ИИ-прогноз спроса и продаж: не морозить деньги в товаре

Деньги бизнеса очень часто стоят на складе. Не на счёте, не в обороте, а именно стоят — в виде коробок, которые купили в прошлом сезоне и до сих пор не продали. И одновременно с этим ходовая позиция заканчивается ровно в тот момент, когда на неё максимальный спрос. Обе ситуации — это одна и та же проблема: решение о закупке принималось без внятного прогноза.

Цена ошибки в закупках

Ошибка в закупке всегда стоит денег, вопрос только в том, с какой стороны.

Заказали много — оборотные средства заморожены в товаре, склад забит, за хранение платите, а через полгода позицию приходится сливать со скидкой, то есть в минус к марже. Заказали мало — товара нет в наличии в пик спроса, продажи не состоялись, а часть клиентов ушла к конкуренту и не факт, что вернётся. На маркетплейсах к этому добавляется падение позиции карточки в выдаче после ухода в out-of-stock.

Пока ассортимент небольшой, интуиция закупщика работает: человек помнит, что и когда продавалось. Но когда позиций становятся сотни и тысячи, память перестаёт справляться, и решения сводятся к правилу «закажем как в прошлом году плюс десять процентов». Это правило игнорирует смену тренда, новые каналы продаж, изменение цен и поведение конкурентов.

Как ИИ прогнозирует спрос

Модель прогнозирования работает с историей продаж как с временным рядом. Она вычленяет из него несколько слоёв: общий тренд (растёт категория или падает), годовую сезонность, недельную цикличность (в рознице понедельник и суббота — разные дни), влияние акций и скидок, эффект праздников и длинных выходных.

Раньше каждую такую модель настраивали под конкретный товар вручную, и это было дорого. Современные модели прогнозирования временных рядов обучены на огромных массивах данных и дают приемлемый результат сразу, без индивидуальной настройки под каждую SKU. Именно это сделало прогнозирование доступным для среднего бизнеса, а не только для сетей федерального масштаба.

На выходе вы получаете не одну цифру, а прогноз на горизонт (неделя, месяц, квартал) вместе с вилкой — оптимистичный и пессимистичный сценарий. Вилка важнее самой цифры: она показывает, насколько модель уверена. Узкая вилка — можно закупать по прогнозу. Широкая — товар непредсказуемый, лучше держать страховой запас или заказывать чаще мелкими партиями.

Дополнительно система умеет ловить аномалии: резкий всплеск продаж (вышел обзор, конкурент ушёл из ниши) или необъяснимый провал (пропала карточка, сломалась выкладка). Это отдельная ценность — вы узнаёте о проблеме за день, а не в конце месяца по отчёту.

Какие данные нужны

Минимальный набор простой и обычно уже есть в учётной системе:

• История продаж по каждой позиции с датами. Желательно 1–2 года — иначе модель не увидит сезонность и будет принимать зимний спад за начало падения тренда.
• Остатки на складе по датам. Без них модель примет дни, когда товара не было в наличии, за отсутствие спроса и занизит прогноз.
• Цены и история акций. Продажи в скидку — это не базовый спрос, и модель должна уметь их различать.
• Календарь праздников и специфических для вашего бизнеса дат.

Качество прогноза напрямую упирается в качество данных. Дубли карточек, переименованные артикулы, ручные корректировки остатков — всё это шум, который модель воспримет всерьёз. Часто первый этап проекта — это не прогнозирование, а приведение данных в порядок.

И честное ограничение. По новым товарам, у которых истории нет вообще, прогноз строится по аналогам и точность будет невысокой. По редким позициям, которые продаются штучно раз в месяц, статистики слишком мало — здесь модель почти бесполезна, и это нормально. Прогнозирование даёт максимум там, где есть регулярные продажи: обычно это 20–30% ассортимента, дающих 70–80% оборота.

С чего начать

Плохой сценарий — «давайте внедрим ИИ на весь ассортимент». Долго, дорого и невозможно проверить, работает ли оно.

Рабочий сценарий — пилот на топ-100 позициях по обороту. Берём историю, строим прогноз на ближайший месяц, откладываем его и ждём. Через месяц сравниваем прогноз с фактом и считаем эффект в деньгах: сколько закупок можно было сократить, где закончился товар и сколько продаж потерялось. Это даёт честную цифру окупаемости до того, как вы вложились в полноценную интеграцию.

Дальше — расширение на остальной ассортимент и связка с 1С или другой учётной системой, чтобы прогноз попадал в рекомендации по заказу автоматически, а не жил в отдельной таблице.

Мы работаем именно по такой схеме. Ориентировочно пилот на ограниченном ассортименте — от 80–150 тысяч рублей, полноценное внедрение с интеграцией в учёт — от 300 тысяч. Цифры условные: всё зависит от состояния данных и количества систем, которые нужно связать. Точную оценку даём после того, как посмотрим выгрузку.

FAQ

Как прогнозировать спрос на товар? На основе истории продаж этой позиции: модель раскладывает её на тренд, сезонность и влияние акций, а затем продлевает на нужный горизонт. Для товаров без истории используются данные по похожим позициям.

Насколько точен ИИ-прогноз продаж? На стабильных ходовых позициях ошибка обычно составляет 10–20%. На редких и новых товарах — существенно больше. Прогноз не гарантирует результат, он снижает неопределённость: решение всё равно принимает человек, но уже с опорой на цифру, а не на ощущение.

Какие данные нужны для прогноза? Продажи по позициям за 1–2 года, остатки, цены и история акций. Всё это обычно выгружается из 1С или личного кабинета маркетплейса.

Сколько стоит внедрение прогнозирования? Пилот — от 80–150 тысяч рублей, полное внедрение с интеграцией — от 300 тысяч. Финальная оценка зависит от состояния данных.

А если данных меньше года? Прогноз построить можно, но сезонность модель не увидит. В этом случае честнее говорить о прогнозе на короткий горизонт — неделя-две.

Коротко о главном

Прогнозирование спроса не делает бизнес ясновидящим. Оно делает другое: превращает закупочные решения из интуитивных в измеримые и показывает, где именно вы теряете деньги — на замороженных остатках или на пустых полках. Эффект считается в рублях, и его видно уже на пилоте. Пришлите выгрузку продаж — мы посчитаем прогноз на ваших данных, сравним его с тем, как вы закупали по факту, и покажем разницу в деньгах. Начнём с пилота на топ-позициях, без обязательств по полному внедрению.