Прогнозування попиту: від Excel до ML

## Чому Excel вже не справляється Більшість компаній починають прогнозування попиту з Excel. Це логічно: зручно, знайомо, без додаткових витрат. Але в міру зростання бізнесу Excel перетворюється на пляшкове горлечко. Типові симптоми: аналітик витрачає 2-3 дні щомісяця на оновлення прогнозів вручну, формули стають занадто складними і крихкими, різні відділи використовують різні версії таблиць, сезонні коливання та зовнішні фактори не враховуються систематично. Наслідки для бізнесу: надлишкові залишки на складі заморожують оборотний капітал, дефіцит товарів призводить до втрачених продажів і незадоволених клієнтів, закупівлі робляться реактивно замість проактивно. ## Еволюція підходів до прогнозування Рівень 1 — Excel і ручне прогнозування. Базується на середніх значеннях та інтуїції. Працює для 50-100 SKU при стабільному попиті. Похибка (MAPE) зазвичай 25-40%. Рівень 2 — статистичні моделі. ARIMA, Holt-Winters, ETS — класичні часові ряди. Вимагають статистичних знань, але добре автоматизуються. Працюють для стабільних часових рядів без складних залежностей. Похибка 15-25%. Рівень 3 — ML-моделі. Gradient Boosting (LightGBM, XGBoost), нейромережі (LSTM, Transformer). Можуть враховувати сотні факторів: погода, свята, акції, ціни конкурентів, тренди соціальних медіа. Похибка 8-18% при якісних даних. Рівень 4 — ансамблі та спеціалізовані платформи. Поєднання кількох моделей, автоматична рекалібрація, human-in-the-loop. Для великих рітейлерів з тисячами SKU. Похибка 6-12%. ## Які фактори враховує ML На відміну від статистичних моделей, ML може одночасно враховувати десятки факторів впливу на попит. Внутрішні фактори: ціна товару та конкурентів, наявність акцій та їх тип, розташування на полиці або позиція у видачі, залишки та наявність у продажу. Зовнішні фактори: сезонність та календарні події (свята, початок школи, чемпіонат), погодні умови (для відповідних категорій), макроекономічні показники, тренди у пошуку та соцмережах. Категоріальні взаємозв'язки: канібалізація між схожими товарами, ефект доповнення (продажі кави впливають на продажі цукру), ієрархія категорій. ## Кейс: рітейлер із 3 000 SKU Компанія: регіональна мережа з 12 магазинів, 3 000 активних SKU, щомісячний оборот 15 млн грн. Проблема до ML: Excel-прогнозування займало 3 дні роботи категорійних менеджерів. Середня похибка прогнозу: 28%. Рівень out-of-stock: 8.5%. Надлишкові залишки: еквівалент 45 днів продажів. Підхід: впровадження LightGBM з 47 ознаками (включаючи погоду, свята, внутрішні акції). Горизонт прогнозу: 4 тижні. Гранулярність: товар × магазин × тиждень. Результати через 6 місяців: похибка прогнозу знизилась до 14% (MAPE). Рівень out-of-stock: 3.2% (скорочення вдвічі). Надлишкові залишки: 28 днів продажів (скорочення на 38%). Час аналітика на прогнозування: 2 години на тиждень замість 3 днів на місяць. Вивільнений оборотний капітал: ~3.5 млн грн. ## З чого почати перехід Крок 1: оцініть якість ваших поточних даних. Мінімум для ML: 2-3 роки щоденних або щотижневих продажів, дані про акції та ціни, календар свят та подій. Крок 2: визначте пріоритетний сегмент. Не починайте з усіх SKU одразу. Виберіть 50-100 найважливіших товарів для першого пілоту. Крок 3: встановіть базовий рівень. Виміряйте поточну точність прогнозів і вартість помилок (out-of-stock + надлишкові залишки). Без цього ви не зможете оцінити ROI від ML. Крок 4: запустіть пілот на 2-3 місяці. Порівняйте ML-прогнози з поточним підходом. Не замінюйте одразу — дайте систематичне порівняння на реальних даних. Прогнозування попиту — одна з найбільш зрілих та доведених областей застосування ML у бізнесі. При правильному підході ROI досягається за 4-8 місяців.