Прогнозирование спроса — это процесс, во время которого компании пытаются предсказать, что будут покупать люди в определенный период. Например, через месяц или в следующем сезоне. Для этого используют различные данные: от истории продаж до погоды на улице. На их основе строят прогноз — с помощью математических и статистических моделей, алгоритмов ML и нейросетей.
Рассказываем вместе с продуктовым аналитиком компании Planetra Ольгой Гавриленко, как анализируют спрос на товар, как считают прогнозы и что делают с их результатами.
Зачем бизнесу прогнозировать спрос
Компании хотят снизить риски, сократить расходы и увеличить выручку. Для этого нужно понимать, как будет выглядеть рынок в ближайшем будущем. Заглянуть в будущее невозможно, но сценарии развития событий можно предсказать с помощью алгоритмов.
Прогнозирование спроса помогает решать разные задачи, в зависимости от целей компании. Например:
- оптимизация запасов — прогноз показывает, сколько товара нужно хранить на складе, чтобы избежать дефицита или избытка;
- прогнозирование продаж — с его помощью можно составить план продаж, приблизительно рассчитать будущую прибыль и расходы на закупки;
- прогнозирование промо — позволяет оценить, как маркетинговые активности повлияют на спрос;
- ценообразование — на основе прогноза компания может установить актуальные цены;
- снижение рисков — бизнес сможет вовремя предугадать возможное падение доходов и принять меры, чтобы его избежать.
Например, после выхода нового фильма про супергероев спрос на мерч по его мотивам, скорее всего, вырастет. Значит, компании стоит подготовиться — заранее закупить партию фигурок или футболок с принтом.
Прогнозирование спроса важнее всего для магазинов, маркетплейсов, логистических и других компаний, которые напрямую взаимодействуют с потребителем. А также для производств — чтобы понимать, какой объем товаров выпускать в тот или иной период. Еще спрос могут оценивать в науке, например в ходе маркетинговых исследований.
Как происходит прогнозирование спроса: этапы
Расчет прогноза — долгий и сложный процесс, который состоит из нескольких этапов. Все начинается с постановки цели: компания решает, что именно нужно узнать и как использовать результаты.Только после этого специалисты приступают к работе.
Сбор данных. Для прогноза используют исторические данные о продажах за разные периоды и о факторах, которые на них влияли. К этим данным часто добавляют информацию:
- о дополнительных параметрах, например о запасах на складе и ценах;
- о датах и внешних факторах — сезонности, праздничных днях;
- о промомероприятиях, например акциях и рекламных кампаниях.
Еще можно учитывать тренды, погодные условия, мировые новости и многое другое — все это влияет на спрос. Объем данных при этом становится огромным, порой доходит до 100 миллионов записей. Поэтому для работы с ними нужно много ресурсов.
Обработка данных. Собранные данные нужно очистить и подготовить для прогнозирования. Обычно обработка бывает двух видов:
- убирают дубли и пустые значения;
- выделяют все, что может повлиять на спрос, например сезонные колебания и распродажи.
Во время обработки используют математические модели, которые находят связь между каким-то фактором и спросом. Затем удаляют влияние этих факторов, чтобы увидеть обычный уровень спроса.
Анализ факторов. Факторы влияния не исчезают в никуда — их анализируют отдельно, чтобы выявить зависимость спроса:
- от сезонности и погодных факторов — например, в жару лучше продается мороженое;
- от праздников — например, к Новому году люди активно покупают подарки;
- от промоакций — например, во время скидок спрос резко возрастает.

Кроме того, оценивают тренды — изменения в поведении данных. Например, если продажи стабильно растут каждую неделю, то это возрастающий тренд.
Прогнозирование регулярных продаж. Очищенные данные используют, чтобы оценить ежедневные продажи — такие, которые характерны для обычного рабочего дня. Они еще называются регулярными. Для их прогноза используют разные подходы:
- статистические методы, например экспоненциальное сглаживание или мультилинейную регрессию;
- математические модели, например ARIMA/SARIMA для анализа временных рядов;
- модели машинного обучения и нейронные сети.


Иногда способы прогнозирования комбинируют, например объединяют статистические методы и нейросети в одну модель.
Корректировки прогноза. Прогноз, составленный на предыдущем этапе, — это не финальный результат. Его нужно доработать с учетом каких-то новых факторов. Например, во время подготовки прогноза у компании появился крупный оптовый клиент, и это влияет на объем закупок. Информацию о таких изменениях нужно учесть в прогнозе, чтобы получить объективную картину.
Составление иных прогнозов. Готовый прогноз регулярных продаж используют как основу для более узких прогнозов. Например:
- промопрогноза для оценки эффективности акций;
- спроса на отдельные категории товаров;
- спроса на новинки.
После этого этапы могут повторяться: дополнительные прогнозы тоже можно корректировать, а затем строить новые, если нужно.
Насколько точными получаются прогнозы
Точность прогноза зависит от качества данных, выбранных методов и периода, на который он составляется. Например:
- для прогноза на срок до месяца качество может составлять до 90–95%;
- для среднесрочного прогнозирования, примерно на квартал, хорошим результатом будет точность в 80%.
Многое также зависит от внешних факторов: насколько они сложные, легко ли их обнаружить и проанализировать, ярко ли выражено их влияние на спрос.
Как мы уже говорили, на точность влияет качество данных: полнота, корректность, подробность. Еще важны их обработка и интерпретация — правильно ли выделили зависимости. Чем качественнее данные и чем лучше продумана модель, тем точнее окажется прогноз.
Как используют результат прогнозирования
Обычно результат прогнозирования — это один большой прогноз, составленный из всех, которые построили за время работы. Его представляют в виде графиков и таблиц, которые показывают:
- как и насколько сильно менялся тренд продаж;
- насколько спрогнозированные данные отличаются от реальных;
- все ли факторы спроса действительно влияют на продажи, и так далее.
Таблицы и графики объединяют в дашборды, чтобы легко анализировать информацию.

Результаты прогнозирования могут помогать компании в принятии стратегических решений:
- по оптимизации бизнес-процессов. Прогнозы показывают, где можно сократить издержки, как организовать логистику и сколько бюджета на это выделить;
- снижению рисков. Прогнозы помогают предсказать возможные проблемы, например падение спроса, и подготовиться к ним;
- повышению эффективности. На основе прогнозов можно грамотно планировать объемы производства и закупок, чтобы избежать лишних запасов или нехватки товаров;
- работе с маркетингом. С помощью прогнозов решают, какие маркетинговые кампании дадут лучший результат и когда их проводить.
Какие существуют методы прогнозирования спроса
В целом современные методы можно разделить на несколько категорий: статистические, временные ряды, экспертные оценки и прогнозирование с помощью ML. Рассмотрим их по очереди.
Методы временных рядов. Помогают находить зависимости и внешние факторы в данных, чтобы воспроизвести поведение из прошлого и перенести его на прогноз. К методам временных рядов относятся:
- экспоненциальное сглаживание;
- ARIMA/SARIMA;
- скользящее среднее.
Обычно их используют для прогнозирования на короткие периоды — до двух-трех месяцев — и в периоды стабильных продаж. На временных промежутках больше полугода, а также при колебаниях спроса и сильном влиянии внешних факторов результат может быть неточным.
Статистические методы. Часто их применяют, чтобы обрабатывать временные ряды. С помощью таких методов анализируют взаимосвязи между переменными и оценивают вероятностные сценарии. К ним относятся, например:
- мультилинейная регрессия;
- метод анализа главных компонент;
- методы Монте-Карло;
- линейная регрессия.
Методы экспертных оценок. Их в основном используют, когда исторических данных слишком мало, чтобы построить точный прогноз. В таком случае обращаются к мнениям специалистов или экспертов. Затем их объединяют в общее решение с помощью разных подходов, например метода Дельфи.
На практике методы экспертных оценок используются довольно редко — они зависят от глубоких знаний специалистов. А результат таких прогнозов подвержен человеческому фактору.
Машинное обучение и нейронные сети. В последние несколько лет ML-методы стали популярным решением для прогнозирования. Их используют:
- для анализа огромных массивов данных, с которыми классические методы не справляются;
- для поиска скрытых закономерностей — незаметных для стандартного анализа, но важных для прогноза.
Машинное обучение хорошо проявляет себя при работе с данными, где очень много разнообразных признаков. В таком случае оно помогает серьезно повысить точность прогноза. Но если данные равномерные и стабильные, точность ML-методов снижается, потому что им неоткуда брать разнообразную информацию для обучения. В таких случаях классический анализ временных рядов может показать лучший результат.
Какие нейронные сети применяют для прогнозирования
Использование нейросетей — относительно новая, но набирающая популярность тенденция в прогнозировании. Чтобы рассчитать прогноз продаж, могут использовать разные виды нейронных сетей, например:
- многослойный перцептрон — относительно простая нейросеть, которая состоит из одного входного и нескольких скрытых слоев, а также выходного слоя. Каждый слой связан с последующим;
- рекуррентная нейронная сеть — в ней слои образуют направленную последовательность. Благодаря этому нейросеть может учитывать данные с предыдущих шагов. А значит, обрабатывать последовательные цепочки данных любой длины, например временные ряды;
- смешанная нейронная сеть — комбинация из нескольких архитектур нейросетей, каждая из которых работает со своим набором признаков или зависимостей.
Нейросети и ML-модели прогнозирования используют и как самостоятельное решение, и в комбинации с другими методами. Например, нейронная сеть может дополнять анализ, который провели методом временных рядов или статистическим.
Какие инструменты используют при прогнозировании
Для прогнозирования спроса подходят специальные программы, часто они так и называются — Demand Planning. Есть и универсальные инструменты, которые тоже используют для этой задачи. Вот некоторые из них:
- язык программирования Python. Его чаще всего применяют в машинном обучении, при анализе данных, разработке и обучении нейросетей. Кроме него, используют язык R;
- Jupyter Notebook или любая другая среда разработки, в которой есть визуализация, например DataSpell. В них можно писать код и сразу выводить его результат в документ, а также составлять интерактивные таблицы и дашборды;
- базы данных и SQL — в базах обычно хранятся данные о продажах, которые используют при прогнозировании. А с помощью SQL аналитик ищет, фильтрует и выделяет из баз нужную информацию.
В зависимости от сложности задачи набор инструментов может меняться — иногда хватает даже обычного Excel. Но скорее всего, в работе придется столкнуться с большинством из тех, что мы перечислили.
Что нужно знать, чтобы заниматься прогнозированием
Эту профессию называют по-разному: прогнозист, планировщик, деманд-менеджер или планер. Требования зависят от компании, но есть базовые навыки, которые нужны каждому, даже новичку:
- Знания в области математики и статистики. При работе используются аналитические и статистические методы, различные математические модели. Специалист должен понимать, как они работают, чтобы подобрать подходящий.
- Познания в экономике. Прогнозисту стоит разбираться в предметной области, то есть в том, как работает бизнес и формируется спрос. Это поможет глубже и точнее анализировать данные.
- Владение Python или R. Эти языки чаще всего используют при работе с данными, а также с моделями машинного обучения. Также понадобится уметь работать с фреймворками и библиотеками для ML и Data Science.
- Понимание работы баз данных. Чтобы быстро и грамотно извлекать из хранилища нужную информацию, нужно разбираться в том, как оно устроено и как управлять им с помощью SQL-запросов.
Прогнозистами часто становятся люди, которые до этого уже работали в аналитике данных или смежной сфере. Разница в том, что прогнозирование спроса — более узкая специализация. Но методы и подходы остаются во многом теми же.
Краткие выводы
- Прогнозирование спроса — это процесс предсказания будущего поведения покупателей на основе исторических данных.
- С помощью этих прогнозов компании снижают риски, оптимизируют процессы и принимают важные решения, такие как планирование закупок или запуск маркетинговых кампаний.
- Для прогнозирования используют разные методы: статистику, временные ряды, экспертные оценки, а также нейросети и машинное обучение.
- Прогнозисту важно разбираться в математической статистике и экономике, а также уметь работать с Python и базами данных.