Сегодня расскажу про прогноз спроса в e-com: с чего начать и к чему прийти. Начнем с Moving Average, далее перейдем к машинному обучению.

Вот как это работает:
Шаг 1: Moving Average (скользящая средняя)
Что это:
Среднее значение продаж за последние N периодов (например, 30 дней).
Формула: (Продажи_день1 + ... + Продажи_день30) / 30

Когда использовать:

У вас стабильный товар без резких скачков
Нет сложной аналитики
Хотите быстро начать прогнозировать

Плюсы:

✅ Просто

✅ Быстро внедряется в Excel или Google Таблицы

✅ Лучше, чем интуиция

Минусы:

❌ Не учитывает сезонность

❌ Запаздывает за трендами

❌ Не реагирует на акции и рекламу

Шаг 2: Добавляем контекст
Улучшаем прогноз, добавляя факторы:
Сезонность (зима → теплая одежда)
Акции и скидки
Рекламные кампании
Изменения у конкурентов

Теперь прогноз = MA × коэффициент сезонности × эффект от рекламы

Результат:

Точность растет на 30–40%.

Шаг 3: Машинное обучение (ML)

Когда данных много, а ручная настройка уже не масштабируется - подключаем ML.

Что делает ML:
Анализирует сотни факторов одновременно
Находит скрытые паттерны (например, "если запущена реклама + началась осень → спрос вырастет на 68%")
Делает прогнозы по каждому SKU
Автоматически адаптируется к изменениям

Где используется:

Прогноз спроса (на день, неделю, месяц)
Оптимизация закупок
Предиктивная аналитика возвратов
LTV-моделирование

Результат:

Снижение затоваривания на 40%, дефицита - на 60%.

Вывод: не ждите идеального решения

Начните с Moving Average, такой прогноз лучше, чем ничего.

Добавьте контекст: сезонность, акции, рекламу.

Переходите к ML, когда:

Много SKU

Высокие издержки на ошибки

Планируете масштабироваться

Главное - не идеальный алгоритм, а система, которая учится и растет вместе с бизнесом.