Журнал / Кирилл Наумов
AI-прогноз спроса в ритейле: прогноз — только первое звено
Как связать прогноз спроса с заказами, пополнением полки, акциями и проверкой сотрудником — и не путать точность модели с пользой для покупателя.
Автор: Кирилл Наумов ·
Прогноз сам по себе не выкладывает товар на полку. Он помогает заранее оценить спрос, но результат зависит от того, дошёл ли сигнал вовремя до закупки, распределения, пополнения запасов и магазина. Модель может точнее считать, а покупатель всё равно увидит пустую полку: заказ опоздал, товар направили в другое место или остатки в системе не совпали с реальностью.
Свяжите прогноз с конкретным решением
Начните с решения, которое нужно улучшить: сколько заказать, куда направить товар, когда пополнить полку или какие позиции отдать на ручную проверку. Зафиксируйте единицу и горизонт: спрос на товар в конкретном магазине на ближайшие дни — не то же самое, что сезонный спрос на категорию. Назначьте команду, которая сможет действовать на основании прогноза, и определите, в какой системе будет принято решение.
Разберите передачу данных между этапами. Какие прогнозы становятся предложениями к заказу? Кто может их изменить? Как учитываются сроки поставки, минимальная партия, вместимость полки, складские остатки и календарь доставок? Если прогноз остаётся на дашборде, главное действие всё ещё лежит на ком-то другом.
В истории продаж есть слепые зоны
Прошлые продажи — не то же самое, что спрос без ограничений. Когда товара нет, продажи падают именно потому, что клиент не смог его купить. На картину также влияют акции, цены, погода, праздники, местные события, товары-заменители и новинки. Сохраняйте эти события в данных и отмечайте необычные периоды, а не просите модель считать каждую неделю одинаковой.
Сравните действующий способ с новой моделью на периодах, где результат уже известен, а затем разберите показатели по типам товаров, магазинам и горизонту прогноза. Смотрите не только на среднюю ошибку, но и на её смещение: постоянно занижать запас в одной категории может быть хуже, чем иногда ошибаться в обе стороны.
Изучайте примеры, но не превращайте их в обещания
В опубликованном [разборе Cainz от Google Cloud](https://cloud.google.com/customers/cainz) рассказывается, как японский ритейлер товаров для дома масштабировал прогнозирование спроса на 209 магазинов и менял архитектуру по мере расширения задачи. Компания отмечает, что прежний подход на основе скользящего среднего плохо учитывал сезонные товары и краткосрочные изменения. Это показывает, что на выбор решения влияют масштаб и структура ассортимента, но не гарантирует такой же результат другой сети.
Google Cloud также публикует истории [OTTO](https://cloud.google.com/customers/otto) и [Tchibo](https://cloud.google.com/customers/tchibogmbh). Это кейсы поставщика технологии, поэтому результаты нужно читать с учётом этого контекста. Переносимые на другие компании темы шире конкретного продукта: объединять сведения о товаре, продажах, акциях и логистике; привлекать аналитиков; связывать прогноз с решениями по планированию.
Измеряйте наличие товара, а не только ошибку модели
Считайте ошибку прогноза и её смещение, но одновременно смотрите на результаты для бизнеса: наличие на полке, обоснованную оценку упущенных продаж, списания и уценку, объём запасов, срочные перемещения и время, которое команда тратит на исправление рекомендаций. Проверяйте компромиссы по категориям: сокращение избыточного запаса в одном ассортименте при росте упущенных продаж в другом нельзя свести к одной красивой цифре эффективности.
До пилота договоритесь о сравнении. Используйте похожие магазины или периоды, учитывайте акции и сезонность, записывайте, какие рекомендации приняли, а какие изменили и почему. Более точный прогноз показывает, что улучшился входной сигнал. Сам по себе он ещё не доказывает, что клиент нашёл товар или что компания заработала больше.
Сделайте исключения понятными
Менеджеру важно видеть, где рекомендация опирается на обычный паттерн, а где новинка, местное событие или пропуск данных делают оценку ненадёжной. Покажите краткую причину, важные сигналы и простой способ внести поправку. Повторяющиеся изменения могут указывать на местное ограничение, о котором модель не знает, или на проблему в исходных данных.
Хороший первый проект ограничен одной категорией, ясным решением по планированию, работающей передачей в процесс и планом измерения. Расширяйте его, только если прогноз меняет действие, это действие улучшает наличие или другой согласованный результат, а команда понимает, что делать при неопределённости.