Как прогнозировать спрос с ИИ по таблице продаж: сначала проверьте данные

Реальный пример: IKEA и demand sensing

Ingka Group в публикации от 22 декабря 2023 года описывает ИИ-систему demand sensing, созданную совместно с Inter IKEA Systems, Blue Yonder и другими участниками. Это пример работы с оперативными сигналами в крупной торговой сети. Он подтверждает применение технологии, но не означает, что такой же результат получится из короткой таблицы небольшого магазина. Источник: Ingka Group.

В Excel также есть FORECAST.ETS — статистическая функция экспоненциального сглаживания. Это полезный инструмент сравнения; обычную функцию таблицы не стоит автоматически называть нейросетью. Документация требует согласованного шага времени и описывает ограничения платформ. Документация Microsoft.

Шаг 1. Выберите объект и горизонт

Определите, что прогнозируете: штуки конкретного SKU за неделю, количество заказов или выручку. Для закупок обычно важно количество товара; рост выручки из-за цены не обязательно означает рост потребности в штуках.

Выберите горизонт, соответствующий решению. Если поставка идёт три недели, прогноз только на завтра не решит задачу пополнения. Зафиксируйте единицу, календарь и момент, когда данные становятся доступны. Возвраты и отмены должны учитываться по одному правилу во всём наборе.

Шаг 2. Соберите таблицу продаж и наличия

Для каждой даты нужны SKU, проданные единицы, доступность, цена и отметки акций. Дополнительно полезны часы работы, закрытия и события, которые действительно известны. Не добавляйте будущие факторы, которых на момент прогнозирования ещё не было.

Продажи ограничены наличием. Если товар закончился после обеда, дневные продажи отражают только доступную часть дня. Нулевая продажа при закрытом магазине также не является доказательством нулевого спроса.

В учебном примере есть отдельный CSV с двенадцатью неделями. Все числа вымышленные. Для объяснения ошибок все недели в этом файле имеют полную доступность; пример неполного наличия рассматривается отдельно, чтобы не скрывать восстановление данных.

Шаг 3. Проверьте календарь и исключения

Убедитесь, что каждая неделя начинается в один и тот же день, не повторяется и не пропущена. Дубликаты иногда появляются после объединения выгрузок. Отделите отменённые заказы от выданных, а возвращённые товары — от первичной продажи.

Если неделя содержит только три дня наличия, отметьте это явно. Умножить продажи на семь и разделить на три можно лишь как грубую гипотезу при сильных предположениях о равномерном спросе; это не измеренная неделя. Не подменяйте такой оценкой исходное значение без отдельного столбца.

Визуально посмотрите ряд: скачки, акции, отсутствие товара и смены цены. Цель первого графика — понять данные, а не выбрать самую красивую кривую.

Шаг 4. Рассчитайте два простых ориентира

В учебном наборе первые восемь недель дают продажи 18, 21, 19, 20, 22, 20, 21, 23 штуки. Оставшиеся четыре недели пока спрячьте.

Первый ориентир — последнее известное значение: прогноз по 23 штуки на каждую из следующих четырёх недель. Второй — среднее последних четырёх известных недель: (22 + 20 + 21 + 23) / 4 = 21,5 штуки. Не пересчитывайте этот ориентир с учётом ещё не наступивших недель.

В производственном процессе можно обновлять прогноз каждую неделю. Тогда это другой режим проверки — с последовательным добавлением фактов. Здесь для простоты сравнивается один прогноз, сделанный перед всем четырёхнедельным периодом.

Шаг 5. Проверьте прогноз на отложенных данных

Фактические продажи четырёх проверочных недель: 24, 23, 26, 25, всего 98 штук. Прогноз по 23 даёт абсолютные ошибки 1, 0, 3 и 2: сумма 6. Средняя абсолютная ошибка — 1,5 штуки в неделю. WAPE равна 6 / 98 × 100 ≈ 6,1%.

У второго ориентира абсолютные ошибки 2,5, 1,5, 4,5 и 3,5: сумма 12. WAPE — около 12,2%. На этой маленькой выборке последний уровень оказался лучше среднего. Это не доказательство, что он всегда выигрывает или что сезонность не нужна.

График вымышленных данных. Граница обучения и проверки обозначена отдельно.

Проверяйте также смещение: система регулярно занижает прогноз или завышает? Для закупок эти ошибки могут иметь разную цену. При нулевой сумме фактических продаж WAPE не определена; не выдавайте деление на ноль за идеальную точность.

Шаг 6. Подключите ИИ как проверяемого помощника

Попросите написать расчёт и показать промежуточные числа. Если выбранный чат не выполняет код, перенесите формулы в таблицу или скрипт и отдельно проверьте результат.

В CSV 12 недель одного SKU. Первые 8 — обучающий период,
последние 4 — только проверка. Проверь повторы дат и наличие.
Сделай два фиксированных прогноза на 4 недели:
последнее значение и среднее последних 4 обучающих недель.
Покажи прогнозы, абсолютные ошибки, MAE, WAPE и смещение.
Не используй проверочные продажи при построении прогнозов.
Не придумывай сезонность, погоду и будущие акции.
Верни воспроизводимый код и ограничения короткой истории.

Более сложную модель проверяйте на той же границе времени. Если она знает будущую цену или итог акции из скрытого столбца, сравнение нечестное. Уберите признаки, которые недоступны в момент решения.

Шаг 7. Переведите прогноз в закупочную задачу

Прогноз потребления и заказ поставщику — разные величины. Для заказа нужны доступный остаток, уже размещённые поставки, минимальная партия, срок поставки и выбранная политика запаса.

Не прибавляйте автоматически «20% на всякий случай» ко всем SKU. Размер запаса зависит от вариативности, сроков, допустимого дефицита и потерь от излишка. В первом пилоте передавайте прогноз закупщику вместе с диапазоном неопределённости и объяснением исключений.

Сохраняйте дату расчёта и входные данные. Через месяц нужно сравнивать факт с тем прогнозом, который действительно использовался, а не с заново пересчитанной версией.

Как понять, что работа принесла пользу

Смотрите ошибку на новых периодах, отсутствие товара, избыточный остаток и время подготовки заказа. Хорошая средняя ошибка может скрывать большие промахи по отдельным позициям, поэтому разбирайте SKU с дорогими ошибками отдельно.

Не называйте высвобождённое время денежной экономией без проверки реальных расходов. И не переносите показатели IKEA на свой пилот: масштаб, ассортимент и качество сигналов различаются.

Частые вопросы