разница между точками стирается
Один и тот же SKU в магазине у транспортного узла и в спальном районе продаётся с разницей в два-три раза, но заказ формируется по общей матрице. Итог: в одном магазине пусто, в другом лежит запас на четыре месяца.
Планирование съедает конец каждого месяца
Три-четыре человека неделю сводят выгрузки в Excel, чтобы получить цифру, устаревающую к моменту согласования. Проверить качество такого плана невозможно: никто не считает, насколько прошлый прогноз разошёлся с фактом.
Во что это обходится: 45 000 000 ₽ выручки в месяц × 3,5% продаж, сорванных отсутствием товара, × 22% маржи ≈ 350 000 ₽ недополученной маржи ежемесячно. Одновременно 70 000 000 ₽ складского запаса при стоимости денег 20% годовых обходятся в 1 170 000 ₽ в месяц, и часть этого запаса куплена по прошлогоднему плану — ещё около 300 000 ₽ ежемесячных уценок и списаний. Ни одна из этих сумм не имеет строки в отчёте о прибылях.
Возможности системы
Мы собираем историю продаж, остатков и промо в единую витрину и строим на ней модель спроса: отдельный прогноз по каждой паре «товар — точка» на нужный горизонт, с интервалом неопределённости и разложением на факторы. Модель не заменяет закупщика, а даёт ему цифру, которую можно проверить: каждую неделю прогноз сверяется с фактом, а отклонения объясняются причинами, а не общими словами.
Прогноз по каждой паре «товар — точка»
Не общая цифра по компании, а спрос конкретного SKU на конкретном складе, магазине или площадке. Прогнозы нижнего уровня согласуются с прогнозом категории и компании, чтобы сумма по частям сходилась с целым.
Спрос отделяется от продаж
Дни, когда товара не было в наличии, восстанавливаются как упущенный спрос, а разовые оптовые отгрузки и возвраты исключаются. Модель учится на том, сколько у вас хотели купить, а не на том, сколько удалось отгрузить.
Сезонность, календарь и события
Годовая и недельная сезонность, праздники и переносы рабочих дней, начало сезона по регионам, погода там, где она значима. Для каждой позиции подбирается своя модель — товару с ровным спросом не нужна та же математика, что мороженому.
Промо считается отдельным слоем
Из истории акций модель оценивает прирост по механике и глубине скидки, включая переток спроса с соседних позиций и провал после акции. Планируемое промо из календаря сразу попадает в прогноз, а не ломает его задним числом.
Новинки и позиции без истории
Новый товар получает прогноз по группе аналогов с поправкой на цену и канал, а по мере накопления собственных продаж вес аналогов уменьшается. Для сезонных новинок работает профиль кривой запуска предшественников.
Сверка с фактом и объяснение отклонений
Каждую неделю считается ошибка прогноза по группам ассортимента и точкам, а крупные отклонения раскладываются на причины: акция конкурента, срыв поставки, всплеск по одному клиенту. Качество модели видно в цифрах, а не на слово.
Путь одного события через систему
Каждый шаг оставляет след в журнале: любое решение системы можно открыть и проверить — что пришло, что проверено, что сделано.
Данные собираются в витрину ночью
Продажи по дням, SKU и точкам, остатки и движения, себестоимость, промо-календарь, справочник номенклатуры, сроки и минимальные партии поставщиков. Всё сводится к единым ключам — без этого прогноз по точкам не построить.
История очищается до реального спроса
Дни отсутствия товара помечаются и восстанавливаются, разовые аномалии и ошибочные проводки исключаются, переименованные артикулы склеиваются в одну историю. На этом этапе обычно и выясняется, что треть данных требовала внимания.
Модели считают прогноз по горизонтам
Для каждой пары «товар — точка» подбирается модель под характер спроса: регулярный, сезонный, прерывистый. Считаются короткий горизонт для пополнения и длинный для закупки и производства, каждый со своим интервалом неопределённости.
Прогноз обогащается планами компании
Подтверждённые акции, ввод и вывод позиций, открытие точек, договорённости с ключевыми клиентами. Ручные поправки планировщика вносятся не поверх цифры, а отдельным слоем — потом видно, чей вклад оказался точнее.
Результат уходит в закупки и производство
Прогноз превращается в потребность с учётом остатков, товара в пути, страхового запаса и сроков поставки, а дальше — в проект заказа поставщику или в план производства в вашей учётной системе.
Факт сверяется с прогнозом
Каждую неделю считаются ошибка прогноза и дни дефицита по группам и точкам, отклонения раскладываются на причины. Ухудшение качества модели видно сразу, а не через квартал по выросшему складу.
Что происходит по неделям
Каждый этап заканчивается результатом, который вы видите и принимаете. Оплата привязана к приёмке, а не к обещаниям.
Аудит данных и точка отсчёта
Выгружаем историю продаж, остатков и промо минимум за 18 месяцев. Проверяем полноту и склейку справочника номенклатуры, размечаем ассортимент по стабильности спроса и вкладу в выручку. Считаем текущую ошибку планирования и сравниваем её с простыми эталонами — прошлым годом и скользящим средним.
Витрина и восстановление спроса
Собираем витрину на PostgreSQL или ClickHouse с ежедневной загрузкой из 1С и кабинетов площадок. Восстанавливаем спрос в днях дефицита, чистим аномалии и возвраты, приводим промо-историю к машиночитаемому виду: даты, механика, глубина скидки, охват точек.
Базовые модели и проверка на истории
Строим прогноз по каждой паре «товар — точка», подбирая модель под характер спроса. Проверяем на отложенных периодах: что модель предсказала бы полгода назад и что произошло на самом деле. Считаем ошибку по группам ассортимента и сравниваем с эталоном из первого этапа.
Промо, новинки и согласование уровней
Добавляем слой промо с оценкой прироста и перетока спроса, механику прогноза новинок по аналогам, календарь событий. Настраиваем согласование уровней, чтобы сумма прогнозов по точкам сходилась с прогнозом категории и компании.
Рабочее место планировщика и выгрузка в закупки
Собираем интерфейс: прогноз, интервал, история точности, ручные поправки с указанием причины. Настраиваем расчёт потребности с учётом остатков, товара в пути, страхового запаса и сроков поставки и выгрузку проекта заказа или плана производства в 1С.
Опытная эксплуатация и контроль качества
Ведём еженедельный отчёт точности по группам и точкам, отслеживаем дрейф спроса, смену сезона и вклад ручных поправок. Дообучаем модели, расширяем контур на новые категории и склады, обновляем правила при изменении ассортиментной политики.
Модельный расчёт: из чего складывается эффект
Не «до 90% экономии», а конкретная модель с вводными, которые можно оспорить и пересчитать под себя.
| Показатель | Сейчас | После внедрения |
|---|---|---|
| Ошибка прогноза на 4 недели (MAPE) | 38–45% по ходовым группам | 18–22% по тем же группам |
| Товаро-дни без наличия | 6,8% по позициям группы A | 2,5–3% |
| Складской запас | 70 000 000 ₽ (≈ 60 дней) | ≈ 64 000 000 ₽ (≈ 55 дней) при меньшем дефиците |
| Уценка и списание неликвида | ≈ 315 000 ₽/мес | ≈ 235 000 ₽/мес |
| Подготовка плана закупки | 5 рабочих дней в конце месяца у трёх человек | пересчёт ежедневно, 4–6 часов в неделю на разбор исключений |
Полная цена владения — три составляющие
Никаких скрытых платежей: внешние сервисы вы оплачиваете напрямую по своим договорам, мы не делаем наценку на чужие тарифы.
Внедрение
- типовой проект: 1 200 000 ₽
- срок: 8–16 недель
- диагностика, разработка, интеграции, пилот
- документация и обучение команды
Поддержка
- мониторинг и реагирование по SLA
- исправление дефектов бесплатно
- обновление сценариев и интеграций
- ежемесячный отчёт о работе системы
Эксплуатация
- Сервер или облако под витрину и расчёт моделей: 8 000 – 35 000 ₽/мес
- Управляемая база под историю продаж (PostgreSQL / ClickHouse): 10 000 – 45 000 ₽/мес
- Внешние справочники: производственный календарь, погода, курсы: 0 – 12 000 ₽/мес
- Языковая модель для текстовых пояснений к отклонениям: 2 000 – 8 000 ₽/мес
- число комбинаций прогноза: 500 SKU на одном складе и 5 000 SKU на 30 точках — принципиально разные задачи по объёму расчётов
- состояние справочника номенклатуры: дубли, переименования и разные коды в системах приходится склеивать до начала моделирования
- наличие истории остатков: если дни дефицита не сохранились, спрос восстанавливается косвенно и точность на старте ниже
- промо-календарь в машиночитаемом виде: акции в переписке и файлах приходится оцифровывать отдельным этапом
- глубина автоматизации: витрина с прогнозом дешевле, чем автоматическое формирование заказов поставщику и плана производства с проводками в 1С
Участие заказчика
На диагностике достаточно обезличенных примеров. Боевые доступы — только после договора и NDA, через защищённые каналы.
С чем соединяем
Работаем с тем, что у вас уже есть. Если вашей системы нет в списке — скорее всего, подключимся через API: уточним на диагностике.
Как это решение работает в разных бизнесах
Дистрибьютор бытовой химии, 3 000 SKU и 6 филиалов: план закупки в Excel по прошлому году даёт 6–9 дней без наличия в месяц по ходовым позициям и треть запаса с оборачиваемостью больше 120 дней. Прогноз по паре «товар — филиал» со сроками поставки каждого поставщика убирает большую часть дефицита при запасе примерно на 10% меньше.
Сеть из 25 магазинов у дома: спрос на один и тот же SKU у транспортного узла и в спальном районе отличается вдвое, а заказ формируется по общей матрице. Прогноз по каждой паре «магазин — товар» с учётом дня недели и локальных событий снижает списание скоропорта примерно на четверть и убирает пустую полку в пятницу вечером.
Производитель продуктов питания, 400 SKU и производственный цикл 3 дня: прогноз отгрузок в сети на 6 недель вперёд кормит план производства и заявки на сырьё. Вместо двух авральных перепланировок в неделю — ровный график и сокращение остатка готовой продукции с 18 до 12 дней.
Продавец на Wildberries и Ozon: прогноз по SKU и складу площадки за 3–4 недели до сезонного пика определяет объём поставки. Обычная картина без прогноза — половина ассортимента обнуляется в разгар сезона, а вторая половина месяцами копит платное хранение; при том же бюджете закупки прогноз перераспределяет поставку между этими половинами.
Сеть из 8 ресторанов: прогноз числа гостей и структуры чека по дням и часам переводится в закупку сырья через технологические карты. Списание скоропорта снижается с 4–5% до 2–3% себестоимости продуктов, а стоп-лист в пятницу вечером перестаёт быть нормой.
Что обычно спрашивают
Чем это лучше плана «прошлый год плюс коэффициент»?
Какая точность прогноза реальна в цифрах?
У нас половина ассортимента — новинки. Им прогнозировать не на чем.
История испорчена: были месяцы срывов поставок и аномального спроса.
Кто в итоге делает заказ поставщику — модель или закупщик?
У нас есть модуль прогнозирования в 1С. Зачем ещё вы?
Когда это решение не окупится
- меньше 18 месяцев истории продаж — статистике сезонности не на чем строиться, и до накопления данных честнее работать по правилам точки заказа
- несколько десятков позиций со стабильным спросом — таблица и минимальный остаток решают задачу дешевле любой модели
- проектные и штучные продажи: спецтехника, оборудование под заказ, строительный подряд — там спрос определяется сделками в воронке, а не статистикой
- нет истории остатков и восстанавливать её никто не готов — модель будет учиться на искажённом спросе и закреплять текущий дефицит
- ожидание, что прогноз сам уберёт дефицит при хронических срывах поставщиков и нехватке оборотных средств — модель показывает потребность, но не закупает товар
Если на диагностике расчёт не сойдётся — мы предложим более простой вариант или честно скажем, что автоматизация вам пока не нужна. Это дешевле для всех, чем проект ради проекта.
Прогнозирование продаж
Согласованный прогноз выручки по каналам, продуктам и сегментам: статистика сезонности плюс живая воронка CRM. Один документ, из которого растут план закупок, бюджет и планы отделов — с измеримой точностью и разбором каждого отклонения.
Аналитика и прогнозированиеBI-дашборды для бизнеса
Ключевые показатели из 1С, CRM, маркетплейсов и рекламы — на одном экране, с автоматическим обновлением и детализацией до конкретной операции. Одна версия цифр на всю компанию вместо спора, чей Excel правильнее.
Склад и логистикаПрогнозирование запасов
Считает будущий остаток и риск дефицита по каждой паре товар-склад на 8–13 недель вперёд, с учётом сроков поставки, минимальных партий и сезонности. Закупщик видит не остаток на сегодня, а дату, когда товар закончится.
Посчитать «Прогнозирование спроса» на ваших цифрах?
Пришлите объёмы и пару примеров — вернёмся с картой процесса, честным расчётом экономики и точной сметой. Если не сойдётся — так и скажем.
