23 ЯНВАРЯ 2026

Прогноз спроса в производстве: какие данные реально нужны

80% производственных компаний собирают данные для прогноза спроса, но только 15% используют их правильно. Остальные тонут в терабайтах информации, пытаясь учесть все факторы сразу — от курса доллара до фазы луны. Результат: прогнозы не работают, склады переполнены невостребованной продукцией, а клиенты уходят из-за дефицита нужных позиций. Разбираемся, какие данные действительно влияют на точность прогноза и как перестать собирать информацию ради информации.

Почему прогнозы не работают

Грязные исторические данные: в базе смешаны периоды дефицита (когда товар был не в наличии), промоакции и аномальные всплески спроса.
Фокус на метриках вместо решений: компании гордятся показателем ошибка прогноза 12%, но не могут ответить, сколько заказывать завтра.
Игнорирование структуры спроса: один товар продаётся стабильно, другой — скачками, но для всех применяется один метод.
Избыточная детализация: прогноз строится по каждому SKU и магазину, хотя бизнес планирует по категориям.

Базовый набор данных: минимум для старта

Начните с этих четырёх типов данных — их достаточно для первого рабочего прогноза:

❕ 1. Исторические продажи (минимум 12 месяцев)

Что собирать: фактические продажи в штуках или рублях по дням/неделям/месяцам. Не путать с отгрузками — важен момент продажи клиенту.

Критично: отметить периоды дефицита (когда товар закончился на складе) и промоакции. Продажи=0 не означает спрос=0. Если товара не было, спрос нужно восстановить по аналогам или средним значениям.

Типичная ошибка: использовать данные отгрузок дистрибьюторам вместо реальных продаж конечным клиентам. Это искажает картину на 20-40%.

❕ 2. Календарь событий

Что собирать: праздники, выходные, начало/окончание сезонов, корпоративные события (запуск нового продукта, ребрендинг).

Критично: для B2B — рабочие и нерабочие дни, для B2C — праздничные периоды и предпраздничные недели. Например, за неделю до Нового года продажи строительных материалов падают на 60%, а спрос на подарочную упаковку растёт в 3 раза.

Типичная ошибка: игнорировать отраслевые события. Для производства стройматериалов критичен старт строительного сезона (апрель-май), для пищевой промышленности — православные посты.

❕ 3. Данные о наличии и остатках

Что собирать: остатки на складе на момент продажи, периоды нулевых остатков (out-of-stock).

Критично: если товара не было в наличии 5 дней, а потом продали 100 единиц за день — это не значит, что спрос был только в этот день. Скрытый спрос за 5 дней дефицита нужно восстановить.

Типичная ошибка: не фиксировать дефицит в системе. Модель видит продажи=0 и считает, что спроса не было. Прогноз занижается, дефицит повторяется.

❕ 4. Промоактивности

Что собирать: даты, тип акции (скидка, подарок, 2 по цене 1), глубина скидки в процентах, каналы продвижения.

Критично: разделять базовый и промоспрос. Если не учесть, что всплеск продаж был из-за акции -30%, модель будет ждать такого же спроса без промо и переоценит прогноз.

Типичная ошибка: фиксировать только крупные федеральные акции, игнорируя локальные промо в отдельных магазинах или регионах.

Продвинутый уровень: данные для точности 85%+

Когда базовый прогноз уже работает, добавьте эти источники для повышения точности:

❕ 5. Внешние факторы спроса

Для B2C: погода (температура, осадки), поисковые запросы Яндекса/Google, тренды в соцсетях, цены конкурентов.

Для B2B: индексы деловой активности, курсы валют (если закупаете импортное сырьё), цены на сырьё, активность в отрасли (количество новостроек для производителя стройматериалов).

Пример: производитель мороженого учитывает температуру воздуха за неделю до поставки в магазины. При +25°C спрос в 2 раза выше, чем при +15°C. Добавление погоды в модель повысило точность с 78% до 89%.

❕ 6. Данные о клиентской базе

Для B2C: RFM-сегментация (давность, частота, сумма покупок), средний чек, средняя корзина, лояльность (повторные покупки).

Для B2B: история заказов ключевых клиентов, сезонность закупок по сегментам (розница vs HoReCa vs производство), договорные объёмы и планы клиентов.

Пример: производитель упаковки знает, что сеть супермаркетов всегда размещает крупный заказ в марте (подготовка к майским праздникам). Эта информация позволяет скорректировать прогноз на +15% в феврале-марте.

❕ 7. Данные о производстве и логистике

Что собирать: производственные мощности (сколько можем произвести), время производства, время доставки от склада до точки продаж, минимальная партия заказа.

Критично: если прогноз показывает спрос 1000 единиц, но производство может выпустить максимум 800 — это не ошибка прогноза, это ограничение мощностей. Нужен сценарий: или наращивать производство, или корректировать прогноз под реальность.

Как правильно структурировать данные

Прогноз точен настолько, насколько чисты и структурированы ваши данные:

Единый формат и детализация

Все данные должны быть в одном формате (даты, единицы измерения). Определите уровень детализации: SKU, категория, бренд, регион. Чем детальнее — тем точнее, но и сложнее. Для старта достаточно категорий.

Очистка от выбросов

Удалите аномалии: разовый заказ на 1000 единиц от корпоративного клиента не отражает реальный спрос розницы. Исключите данные с ошибками: отрицательные продажи, продажи товара до его запуска.

Восстановление скрытого спроса

Периоды дефицита (out-of-stock) помечайте отдельно. Используйте методы восстановления: среднее за аналогичные дни, продажи по похожим товарам, экспертные оценки отдела продаж.

Разделение базового и промоспроса

Создайте две метрики: базовый спрос (без промо) и промоспрос. Это позволит точно планировать: сколько продаётся естественным образом и какой эффект дают акции.

Типичные ошибки в работе с данными

❌ Ошибка 1: Собирать всё подряд

Что делают: подключают 50 источников данных, включая курс биткоина и активность в TikTok, хотя продают кирпич оптом.

Последствия: модель переобучается, точность падает, команда тонет в данных. Прогноз становится «чёрным ящиком», которому никто не доверяет.

Правильно: начните с 4 базовых источников, затем добавляйте по одному, измеряя влияние на точность. Если новый источник не улучшает прогноз — отключайте.

❌ Ошибка 2: Игнорировать качество данных

Что делают: загружают данные с ошибками, пропусками, разными форматами дат, не проверяют на дубли.

Последствия: модель учится на мусоре, прогноз искажается. Например, если в базе товар дважды учтён под разными артикулами, прогноз завысится в 2 раза.

Правильно: выделите время на очистку. Одна неделя на подготовку данных экономит месяцы на исправлении ошибок прогноза.

❌ Ошибка 3: Не учитывать специфику товара

Что делают: применяют одну модель ко всем товарам: к новинкам без истории, к стабильным хитам и к сезонным позициям.

Последствия: новинки прогнозируются как 0 (нет истории), сезонные товары — как стабильные (не учитывается пик спроса).

Правильно: сегментируйте товары по характеру спроса: стабильные (метод среднего), сезонные (Хольт-Винтерс), редкие (вероятностные модели), новинки (аналоги или экспертная оценка).

С чего начать: пошаговый план

Аудит текущих данных

Проверьте, какие данные у вас уже есть. Часто компании сидят на золотой жиле, но не знают об этом. Оцените полноту, качество, формат хранения.

Запуск простой модели

Начните с метода скользящего среднего или экспоненциального сглаживания на базовых данных (продажи + календарь). Цель — не идеальная точность, а первый работающий прогноз.

Измерение и улучшение

Сравните прогноз с фактом через 1-2 месяца. Определите, где модель ошибается больше всего (категории, периоды, регионы). Добавьте недостающие данные точечно.

Автоматизация и масштабирование

Когда модель работает на одной категории, расширяйте на весь ассортимент. Подключите автоматический сбор данных из CRM, ERP, складской системы.

Какие результаты даёт правильная работа с данными

Компании, которые структурировали данные и внедрили прогнозирование, получили:

20-30%

снижение излишков на складе

15-25%

сокращение дефицита

80-90%

точность прогноза (MAPE)

3-6 мес

срок окупаемости внедрения

Хотите навести порядок в данных и запустить прогноз спроса?

Проведём аудит ваших данных и покажем, какие источники критичны именно для вашего бизнеса. Соберём и структурируем данные, запустим первый прогноз.

Лайфхаки и рекомендации

— Начните с малого: не пытайтесь охватить весь ассортимент сразу. Выберите 1-2 ключевые категории (20% товаров, которые дают 80% оборота), отточите модель на них, затем масштабируйте.

— Привлекайте экспертов: менеджеры по продажам знают нюансы, которых нет в данных. Запрос на спецзаказ от крупного клиента, слухи о банкротстве конкурента — эти факторы невозможно «скормить» модели, но их нужно учитывать.

— Автоматизируйте сбор: ручной ввод данных в Excel — источник 50% ошибок. Подключите автоматическую выгрузку из учётных систем (1С, amoCRM, складской программы) хотя бы раз в неделю.

— Разделяйте прогноз и план: прогноз — это ожидание (что, вероятно, произойдёт), план — это цель (чего мы хотим достичь). Не подгоняйте прогноз под план, иначе он превратится в список желаний.

— Используйте разные горизонты: краткосрочный прогноз (неделя-месяц) — для операционного планирования, среднесрочный (квартал-полгода) — для закупки сырья, долгосрочный (год) — для стратегических решений о мощностях.

Частые вопросы

Сколько данных нужно для первого прогноза?

Минимум — 12 месяцев истории продаж. Этого достаточно, чтобы уловить сезонность и построить базовую модель. Оптимально — 24-36 месяцев: так модель увидит повторяющиеся паттерны и научится отличать тренд от разовых выбросов. Для товаров с долгим циклом (промышленное оборудование, стройматериалы) нужно 3-5 лет.

Как прогнозировать спрос на новинки без истории?

Используйте данные аналогов: похожие товары, та же ценовая категория, тот же сегмент клиентов. Если аналогов нет — экспертные оценки отдела продаж плюс тестовая партия (запустите 10-20% от планируемого объёма, оцените спрос, скорректируйте). Метод кластерного анализа: группируйте товары по характеристикам (цена, сезонность, целевая аудитория) и прогнозируйте новинку как среднее по кластеру.

Какие инструменты использовать для прогнозирования?

Для старта: Excel с надстройками (простые модели среднего, тренда). Для среднего бизнеса: модули прогнозирования в ERP (1С, SAP, Microsoft Dynamics), специализированные платформы (Forecast NOW, Loginom, Optimacros). Для крупных компаний: кастомные ML-модели на Python (библиотеки Prophet, ARIMA, XGBoost), интеграция с BI-системами. Выбор зависит от объёма данных, сложности бизнеса и бюджета.

Как часто нужно обновлять прогноз?

Зависит от динамики спроса. Для стабильных категорий (базовые товары повседневного спроса) — раз в месяц. Для волатильных (сезонные товары, модные категории) — еженедельно. Для скоропортящихся (продукты питания) — ежедневно. Важно: обновляйте не только прогноз, но и модель — переобучайте её на новых данных раз в квартал, чтобы она адаптировалась к изменениям рынка.

Что делать, если точность прогноза низкая?

Первым делом — аудит данных: проверьте на ошибки, дубли, пропуски. Второе — сегментация: возможно, вы применяете один метод ко всем товарам, а нужны разные подходы для разных категорий. Третье — добавьте недостающие факторы: внешние данные (погода, праздники), промо, дефицит. Четвёртое — пересмотрите метод: если используете простое среднее, попробуйте экспоненциальное сглаживание или регрессию. Если MAPE выше 20% после всех улучшений — возможно, ваш спрос хаотичен по природе, тогда фокусируйтесь не на точности, а на управлении рисками (страховой запас, гибкие поставки).

Хотите запустить прогноз спроса в вашем производстве?

Проведём бесплатный аудит данных и покажем, какой прирост точности планирования вы получите

Оставить заявку

Ссылки на исследования

McKinsey & Company (2024) — компании с точным прогнозом спроса сокращают запасы на 20-30% при росте доступности товара на 10-15%.
Gartner Supply Chain Research (2024) — 60% производственных компаний планируют увеличить инвестиции в системы прогнозирования спроса в ближайшие 2 года.
Boston Consulting Group (2024) — улучшение точности прогноза на 10 п.п. (например, с 70% до 80%) повышает EBITDA на 2-3% за счёт снижения издержек.