17 ноября 2026

Прогнозирование спроса: что это такое, методы расчёта и инструменты

Два риска преследуют любой бизнес, работающий с товарными запасами. Первый — дефицит: покупатель не находит нужный товар и уходит к конкуренту. Второй — избыток: деньги заморожены в остатках, склад перегружен, а часть товара рискует стать списанием. Оба варианта болезненны для выручки и репутации.

Прогнозирование спроса — склад с аналитическими графиками и данными

Прогнозирование спроса — системный процесс, который помогает удерживать баланс между этими двумя крайностями. В статье разбираем: что такое прогнозирование спроса, какие методы расчёта существуют, как выбрать подходящий, по каким метрикам оценивать точность и какие инструменты автоматизируют этот процесс.

image

Сделайте следующий шаг в карьере

Подберите обучение, которое поможет освоить новые компетенции

Выбрать курс

Что такое прогнозирование спроса

Прогнозирование спроса — системный процесс оценки будущего объёма потребления товаров или услуг с применением статистических, математических и AI-методов. Результатом становятся базовый прогноз (форкаст, от англ. forecast), план закупок и расчёт страхового запаса.

В цепочке поставок (Supply Chain Management) прогноз занимает первое место: производство, логистика, закупки и бюджет — всё строится на основе ожидаемого спроса. Ошибка здесь мультиплицируется по всей цепочке.

Горизонты прогнозирования:

  • Краткосрочный — до 3 месяцев. Используется для оперативного пополнения запасов.
  • Среднесрочный — 3–12 месяцев. Планирование закупок, производства, персонала.
  • Долгосрочный — от 1 года. Стратегическое планирование, инвестиции в мощности и ассортимент.

Прежде чем выбирать метод, важно понять тип спроса. Гладкий спрос — среднее расстояние между продажами менее 1,25 дня: товар продаётся регулярно. Редкий спрос — более 1,25 дня: между покупками проходят дни или недели. Это различие меняет всю логику выбора модели: для редкого спроса точечный прогноз почти всегда даёт большую ошибку.

Важно разграничить смежные понятия. Прогнозирование спроса отличается от прогнозирования продаж: продажи — это фактически совершённые сделки. Если товара не было в наличии, продажи зафиксируют ноль, хотя реальный спрос существовал. Неочищенная история продаж ведёт к систематическому занижению прогноза — один из главных источников ошибок при планировании спроса.

Временны́е ряды — основной формат входных данных: история продаж по каждому SKU, складские остатки, даты акций, lead time (время от заказа до поставки) и сезонный календарь.

Зачем прогнозировать спрос: задачи и применение

Прогноз нужен не только закупщикам. Четыре направления, где он напрямую влияет на финансовый результат:

Сфера
Задача
Результат
Управление запасами Определить оптимальный уровень остатков Снижение дефицита и заморозки капитала
Планирование персонала Рассчитать сезонную нагрузку Своевременный найм и распределение смен
Финансовое планирование Построить прогноз выручки и затрат Точный бюджет и оценка ROI акций
Маркетинг Оценить эффект промо-кампаний Корректный расчёт запасов под акцию

Применение прогнозирования спроса в бизнесе по направлениям.

Самое критичное направление — управление запасами. Именно здесь ошибка прогноза немедленно конвертируется в финансовые потери.

Управление запасами: как прогноз снижает дефицит и заморозку капитала

Дефицит (out-of-stock) — это не просто «товара нет на полке». Клиент, который не нашёл нужную позицию, уходит к конкуренту и нередко не возвращается. Следствие — падение выручки, снижение уровня сервиса, ухудшение репутации.

Избыток работает в другую сторону: деньги заморожены в запасах, растут расходы на хранение, скоропортящиеся категории рискуют списанием. Прогнозирование спроса позволяет рассчитать страховой запас — буфер против неопределённости. Он определяется как квантиль распределения спроса на период lead time при целевом уровне сервиса (например, P90 при LOS 90%). Чем точнее прогноз — тем меньший буфер нужен при том же уровне сервиса.

Ключевые KPI результата: оборачиваемость запасов, уровень сервиса (% позиций без дефицита), доля SKU с out-of-stock.

Планирование персонала, финансов и маркетинговых кампаний

Прогноз спроса лежит в основе сезонного планирования нагрузки. Зная пик продаж мороженого летом или ёлочных игрушек в декабре, компания заблаговременно нанимает временный персонал и арендует дополнительные мощности — а не реагирует постфактум.

Бюджетирование и финансовое планирование требуют ожидаемых объёмов: прогноз выручки, расчёт денежных потоков, оценка ROI маркетинговых акций — всё это строится от ожидаемого спроса на горизонте от месяца до года. Планирование производства тоже определяется этим показателем: объём выпуска, закупка сырья, загрузка оборудования.

Факторы, влияющие на точность прогноза спроса

Частая ошибка — думать, что ключ к точному прогнозу только в выборе модели. На практике ошибка чаще связана с неучтёнными факторами или «грязными» входными данными. Даже самый продвинутый алгоритм даст плохой результат, если получит неочищенную историю продаж с аномалиями и пропусками. Разберём оба источника проблем.

Внутренние факторы: акции, ценовая политика, ассортимент

Маркетинговые акции создают временные всплески спроса, после которых нередко следует провал ниже базового уровня. Если в данных не пометить даты промо, модель воспримет выброс как норму и даст искажённый базовый прогноз.

Ценовая политика влияет нелинейно: эластичность спроса (изменение объёма при изменении цены) различается по категориям. Регрессионный анализ позволяет оценить этот параметр и встроить его в модель прогнозирования.

Ассортиментные изменения — ещё один источник искажений. Если товар отсутствовал на полке, нулевые продажи в этот период не отражают реальный спрос: упущенный спрос нужно восстановить в данных. Онлайн и офлайн-каналы дают разные паттерны покупок — для каждого канала лучше строить отдельный прогноз.

Внешние факторы и очистка исторических данных

Внешние факторы — сезонность, макроэкономическая ситуация, действия конкурентов, погода, социальные события — не поддаются прямому контролю, но влияют на поведение потребителей. Их учёт требует либо включения в регрессионную модель, либо отдельной поправки к базовому прогнозу.

Аномалии в данных — системная проблема. Дефицит (нулевые продажи ≠ нулевой спрос), разовые акционные всплески, ошибки учёта — всё это искажает историю. Очистка данных не опциональный шаг, а обязательное условие: без неё прогноз будет систематически неточным вне зависимости от качества выбранного метода.

Работа с историческими данными, временны́ми рядами и прогностическими моделями — прикладной навык, который можно освоить с нуля. Если хотите разобраться глубже, посмотрите программу Data-аналитик: Python и SQL в анализе данных: от 29 900 ₽ со скидкой по господдержке, онлайн, без отрыва от работы.

Методы прогнозирования спроса: обзор подходов

Методы прогнозирования спроса делятся на три класса: качественные (экспертные суждения), количественные (статистические модели) и ML-методы (машинное обучение и нейронные сети). Каждый класс подходит для разных условий: горизонта, типа спроса, объёма данных и числа SKU.

Универсального метода не существует. Оптимальный способ выбора — бэктест: проверка нескольких моделей на исторических данных и выбор той, у которой минимальный MAPE. Дерево решений помогает сузить набор кандидатов перед бэктестом: от типа спроса (гладкий или редкий) — к наличию тренда и сезонности, затем к объёму SKU и внешним факторам.

Дерево решений для выбора метода прогнозирования спроса

Качественные методы: экспертные оценки и маркетинговые исследования

Качественные методы применяются там, где история продаж отсутствует или нерелевантна: новые продукты, выход на новые географии, нестандартные рынки.

Метод экспертных оценок опирается на суждения специалистов — коммерческих директоров, категорийных менеджеров, дистрибьюторов. Преимущество — учёт неформальных факторов (рыночные тенденции, переговоры с ключевыми клиентами). Ограничение — субъективность и возможные когнитивные искажения.

Метод Дельфи снижает субъективность через анонимный итеративный опрос группы экспертов. После каждого раунда участники видят усреднённые ответы и могут скорректировать позицию. Применяется для долгосрочного планирования спроса на горизонте 1–3 года.

Маркетинговые исследования — опросы потребителей и фокус-группы — дают прямой сигнал рынка. Метод дорогостоящий, но незаменим при выводе новинки, когда нет ни одной аналогии в исторических данных.

Когда применять: нет истории продаж, новый продукт, выход в новый регион или нестандартный рынок, где статистические модели не могут быть обучены на реальных данных.

Количественные методы: формулы и числовые примеры

Количественные методы используют исторические данные о продажах и временны́е ряды. Это основа прогнозирования спроса на основе статистики для большинства розничных и дистрибьюторских компаний.

Скользящее среднее (Moving Average): F(t+1) = (D(t) + D(t-1) + … + D(t-n+1)) / n

Пример с «окном» n = 3: Январь = 120, Февраль = 135, Март = 110 → прогноз на апрель = (120 + 135 + 110) / 3 = 121,7 ед. Оптимальное окно выбирается перебором: выбирают n с минимальным RMSE на исторических данных.

Экспоненциальное сглаживание: F(t+1) = α × D(t) + (1 – α) × F(t)

Параметр α (от 0 до 1) задаёт вес последних данных. Высокий α — быстрее реагирует на изменения, но чувствительнее к шуму.

Метод Хольта-Винтерса (трёхпараметрическое экспоненциальное сглаживание): учитывает уровень (α), тренд (β) и сезонность (γ). Оптимален для товаров с выраженной сезонностью и устойчивым трендом.

Авторегрессия ARIMA/SARIMA: детально анализирует лаговые зависимости во временно́м ряду. Сложная настройка, подходит для среднего и долгосрочного горизонта.

Регрессионный анализ: Y = a + bX. Позволяет встроить в модель внешние факторы — цену, промо-активность, сезонный индекс.

Пора сменить профессию? Начните с понятного плана

Подберите программу под ваш опыт, цели и желаемый формат занятости

  • Востребованные навыки без лишней теории.
  • Поддержку экспертов на каждом этапе
  • Помощь с выходом на рынок труда
Подобрать обучение
image
Метод
Формула (упрощённо)
Лучшее применение
Горизонт
Тип спроса
Скользящее среднее (D1+…+Dn) / n Гладкий без тренда Краткосрочный Гладкий
Экспоненциальное сглаживание α×Dt + (1–α)×Ft Быстро меняющийся Краткосрочный Гладкий
Хольт-Винтерс 3 параметра: α, β, γ Сезонный с трендом Кратко–средне Гладкий
ARIMA/SARIMA Авторегрессия + MA + сезонность Сложные ряды с циклами Средне–долго Гладкий
Регрессионный анализ Y = a + bX Спрос с внешними факторами Любой Гладкий

Прогнозирование спроса с помощью ИИ и машинного обучения

Машинное обучение и нейронные сети превосходят классику на больших массивах данных: тысячи SKU, несколько лет истории, сложные нелинейные зависимости. Они выявляют скрытые паттерны, которые статистические модели не улавливают.

Нейронные сети (LSTM, Transformer-based) работают как «чёрный ящик» — интерпретируемость низкая. Требуют минимум 2–3 лет истории и значительных вычислительных ресурсов. Prophet (open-source библиотека Meta) проще в настройке: хорошо справляется с суточной и недельной сезонностью, распознаёт выходные и праздники как отдельный фактор.

Для редкого спроса оптимальны вероятностные модели (метод Кростона и его варианты): они не прогнозируют точечное число продаж, а рассчитывают распределение вероятностей — из него выводится оптимальный запас при заданном уровне сервиса.

Параметр
Классика (Хольт-Винтерс)
ML (нейронная сеть)
Средний MAPE (FMCG) 12–18% 8–13%
Минимум истории 1–2 года 2–3+ года
Сложность внедрения Низкая Высокая
Интерпретируемость Высокая Низкая
Стоимость Низкая Высокая

Классические методы против машинного обучения: сравнение по ключевым параметрам. Данные ориентировочные — реальный результат зависит от категории и качества данных.

Как прогнозировать спрос: пошаговый алгоритм

Прогнозирование — не разовое действие, а повторяющийся цикл. Алгоритм из пяти шагов применим к любому типу бизнеса: от небольшого интернет-магазина до крупного дистрибьютора.

Шаг 1 — Определить тип спроса. Рассчитайте среднее расстояние между продажами по каждому SKU. Менее 1,25 дня — гладкий спрос, более 1,25 дня — редкий. Это решение определяет весь дальнейший выбор метода.

Шаг 2 — Собрать данные. История продаж по каждой позиции, складские остатки, даты маркетинговых акций, lead time поставщиков, сезонный календарь праздников и выходных.

Шаг 3 — Очистить данные. Восстановить скрытый спрос в периоды дефицита (когда продажи = 0, но реальный спрос был). Отделить «базовый» спрос от промо-пиков. Исключить ошибки учёта.

Шаг 4 — Выбрать метод по дереву решений. Тип спроса → наличие тренда и сезонности → объём SKU → внешние факторы. Итог — набор кандидатов для бэктеста.

Шаг 5 — Рассчитать прогноз и проверить точность (бэктест). Запустите несколько моделей на исторических данных, сравните MAPE. Выберите модель с наименьшей ошибкой. Итерируйте: прогноз должен обновляться регулярно — по мере поступления новых данных о продажах.

Пошаговый алгоритм прогнозирования спроса — 5 последовательных этапов

Как оценить точность прогноза спроса

Прогноз без измерения — гипотеза. Регулярная оценка точности — обязательная часть замкнутого цикла планирования и поставок. Пять метрик, которые используют специалисты по управлению запасами:

Метрика
Формула
Пример
Интерпретация
Порог
MAPE Σ|факт–прогноз|/факт × 100% 12% Ошибка в среднем 12% <10% — отлично; 10–20% — приемлемо; >20% — смена модели
MAD Σ|факт–прогноз| / n 45 ед. Среднее отклонение в единицах Зависит от масштаба SKU
RMSE √(Σ(факт–прогноз)²/n) 62 ед. Чувствителен к крупным выбросам Используется для подбора «окна» n
Bias Σ(прогноз–факт) / n +15 Систематическое завышение >0 → снизить α; <0 → повысить α
FVA MAPE(прогноз) – MAPE(с правкой) –2% Правки ухудшают прогноз FVA<0 → отключить корректировки

Порог MAPE в 10% — ориентир для товаров с гладким спросом. Для сезонных или нестабильных категорий приемлемый порог выше.

Forecast Value Added (FVA) — одна из редко обсуждаемых, но важных метрик. Она отвечает на вопрос: улучшают ли ручные корректировки точность прогноза? Если FVA отрицательный — аналитик в среднем ухудшает прогноз своими правками. В этом случае лучше довериться модели.

Bias сигнализирует о систематическом смещении: если прогноз регулярно выше фактических продаж (Bias > 0), стоит снизить параметр α в модели экспоненциального сглаживания. Если ниже (Bias < 0) — повысить.

Инструменты для прогнозирования спроса онлайн

Выбор инструмента зависит от масштаба бизнеса: количества SKU, бюджета, необходимых методов и интеграции с учётными системами (ERP-системами, 1С).

Инструмент
Тип
SKU
Бесплатно
Интеграция
Excel Таблица До 500 Да (пакет Office) Ручной импорт
Python + Prophet Open-source Без ограничений Да API, CSV
Forecast Pro Специализированное ПО 500–50 000 Нет Excel, ERP
SAP IBP Enterprise >50 000 Нет SAP ERP
Oracle Demantra Enterprise >50 000 Нет Oracle ERP
1С: ERP + DP ERP 1 000–30 000 Нет 1С, нативно

Прежде чем выбирать инструмент, полезно провести XYZ-анализ — сегментацию SKU по стабильности спроса. Товары группы X (коэффициент вариации CV < 10%) прогнозируются хорошо любым статистическим методом. Группа Y (CV 10–25%) требует комбинированного подхода. Группа Z (CV > 25%) — нестабильный спрос, лучше прогнозировать экспертными методами или вероятностными моделями. XYZ-анализ обычно применяется в паре с ABC-анализом и становится первым шагом перед выбором модели прогнозирования.

Логика выбора инструмента простая: Excel — для старта и малого ассортимента; специализированное ПО — когда SKU перевалило за несколько сотен; Enterprise-решения — для масштаба с тысячами позиций и интеграцией в корпоративную ERP. Автоматизация закупок на основе прогноза кратно снижает влияние человеческого фактора и высвобождает время аналитика для интерпретации, а не расчётов.

Цикл прогнозирования спроса: сбор данных, расчёт, проверка, улучшение

Часто задаваемые вопросы

Какой показатель MAPE считается хорошим при прогнозировании спроса?

MAPE ниже 10% — отличный результат для большинства категорий. Значение 10–20% считается приемлемым и встречается в FMCG и сезонных товарах. Если MAPE превышает 20%, стоит пересмотреть модель, проверить качество исторических данных или добавить учёт внешних факторов.

Чем прогнозирование спроса отличается от прогнозирования продаж?

Прогнозирование спроса оценивает реальную потребность рынка, включая случаи, когда товара не было в наличии. Прогнозирование продаж опирается лишь на фактически совершённые сделки, занижая истинный спрос при дефиците. Разница важна: неочищенная история продаж ведёт к систематическому занижению прогноза.

Нужно ли прогнозировать спрос для редко продающихся товаров?

Для товаров с редким спросом обычные методы не подходят — точечный прогноз будет давать большую ошибку. Вместо этого применяют вероятностные модели (метод Кростона), которые рассчитывают оптимальный запас через распределение вероятностей, а не пытаются угадать точное число продаж.

Можно ли прогнозировать спрос в Excel?

Да — Excel подходит для малого бизнеса с ассортиментом до 500–1000 SKU. Встроенные функции ТЕНДЕНЦИЯ и РОСТ реализуют трендовую экстраполяцию, надстройка «Анализ данных» позволяет строить скользящие средние. Ограничение: Excel не учитывает акции, аномалии и редкий спрос автоматически.

Какой метод прогнозирования спроса самый точный?

Нейронные сети показывают наибольшую точность при наличии большого массива данных (3+ года, тысячи SKU). Однако для компаний среднего размера метод Хольта-Винтерса или экспоненциальное сглаживание нередко сопоставимы по MAPE при значительно меньших затратах на внедрение.

Как сезонность влияет на выбор метода прогнозирования?

Выраженная сезонность (одежда, напитки, учебные принадлежности) требует методов, явно учитывающих цикличность: Хольта-Винтерса (три параметра: уровень, тренд, сезонность) или SARIMA. Простые методы — скользящее среднее, базовое экспоненциальное сглаживание — сезонность не учитывают и дадут высокую ошибку.

Что такое XYZ-анализ и как он связан с прогнозированием?

XYZ-анализ классифицирует товары по стабильности спроса: X (CV < 10%) — стабильный, Y (10–25%) — умеренный, Z (> 25%) — нестабильный. Результат определяет выбор метода: для X — статистические модели, для Z — экспертная оценка. Используется в паре с ABC-анализом для полной сегментации ассортимента.

Что такое FVA и зачем он нужен?

Forecast Value Added (FVA) — метрика, показывающая, улучшают ли ручные корректировки точность прогноза. Если FVA отрицательный, аналитик в среднем ухудшает прогноз своими правками — и от корректировок лучше отказаться. Это один из современных инструментов оптимизации процесса планирования.

Как рассчитать страховой запас на основе прогноза?

Страховой запас — буфер против неопределённости спроса и сроков поставки. Рассчитывается как квантиль накопительного распределения спроса на период lead time при целевом уровне сервиса (например, P90 для LOS 90%). Чем точнее прогноз — тем меньший буфер требуется при том же уровне сервиса.

Как часто нужно пересчитывать прогноз спроса?

Частота зависит от горизонта и отрасли: для FMCG и розницы — ежедневно или еженедельно; для производства — ежемесячно. Прогнозы «стареют» — чем дольше не обновляется модель, тем выше накапливается ошибка. Современные системы пересчитывают прогноз автоматически при поступлении новых данных о продажах.

Превратите интерес к теме в новую профессию

Оставьте заявку — поможем выбрать программу и расскажем об условиях обучения

Оставить заявку
icon