Прогнозирование спроса: методы, этапы и реальные примеры внедрения. (тест)

На первый взгляд, вопрос звучит абсурдно, но если внимательнее разобраться, то можно выявить следующее: «если у товара значительное число фактов нулевых продаж (спрос на товар редкий), то все методы точечного прогнозирования (в том числе и сложные), будут давать плохой результат». Прогнозирование спроса кажется универсальным инструментом, но на практике есть ситуации, когда оно не работает.

Выходом из ситуации может стать применение специальных методов математического моделирования, позволяющих рассчитать накопительную вероятность возникновения спроса. То есть оценить не стараясь угадать число проданного, а посмотреть с какой вероятность может быть продан тот или иной объем товара. Это позволит нам понять, сколько товара необходимо хранить, чтобы обеспечить тот или иной уровень сервиса.

При упрощении механизм работает следующим образом. Специальное программное обеспечение проводит серию экспериментов (100 000 раз) о возможном спросе на товар на период поставки (в западной практике – lead time LT). Анализируется, сколько раз случился спрос разного объема. После этого строится накопительная вероятность распределения спроса (не более какого объема товара будет продано с разной вероятностью)

После этого учитывается уровень сервиса и рассчитывается оптимальный товарный запас, как значение спроса, соответствующее накопительной вероятности, равной уровню сервиса.

Более наглядно это можно посмотреть на следующем графике или таблице: (из программы Forecast NOW!):

 

Рис. 1 Уровень сервиса и оптимальный товарный запас на примере программы Forecast NOW!
 

На рисунке светло-синим построена накопительная вероятность. Оптимальный запас находится на пересечении выставленного уровня сервиса и накопительной вероятности.

Таким образом, применение подобных методов поможет сразу рассчитать оптимальный товарный запас для товаров редкого спроса.

Важным вопросом остается критерий отнесения товаров к редкому спросу:

Для этого считается среднее расстояние в днях между соседними фактами продаж. Если это число больше 1.25 дней, то перед нами редкий спрос, если меньше – гладкий.

Пример:

История продаж товара:

День	1	2	3	4	5	6	7	8
Спрос	3	0	6	4	0	0	7	9

Среднее расстояние между соседними фактами продаж = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1,75 >1,25 -> спрос редкий

Итак, резюмируем всё вышесказанное:

• Гладкий спрос  — когда продажи происходят регулярно, без больших разрывов. Например, хлеб или молочные продукты. Для таких товаров прогнозирование подходит: статистические и современные методы дают хорошие результаты.

• Редкий (интермиттирующий) спрос  — когда товар продаётся нерегулярно, с большим количеством нулевых продаж. Здесь обычные методы показывают низкую точность. Вместо этого применяют вероятностные модели: они не «угадывают» количество продаж, а рассчитывают вероятность того, что произойдёт продажа определённого объёма.

Но для товаров гладкого спроса без прогнозирования спроса не обойтись!

Для чего нужно прогнозировать спрос

Работа любого торгового предприятия неизбежно связана с проблемой оптимизации товарных запасов. Избыток товаров приводит к дополнительным финансовым издержкам, а недостаток – к потере постоянных покупателей и снижению объемов продаж. В обоих случаях происходит недополучение возможной прибыли, что в условиях острой конкуренции может стать причиной банкротства предприятия.

Одной из важнейшей составляющих поддержания оптимального ассортимента товаров является оперативное и долгосрочное прогнозирование спроса. Конечно, при планировании закупок можно ничего и не прогнозировать, используя как источник исходной информации устоявшийся или возникший уровень спроса. Однако такой устаревший подход в условиях динамично изменяющегося рынка и "избалованного" покупателя трудно назвать эффективным (за исключением небольших поселений, где имеется всего один магазин).

Прогнозирование спроса позволяет не только разработать оптимальный план закупок, но и эффективно управлять ресурсами предприятия. Так, например, зная, что в следующем месяце возникнет повышенный спрос не мороженое, можно будет заранее принять на работу продавцов, закупить холодильное оборудование и предусмотреть дополнительное финансирование. Если же все подобные мероприятия начать проводить в пик сезона, то все усилия могут оказаться напрасными и, даже убыточными.

Итак, прогнозирование спроса на предприятии играет стратегическую роль и затрагивает сразу несколько направлений бизнеса:

• Управление запасами.
  Если товар в избытке, компания замораживает оборотный капитал, несёт расходы на хранение и рискует списаниями. Если товара не хватает — падает лояльность клиентов и объём продаж. Точный прогноз спроса позволяет поддерживать оптимальный уровень запасов и повышать оборачиваемость.

• Планирование работы персонала и оборудования.
  Прогноз помогает компаниям готовиться к пиковым периодам. Например, если летом ожидается рост продаж мороженого, можно заранее нанять дополнительный персонал, закупить холодильное оборудование и заложить бюджет на рекламу.

• Финансовое планирование и маркетинг.
  Прогноз спроса позволяет прогнозировать денежные потоки, планировать маркетинговые кампании и рекламные акции. Инструменты прогнозирования используются для расчёта ROI кампаний, планирования скидок и оценки влияния промо-акций на продажи.

Без прогнозирования спроса бизнес работает «вслепую». Система прогнозов даёт компаниям возможность принимать обоснованные решения, а не реагировать только на фактические продажи.

Факторы, влияющие на спрос

Чтобы прогноз был точным, необходимо учитывать факторы, которые напрямую влияют на динамику продаж. Эти факторы делят на внутренние (контролируемые компанией) и внешние (независимые от бизнеса).

Внутренние факторы (контролируемые компанией)

1. Маркетинговые акции — временные скидки, промо, бонусные программы. Они резко повышают спрос, но после завершения акция часто вызывают падение.

2. Цены и ценовая политика — повышение или снижение цены изменяет эластичность спроса. Для некоторых категорий спрос растёт нелинейно.

3. Ассортимент и наличие на полках — отсутствие товара в продаже = упущенный спрос.

4. Каналы продаж — онлайн и офлайн дают разные паттерны покупок.

Внешние факторы (неконтролируемые компанией)

1. Сезонность — закономерные колебания: мороженое летом, обогреватели зимой.

2. Макроэкономика — доходы населения, инфляция, валютные колебания.

3. Действия конкурентов — акции, появление заменителей, новые бренды.

4. Погода и климат — влияет на FMCG, одежду, напитки, туризм.

5. Социальные и культурные события — праздники, спортивные чемпионаты, кризисы.

Аномалии и очистка данных

Исторические данные часто содержат выбросы:

• дефицит (когда товар закончился, но реальный спрос был выше),

• акции (резкий всплеск, нехарактерный для обычных продаж),

• ошибки в учёте.

Если их не учитывать, прогноз искажает картину. Поэтому в современных системах обязательно используется очистка данных и автоматическое выявление аномалий.

Таблица факторов, влияющих на спрос.
 

Категория	Фактор	Примеры влияния	Как учитывать в прогнозе
Внутренние	Маркетинговые акции	«-30%» на неделю → кратный рост продаж	Отметить в данных как промо, скорректировать модель
Внутренние	Ценовая политика	Снижение цены на 10% → рост на 15%	Использовать эластичность спроса, регрессионные модели
Внутренние	Ассортимент и наличие	Нет товара на полке → «нулевые продажи»	Восстанавливать скрытый спрос по аналогам
Внутренние	Каналы продаж	Онлайн ≠ офлайн	Строить отдельные прогнозы по каналам
Внешние	Сезонность	Лето → рост мороженого, падение обогревателей	Использовать сезонные модели (Holt-Winters, SARIMA)
Внешние	Макроэкономика	Инфляция, падение доходов	Включать макрофакторы в регрессионные модели
Внешние	Конкуренты	Запуск акции у конкурента	Добавлять как «шоковый фактор»
Внешние	Погода	+30°C → рост воды и кондиционеров	Включать погодные данные в прогноз
Внешние	События	Новый год, ЧМ по футболу	Добавлять календарь событий

Чем больше факторов учтено, тем выше точность прогноза. Ошибка в прогнозе чаще всего связана не с моделью, а с тем, что ключевые факторы не были учтены или данные не были очищены от аномалий.

Как прогнозировать спрос

Прогнозирование спроса можно осуществлять разными методами: от простых статистических подходов до сложных моделей машинного обучения. Выбор метода зависит от характера спроса, ассортимента и возможностей компании. Чтобы спрогнозировать спрос, разработано огромное количество теорий и специальных инструментов.

Инструменты для прогнозирования

Сегодня компании используют разные инструменты для прогнозирования спроса — от самых простых до полностью автоматизированных. Выбор зависит от масштаба бизнеса и количества товаров.

Специальное ПО 

Так, например, при планировании закупок для супермаркета не обойтись без специализированного программного обеспечения. Основная проблема здесь в огромном ассортименте товаров, который просто физически невозможно "удержать в голове". Кроме того, специальное ПО позволяет автоматизировать процесс подготовки заявок, что при больших объемах закупок дает возможность сэкономить массу времени. Рассмотрим 2 типа решения такого ПО: 

ERP/BI/SCM-модули

• Многие системы управления предприятием содержат встроенные модули прогнозирования.

• Они интегрируются с учётом продаж и запасов, но обычно используют базовые методы (среднее, скользящее, экспоненциальное сглаживание).

• Основное преимущество — интеграция с процессами компании, но точность прогнозов и гибкость ограничены.

Специализированные решения, например Forecast NOW! 

• Разрабатывался именно как инструмент для прогнозирования спроса и управления запасами.

• Объединяет классические методы (среднее, Хольт—Уинтерс, авторегрессия) и современные подходы (нейросети, вероятностные модели).

• Автоматически очищает данные от искажений: дефицитов, промо-акций, всплесков.

• Встроен в процессы закупки: прогноз сразу трансформируется в оптимальный заказ.

• Поддерживает настройку уровня сервиса: можно задать целевой % обслуживания клиентов, и система рассчитает нужный страховой запас.

Microsoft Excel (для малого бизнеса и ограниченного ассортимента)

При небольшом ассортименте товаров хорошие результаты в прогнозировании спроса можно получить с помощью стандартного приложения Microsoft Excel. Специальные статистические функции, такие как, например, ТЕНДЕНЦИЯ и РОСТ, позволяют без ввода сложных формул мгновенно обработать большие массивы информации. Богатые оформительские возможности Microsoft Excel помогут представить полученные данные не только в табличном виде, но и в более наглядном – в форме графиков и диаграмм.

• Подходит для небольших компаний, где ассортимент ограничен и можно вести прогнозы вручную.

• В Excel доступны базовые инструменты: функции ТЕНДЕНЦИЯ И РОСТ, скользящие средние.

• Преимущества: простота, доступность.

• Ограничения: Excel плохо работает с большим объёмом данных, не учитывает акции, сезонность и аномалии.

Вручную

Прогноз спроса на отдельные позиции товаров можно составлять и вручную. Так, например, если товар является новинкой, то даже самые мудреные статистические формулы и ранее накопленная информация иногда не помогут предугадать его популярность. В таких случаях приходится надеяться не на расчеты, а на интуицию и на дополнительные факторы (мнения покупателей, рекламная поддержка и т.п.).
 

Excel полезен для старта, ERP-модули — для базового уровня, но именно Forecast NOW! позволяет получить профессиональное качество прогнозов, интегрировать их с управлением запасами и реально снизить издержки.

Формулы и методы прогнозирования спроса

Методы, используемые при прогнозировании спроса, отличаются большим разнообразием – от наивных (предполагается, что спрос в следующем месяце будет такой же, как и в прошедшем) до применения в расчетах сложных экономических и математических теорий и их программных реализаций (нейронные сети). Выбор метода зависит от характера спроса, ассортимента и возможностей компании.

Метод Простой средней

Простейшим из подобных методов является использование вычислений по формуле "простого среднего". Прогноз спроса на следующий период при этом способе высчитывается как среднее арифметическое показателей спроса за все предыдущие периоды. Недостатком этого метода является его высокая "консервативность" – устаревшая информация о прежних продажах помешает проявиться последним тенденциям спроса.

Метод скользящего среднего

Более оперативно на изменение спроса реагирует метод "скользящее среднее". Расчет при этом производится не на основании данных за весь срок наблюдения, а за несколько последних периодов.

Ключевым вопросом является определение «окна скольжения» - за сколько последних периодов необходимо проводить усреднение. Чем больше этот период, тем больше совпадает прогноз по скользящему среднему с простым средним.

Определить период можно эмпирически на основании ошибки прогноза (RMSE) – рассчитать эту ошибку для разных периодов и выбрать оптимальный.

Период	3	4	5
RMSE	48,73	46,2	50,1

Очевидно, что оптимальным является период в 4 дня.

Интересной вариацией метода является расчет скользящей средней по определенным дням (то есть – для всех понедельников считается скользящая средняя за n последних понедельников, и т.д.) Такой метод может подойти товаров, обладающих ярко выраженной внутри недельной сезонностью (например, хлеб).

Метод средневзвешенной

Сочетанием вышеописанных методов является "метод взвешенного скользящего среднего". В этой модели вычисляется средневзвешенное значение на основании нескольких периодов, но более отдаленным периодам придаются меньшие веса. Таким образом, для расчетов можно брать более длительные наблюдения, но ограничить влияние на расчеты неактуальных данных.

Метод экспоненциального сглаживания

К сожалению, вышеперечисленные методы расчетов "по среднему" позволяют получить лишь очень приближенные результаты. Более точного прогноза можно добиться при использовании моделей "экспоненциального сглаживания" и "экспоненциального сглаживания с трендом". В первом методе последний прогноз объема продаж, корректируется на основе ошибки прогноза, допущенной в последнем периоде. При втором методе расчетов (называемом еще методом "двойного экспоненциального сглаживания") учитываются данные с трендами – благодаря этому данный метод может использоваться даже для среднесрочного прогнозирования.

Метод "Хольта-Уинтерса"

Для учета сезонности и общего тренда спроса применяется модель "Хольта-Уинтерса" (трехпараметрическое экспоненциальное сглаживание). Чтобы получить прогноз спроса в этом методе необходимо правильно подобрать три параметра. Для этого можно использовать как специальные алгоритмы, так и ограничиться простым перебором.

Метод Авторегрессии

При желании получить еще более совершенные прогнозы можно использовать модели "авторегрессии". Эта методика позволяет провести очень подробный анализ имеющихся данных, выявить любые тенденции и отсеять случайные влияния. Однако, в отличие от предыдущих методов, подбор множества параметров потребует от пользователя очень много усилий и времени.

Нейронные сети, генетические алгоритмы

Следует отметить, что чем более сложные методы прогнозирования используются, тем труднее их практическое применение и тем выше вероятность возникновения ошибок. Анализ огромных объемов информации, подбор оптимальных параметров, оперативный учет колебаний рынка – все это порой находится на пределе человеческих возможностей. Наиболее перспективным в решении этой проблемы является использование алгоритмов "нейронных сетей". В этой методике специальная программа после предварительного обучения способна самостоятельно найти лучшее решение – при этом пользователю не нужно вникать во все премудрости используемых теорий. Кроме того "нейронные сети" способны учесть не только явный тренд спроса и сезонность, но и скрытые тенденции и создать достоверный прогноз в такой нестабильной ситуации, где ранее прогнозирование считалось вообще невозможным.

По проведенным специалистами проекта «Forecast NOW» исследованиям прогнозирование нейронными сетями дает лучший результат, чем по всем вышеприведенным методам:

По оси Х показано количество товаров при анализе, по Y- а сколько процентов нейронные сети оказывается лучше, чем другой алгоритм в относительном выражении.

 

Рис. 2 Нейронные сети + Генетические алгоритмы (ГА) и экспоненциальное сглаживание
 

 

Рис. 3 Нейронные сети + Генетические  алгоритмы (ГА) и авторегрессия
 

 

Рис. 4 Нейронные сети + Генетические алгоритмы (ГА)  и метод Хольта Винтерса

Из рисунков видно, что прогнозирование нейронными сетями дает значительно лучший результат.

📊 Таблица методов прогнозирования

Метод	Уровень сложности	Когда применять	Преимущества	Недостатки
Простое среднее	Низкий	Стабильный спрос	Простота	Игнорирует тренды
Скользящее среднее	Низкий	Краткосрочные колебания	Быстро реагирует	Чувствительно к выбору окна
Средневзвешенное среднее	Низкий	Приоритет недавних данных	Учитывает «вес» последних периодов	Выбор весов субъективен
Экспоненциальное сглаживание	Средний	Сезонность и тренды	Гибкость, адаптивность	Требует настройки коэффициентов
Хольт—Уинтерс	Средний	Сезонные товары	Учитывает тренд и сезонность	Сложнее в настройке
Авторегрессия (AR, ARIMA)	Средне-высокий	Временные ряды	Глубокий анализ, выявление закономерностей	Сложная параметризация
Нейросети	Высокий	Большие данные, сложные зависимости	Учитывают нелинейность, выявляют скрытые зависимости	Требуют больших данных и ресурсов

Этапы прогнозирования спроса

Прогнозирование спроса — это не одноразовый расчёт, а последовательный процесс, где каждый шаг влияет на итоговую точность. Ошибка на начальной стадии (например, в данных) неизбежно искажает все последующие шаги. Поэтому компании выстраивают чёткий цикл: данные → очистка → выбор метода → расчёт → проверка → улучшение. Такой подход реализован и в Forecast NOW!, где весь процесс автоматизирован и прозрачен.

Шаг 1. Сбор и подготовка данных

Любой прогноз начинается с данных: без них невозможно увидеть закономерности и тренды. Важно собрать всю информацию, которая отражает не только продажи, но и контекст (наличие товаров, акции, логистические ограничения). На этом этапе формируется база, на которой дальше строится весь процесс прогнозирования.

Что собираем

• История продаж по SKU/точке/дню.

• Остатки и отказы (out-of-stock).

• Даты и параметры промо-акций.

• Логистические показатели: lead time, кратность заказа, сроки годности.

• Календарь сезонности и событий.

В Forecast NOW!: данные импортируются напрямую из учётных систем и проходят автоматическую проверку полноты и формата.

Шаг 2. Очистка данных (удаление выбросов, учёт акций)

Даже самые лучшие модели дадут ошибку, если в данные попали искажения. Дефицит, акции или ошибки учёта маскируют реальный спрос, и модель видит «шум» вместо закономерности. Поэтому перед расчётом прогноза нужно очистить данные и восстановить скрытый спрос, иначе прогноз будет систематически неточным.

Что исправляем

• Дефицит: продажи=0 не равны спросу=0 — скрытый спрос восстанавливается.

• Промо: всплески отмечаются и отделяются от «базового» спроса.

• Аномалии: ошибки загрузки, неверные значения.

Классификация спроса

• Гладкий (регулярные продажи).

• Интермиттирующий/редкий (много нулей).

В Forecast NOW!: встроенные алгоритмы автоматически помечают акции и дефициты, очищают данные и восстанавливают реальный спрос.

Шаг 3. Выбор метода прогнозирования

Не существует одного универсального метода — разные товары ведут себя по-разному. Для стабильных категорий достаточно простых моделей, для сезонных — нужны методы с учётом трендов, а для редкого спроса — вероятностные подходы. Правильный выбор метода определяет баланс между точностью прогноза и сложностью расчётов.

Варианты методов

• Гладкий спрос, короткий горизонт → простые модели (среднее, скользящее, экспоненциальное сглаживание).

• Сезонные товары → Хольт—Уинтерс, ARIMA, авторегрессия.

• Редкий спрос → вероятностные методы (Croston, квантильные прогнозы).

• Большой объём факторов → машинное обучение и нейросети.

В Forecast NOW!: система сама подбирает оптимальный метод под товар, сравнивая модели на истории (бэктест) и выбирая наиболее точный.

Шаг 4. Расчёт прогноза

Когда данные готовы и метод выбран, наступает этап непосредственного расчёта. Здесь формируется базовый прогноз и уточняются параметры (например, сезонность или уровень сервиса). Результат должен быть не только математически корректным, но и пригодным для практического использования в закупках и планировании.

Как считается прогноз

• Построение базового прогноза.

• Расчёт квантилей (P50, P80, P90) для учёта риска и уровня сервиса.

• Согласование прогнозов по иерархии: SKU → категория → склад → сеть.

• Учёт lead time и календаря поставок.

Пример формулы (экспоненциальное сглаживание):
Прогноз = α × Факт(последний) + (1−α) × Прогноз(предыдущий).

В Forecast NOW!: прогнозы рассчитываются автоматически, сразу с учётом сервиса, минимальных партий и логистических ограничений, чтобы результат можно было напрямую использовать в автозаказе.

Шаг 5. Проверка точности

Прогноз без проверки — это всего лишь гипотеза. Чтобы понять, насколько модель адекватна, используют метрики точности, сравнивают варианты и отслеживают смещение. Этот этап позволяет улучшать модель шаг за шагом и гарантировать, что прогнозы реально помогают бизнесу, а не создают иллюзию контроля.

Метрики точности

• MAD — среднее абсолютное отклонение.

• MAPE — ошибка в процентах, удобна для разных категорий.

• RMSE — чувствителен к большим промахам (приводился в старой статье).

• Bias — смещение прогноза (завышает или занижает).

Современный подход — FVA (Forecast Value Added)

• Проверка: улучшают ли ручные корректировки точность или мешают.

• Позволяет исключить «бессмысленные» изменения и сохранить полезные.

В Forecast NOW!: система автоматически считает все метрики, визуализирует ошибки на дашбордах и помогает контролировать качество прогноза в реальном времени.

Итоговый результат

Этапы прогнозирования спроса формируют полный цикл:

1. Данные собраны и очищены.

2. Выбран правильный метод.

3. Построен базовый и вероятностный прогноз.

4. Проверена точность и оптимизирован процесс.

Такой замкнутый цикл «данные → прогноз → проверка → улучшение» полностью реализован в Forecast NOW! и позволяет компаниям снизить издержки, избежать дефицитов и удержать высокий уровень сервиса.

Оценка точности прогноза спроса

Точность прогноза спроса играет ключевую роль: если модель систематически ошибается, это приводит к излишкам или дефициту. Поэтому для любой компании важно не только построить прогноз, но и оценить его качество.

Основные метрики:

• MAD (Mean Absolute Deviation, среднее абсолютное отклонение) — показывает, насколько в среднем прогноз отличается от фактических продаж. Чем меньше значение — тем точнее прогноз.

• MAPE (Mean Absolute Percentage Error, средняя абсолютная процентная ошибка) — выражает точность в процентах, удобно для сравнения разных товарных категорий. Например, MAPE = 10% означает, что прогноз в среднем ошибается на 10%.

• RMSE (Root Mean Squared Error, среднеквадратичная ошибка) — квадратный корень из среднеквадратичной ошибки. В старой статье уже приводился пример расчёта RMSE для скользящего среднего: этот показатель помогает выбрать оптимальное «окно сглаживания» и сравнить модели.

• Bias (Смещение прогноза) — показывает, в какую сторону чаще ошибается модель: завышает или занижает прогнозы. Если Bias > 0, значит прогноз систематически завышен, если < 0 — занижен.

Современные подходы:

• Forecast Value Added (FVA) — методика оценки того, насколько корректировки, вносимые человеком, реально улучшают прогноз. На практике часто бывает, что ручные изменения не повышают, а снижают точность. FVA позволяет выявить такие случаи и оптимизировать процесс планирования.

Без оценки точности невозможно внедрить прогнозирование спроса. В Forecast NOW! все ключевые метрики рассчитываются автоматически, а система показывает, где прогноз требует доработки, а где вмешательство аналитика излишне.

Кейсы и практические примеры

Эффективность прогнозирования спроса лучше всего видно на практике. Ещё в 2010-х активно обсуждалась идея применения нейросетей в прогнозировании. Они действительно показывали хорошие результаты для 4–6 % товаров с регулярным и «гладким» спросом. Но для большинства ассортимента, где спрос носит прерывистый характер, нейросети оказались нестабильны: требовали сложной подготовки данных, переобучались и не учитывали «пустые» продажи. Именно поэтому в Forecast NOW! перешли к вероятностным алгоритмам, которые лучше справляются с редким спросом и не зависят от постоянного ввода внешних факторов.

Сегодня это решение подтверждается реальными результатами внедрений:

• ГК «Энергомикс» — крупный дистрибьютор электротехники и товаров народного потребления. После внедрения Forecast NOW! оборачиваемость запасов сократилась в 1,5 раза, а потери от дефицита снизились на 20 % (Подробный кейс)
  Читать подробный кейс.

• Сеть «Лазурит» — федеральная сеть мебельных магазинов. Автоматизация заказов позволила учесть огромный ассортимент (разные коллекции и цвета), построить долгосрочные прогнозы на 6–12 месяцев и интегрировать их с 1С. Это повысило качество планирования и разгрузило категорийных менеджеров от рутинных расчётов.
  Читать подробный кейс.

• ГК «Толедо» — оптовый поставщик электромонтажного оборудования. До внедрения у компании был запас на 45–50 дней и дефицит более 4 %. После использования Forecast NOW! оборачиваемость улучшилась на 40 % (до 27–35 дней), а дефицит сократился до 1,4–1,7 %. При этом ассортимент вырос с 70 тыс. до 100 тыс. SKU, а продажи — на 50 %.
  Читать подробный кейс. 

Эти примеры показывают: грамотное прогнозирование спроса — это реальный инструмент для снижения издержек, минимизации дефицитов и повышения уровня сервиса.

 

Выводы
Сегодня прогнозирование спроса — это не только выбор метода, но и часть цифровой трансформации бизнеса. Оно связано с автоматизацией закупок, интеграцией в SCM, использованием машинного обучения и ИИ. Современные системы позволяют не просто прогнозировать, а сразу превращать прогноз в действие: рассчитывать оптимальные заказы, управлять страховым запасом и контролировать уровень сервиса.

Для прогнозирования спроса нужно:

1. Определить характер спроса на товар (если гладкий – прогнозирование нужно, если редкий – прогнозирование не нужно, можно рассчитывать оптимальный запас методами математического моделирования)
2. Определить способы прогнозирования спроса (если товарный ассортимент небольшой, то можно вручную или при помощи Excel, если большой – лучше использовать специальное программное обеспечение
3. Определить методы прогнозирования спроса (для некоторых товаров хорошо работают стандартные методы (см про скользящее среднее), в общем случае лучшие результаты достигаются нейронными сетями
4. Важно помнить, что прогнозирование спроса – лишь первое звено цепочки поставок, и даже самый точный прогноз спроса в случае неправильного управления запасами и пополнением не сможет обеспечить эффективность всей цепочки поставок. 

Прогнозирование спроса — это фундамент эффективного управления запасами. Компании, которые строят прогнозы системно и интегрируют их в процессы, получают конкурентное преимущество: меньше издержек, выше уровень сервиса, устойчивость к колебаниям рынка. А с решениями вроде Forecast NOW! прогнозирование перестаёт быть сложным «ручным» расчётом и становится частью ежедневной управленческой практики.