TLDR: Прогнозирование спроса с ИИ снижает ошибку прогноза на 20–50% и упущенные продажи — до 65%. Разбираем методы, инструменты, кейс сети Spar (+13% к выручке) и цены: от 3 000 ₽ в год до внедрения под ключ.
Прогноз спроса — это оценка того, сколько товара покупатели захотят купить в будущем периоде. По этой цифре закупают сырьё, формируют заказы поставщикам и распределяют остатки по складам. Ошиблись в меньшую сторону — пустые полки и потерянные клиенты. В большую — деньги, замороженные в неликвиде.
По данным EpsilonMetrics, применение ИИ (искусственного интеллекта) в прогнозировании спроса снижает ошибку прогноза на 20–50% и сокращает упущенные продажи до 65%. В рознице современные методы уменьшают дефицит на полках до 11% и высвобождают до 30% оборотных средств (Brightboard).
Что такое прогнозирование спроса и зачем оно бизнесу
Прогнозирование спроса — это расчёт будущего объёма покупок на основе истории продаж, сезонности, акций и внешних факторов: погоды, праздников, цен конкурентов. Важно различать спрос и продажи: продажи — это то, что реально прошло по кассе, а спрос включает и неудовлетворённую часть — когда клиент пришёл, а товара не было.
Бизнесу прогноз нужен как вход для управления запасами: без него закупки превращаются в гадание, а склад — либо в пустоту, либо в свалку. Точный прогноз напрямую бьёт по двум метрикам: уровень сервиса (доля спроса, закрытого с полки) и оборачиваемость (сколько раз за период «прокрутились» вложенные в товар деньги).
По данным Lowmart, модели машинного обучения (алгоритмов, которые сами находят закономерности в данных) требуют минимум 18–24 месяца истории продаж и порядка 1000 товарных позиций (SKU) для обучения. Меньше данных — разумнее начинать со статистических методов.
Методы прогнозирования спроса
Методы прогнозирования спроса делятся на три группы (Сбер Бизнес Софт).
Количественные
Считают по числам: история продаж есть — прогноз строится статистикой.
- Скользящее среднее и временные ряды — простая экстраполяция, работает на стабильных товарах.
- Экспоненциальное сглаживание — последним наблюдениям даётся больший вес; параметр сглаживания обычно подбирают в диапазоне 0,1–0,3 (Lowmart).
- Метод Кростона — для прерывистого спроса, когда товар покупают редко и неровно (запчасти, редкие позиции): отдельно прогнозируются размер покупки и интервал между ними.
- auto-ARIMA, ETS — классические статистические алгоритмы, которые, например, использует Microsoft Dynamics 365 Supply Chain Management наряду с Prophet и XGBoost (Microsoft Learn).
Качественные
Работают, когда истории нет или рынок резко меняется: метод Дельфи, опросы экспертов и клиентов, оценки продаж менеджерами. Методы изучения и прогнозирования спроса этой группы субъективны, но незаменимы для новинок.
Гибридные: ИИ и машинное обучение
Нейросети и градиентный бустинг учитывают десятки факторов сразу: акции, погоду, дни недели, праздники, остатки у конкурентов. Именно этот класс даёт снижение ошибки на 20–50%, но требует больше всего данных и аккуратного внедрения. В практике внедрений статистические методы лучше работают для товаров группы X — стабильное потребление с коэффициентом вариации до 10% (Brightboard); всё хаотичное и сезонное отдают машинному обучению.
Где применять: сценарии использования
Розница и продуктовые сети
Главные боли — дефицит на полке и списания скоропорта. Прогноз по каждому магазину с учётом собственного производства готовой еды и праздничных пиков даёт двойной эффект: и полка полная, и мусорки не растут.
Прогнозирование спроса онлайн: маркетплейсы и e-commerce
На маркетплейсах спрос зависит от позиции карточки в выдаче, рейтинга, акций площадки и цен конкурентов — факторов, которые простая статистика не видит. Прогнозирование спроса онлайн через облачные сервисы и модели ИИ учитывает эти сигналы; типичный страховой запас при этом держат в диапазоне 15–30% (Lowmart). О связке учёта с площадками подробнее — в статье про программу учёта товара для селлеров.
Прогнозирование спроса в логистике и цепях поставок
Прогнозирование спроса в логистике — основа управления запасами в цепях поставок: от точки заказа до распределения по региональным складам. «Магнит», например, за год построил собственную платформу прогнозирования и пополнения: 33 000 магазинов, 46 распределительных центров, 17 млрд прогнозов на горизонте 90 дней и 8 петабайт данных в локальном хранилище (Хабр). Смежную тему разбираем в статье про управление запасами и логистику в ритейле.
Производство и фарма
При длинном производственном цикле цена ошибки максимальна: сырьё закупают за месяцы. Фармкомпания «Юрия-Фарм» внедрила прогнозирование на базе ИИ по трём независимым каналам — розничному, FMCG и госпитальному — с горизонтом 18 месяцев; от запуска до валидации модели прошло 8 недель (RBC Group).
Опт и дистрибуция
Здесь прогноз привязан к клиентским заказам и сезонности отгрузок. Практика та же: сначала чистая история, потом модель, потом автозаказ.
Кейс: как Spar внедрил прогнозирование спроса и поднял выручку на 13%
Сеть «Спар Миддл Волга» (холдинг «Сладкая жизнь») — около 200 супермаркетов Spar и Eurospar в Москве, Московской области, Санкт-Петербурге и Ленинградской области.
Проблема была типовой для розницы такого размера: обычный учёт товаров в 1С не давал точного управления ассортиментом сети. Учётная система честно фиксирует, что продано, но не отвечает на вопрос «сколько заказать завтра» — особенно по скоропорту и собственному производству готовой еды.
Решение собрали на связке учётной системы и машинного обучения: сервис прогнозирования спроса от 1221 Systems встроили прямо в контур 1С:ERP, не выводя заказ в отдельный интерфейс.
Модель учитывает специфику каждого магазина, собственное производство готовой еды, сезонность, праздники и историю продаж. Прогноз строится на 42 дня вперёд — этого горизонта хватает и под заказ поставщику, и под планирование производства.
Внедряли постепенно: сначала протестировали модель на конкретных магазинах и только потом масштабировали на сеть. Отдельно в проекте потребовалась команда категорийных менеджеров — именно они формировали требования к прогнозу по своим категориям, потому что поведение молочки и бакалеи в модели считается по-разному.
Результат по данным Retail.ru: выручка подключённых к системе категорий выросла на 13%, товарооборот — на 9%, а списания снизились до 1%.
Источник не раскрывает бюджет проекта и срок окупаемости, поэтому называть их мы не будем. По нашему опыту внедрений, у подобных проектов две типичные сложности: нехватка чистых данных для обучения и сопротивление закупщиков, привыкших к ручному заказу. Деньги у таких систем складываются из лицензии или подписки плюс работ по интеграции с учётным контуром: для сети уровня Spar это вложение в миллионы рублей, для среднего бизнеса есть варианты на порядок дешевле (сравните с таблицей ниже).
Как внедрить прогнозирование спроса: 7 шагов
- Сформулировать бизнес-цель. По правилу Business Goals Law первым делом определяется ценность прогноза в деньгах — иначе проект превращается в моделирование ради моделирования (Новости ИТ-канала).
- Собрать и почистить данные. История продаж, остатки, возвраты, план и история промо — без них обучить модель невозможно. Дубли и разрозненные источники приводят в единый Golden Record.
- Оценить зрелость данных. Есть 18–24 месяца истории и 1000+ SKU — можно смотреть в сторону машинного обучения. Меньше — начинать со статистики.
- Выбрать метод и инструмент. От экспоненциального сглаживания в таблицах до сервиса 1С или отдельной ML-платформы.
- Запустить пилот. Один регион, одна категория или несколько магазинов — как это сделал Spar.
- Связать прогноз с закупками. Точка заказа, страховой запас, автозаказ поставщику — прогноз должен двигать реальные действия в учётной системе.
- Ввести контроль метрик. MAPE (средняя ошибка прогноза в процентах), уровень сервиса, списания, оборачиваемость — и регулярный пересмотр модели.
Сколько стоит прогнозирование спроса
| Вариант | Стоимость |
|---|---|
| 1С:Прогнозирование продаж (тариф 200 единиц квоты) | 3 000 ₽/год |
| 1С:Прогнозирование продаж (тариф 1 000 000 единиц квоты) | 400 000 ₽/год |
| Внедрение системы прогнозирования продаж под ключ | от 2 000 000 ₽ |
| GoodsForecast Integrated Planning (лицензия) | от 10 000 000 ₽ |
Цены по данным 1С, Н-системс и GoodsForecast. По нашему опыту, интеграция сервиса прогнозирования с учётом в 1С и настройка автозаказа для среднего бизнеса ложится в диапазон 300 000–800 000 ₽, окупаемость — 4–12 месяцев за счёт снижения списаний и высвобождения оборотки.
Когда прогнозирование спроса НЕ подходит
- ❌ Мало истории: меньше 18–24 месяцев продаж и сотни позиций вместо тысяч — ML-модели не на чем учить, останется статистика и экспертная оценка.
- ❌ Ассортимент и процессы меняются каждый месяц: модель не успевает адаптироваться, прогноз врёт хуже ручного.
- ❌ Нет данных по промо и не выделен владелец процесса: без истории акций алгоритм честно не обучится (Новости ИТ-канала), а без ответственного система быстро умирает.
Ошибки при внедрении
- Водопадный подход к ML-проекту. Пытаются сразу расписать всё и сдать «под ключ», хотя к машинному обучению он неприменим — нужны итерации и пилоты (Новости ИТ-канала).
- Грязные данные. Разрозненные источники без единого Golden Record, дубли, пропуски и устаревшие мастер-данные — главные причины ошибок прогноза (Datafinder).
- Нет плана промо и его истории. Без этого обучить алгоритм на промо-продажи невозможно — модель каждый раз будет «удивляться» всплескам.
- Одна модель на весь ассортимент. EpsilonMetrics получали приемлемую среднюю ошибку 18%, но провальный прогноз по ритейл-направлению; разделение на домены и ансамбль моделей дали MAPE 11% против 25% при ручном прогнозе на 30 000 SKU (EpsilonMetrics).
- Нет бизнес-цели до старта. Когда прогноз не привязан к деньгам, через полгода на него просто перестают смотреть.
FAQ
Чем прогнозирование спроса отличается от прогнозирования продаж? Продажи — факт, зафиксированный на кассе: что купили и сколько. Спрос — то, что покупатели хотели купить, включая случаи, когда товара не было на полке. Прогнозирование продаж обычно считается частью прогнозирования спроса: сначала оценивают потребность, потом превращают её в план продаж с учётом остатков и мощности.
Как ИИ помогает прогнозировать спрос на маркетплейсах? Прогноз спроса на маркетплейсах с помощью ИИ учитывает то, чего нет в истории продаж: позицию карточки в выдаче, рейтинг и число отзывов, акции площадки, цены конкурентов и сезонность. На выходе — рекомендованный размер поставки на каждый склад и страховой запас, обычно в диапазоне 15–30%.
Что такое метод Кростона и когда его применять? Метод Кростона — статистический метод для прерывистого спроса: когда позицию покупают редко и с длинными паузами (запчасти, нишевые товары). Он отдельно прогнозирует размер покупки и интервал между покупками. Пример расчёта прогноза спроса по методу Кростона: за 100 недель позицию брали в 30 неделях в среднем по 4 штуки — интервал ≈ 3,3 недели, размер ≈ 4 шт., прогноз ≈ 4 / 3,3 ≈ 1,2 шт. в неделю.
Что такое модель Уилсона в управлении запасами? Модель Уилсона (формула экономичного размера заказа) считает оптимальный объём партии: баланс между стоимостью оформления заказа и стоимостью хранения запаса. Формула: корень квадратный из (2 × спрос за период × стоимость заказа / стоимость хранения единицы за период). Прогноз спроса здесь — входная величина: чем точнее прогноз, тем точнее расчёт партии.
Как прогнозирование спроса связано с управлением запасами? Прогноз — вход для всех ключевых решений по запасам: точка заказа, страховой запас, размер партии, распределение по складам. Без прогноза управление складскими запасами сводится к правилам «минимум–максимум», которые постоянно промахиваются в сезонность. Подробнее — в статье про управление запасами в ритейле и e-commerce.
Как работает прогнозирование продаж в 1С? Сервис прогнозирования продаж 1С строит прогноз по истории из 1С:ERP, 1С:Управление торговлей и 1С:Комплексная автоматизация на горизонт до 30 периодов (1С). Тарифы привязаны к квоте — от 3 000 ₽ в год за 200 единиц до 400 000 ₽ за миллион; об управлении запасами в 1С в целом — в статье про управленческий учёт в 1С.
Какие показатели эффективности управления запасами существуют? Базовый набор показателей эффективности управления запасами: MAPE прогноза, оборачиваемость, уровень сервиса (доля закрытого спроса), доля дефицита на полке, доля списаний и доля неликвидов в остатках. Смотреть их стоит в связке: высокий уровень сервиса легко «купить» избыточным запасом, поэтому оборачиваемость проверяет первую метрику на честность.
Что такое рыночный спрос в бизнес-планировании? Рыночный спрос — суммарный объём, который готов купить весь рынок за период при заданных ценах. В бизнес-планировании это верхняя граница: прогноз спроса конкретной компании — это рыночный спрос, умноженный на долю рынка и скорректированный мощностями и географией.
Источники
- Прогнозирование спроса: методы, этапы и инструменты — Сбер Бизнес Софт
- Алгоритмы прогнозирования спроса в Dynamics 365 — Microsoft Learn
- Кейс: как Spar внедрил прогнозирование спроса и увеличил выручку на 13% — Retail.ru
- Как мы за год собрали F&R-платформу для «Магнита» — Хабр
- Прогнозирование спроса с ИИ: методы, ошибки, кейс на 30 000 SKU — EpsilonMetrics
- Прогноз спроса на маркетплейсах: методы и MAPE — Lowmart
- Управление проектами внедрения системы прогнозирования спроса — Новости ИТ-канала
- Эффективные методы прогнозирования спроса в рознице 2026 — Brightboard
Обсудить прогнозирование спроса под ваш ассортимент и учётную систему — оставьте заявку ниже или напишите в Telegram, разберём, какой метод даст эффект в ваших данных.
