Прогнозирование продаж: что это, зачем считать и какие есть методы

Предположим, магазин закупает партию товара на квартал вперёд с запасом, чтобы уж точно хватило. Но через два месяца склад пустеет и приходится срочно договариваться о новой поставке. Так бывает, если заявку посчитали на глаз, без опоры на реальные продажи. Прогнозирование как раз помогает избежать таких сюрпризов.

В статье рассмотрим, чем прогноз отличается от плана, откуда брать и как готовить данные для расчёта, и главное — какие есть методы. Всё разберём на цифрах и реальных примерах.

Что такое прогнозирование продаж: разбираем на примере

Прогнозирование продаж — это, когда компания заранее прикидывает, сколько товаров получится реализовать за определённый срок, опираясь на историю продаж, сезон, текущие сделки и другие данные. Проще говоря, оно помогает найти ответ на вопрос: если всё пойдёт как обычно, сколько мы заработаем?

На основе этих расчётов бизнес решает, какое количество продукции закупать, как много менеджеров нанимать в отдел продаж, какие промо запускать и так далее. То есть во главе угла здесь стоит не эфемерное желание руководства, а реальные возможности компании.

При этом прогноз не обещает точную цифру, а показывает наиболее вероятный сценарий. Например, расчёт может показать выручку в 38 млн ₽, а по факту будет 35 или 41 млн ₽. Это нормально: цены меняются, конкуренты не дремлют, появляются новые тренды — заранее учесть всё это нельзя.

Но важно не путать прогноз с другими понятиями:

• Цель — чего бизнес хочет достичь.
• Прогноз — что получит при нынешних условиях.
• План — шаги, которые приведут к нужному результату.

👉 Магазин хочет вырасти на 20% к прошлому году — это цель. Прогноз при нынешних условиях даёт рост только на 8%. Значит, нужен план: весной запустить акцию, к лету расширить ассортимент, зимой выйти на новый рынок. То есть это связанные понятия, но не взаимоисключающие — их нельзя подменять друг другом или убирать из процесса.

Откуда брать данные и как с ними работать

Начать можно с простого — собрать историю продаж: дата и сумма каждой сделки. Но чем больше контекста, тем точнее прогноз. Поэтому ещё будет полезна такая статистика:

• количество заказов и средний чек,
• данные по заявкам и конверсии,
• остатки и информацию о дефиците товара,
• цены и скидки,
• расходы на рекламу и другие маркетинговые активности,
• данные об отгрузках и возвратах,

Обычно эти сведения уже есть в CRM, 1С, системе сквозной аналитики, кассе или эквайринге.

Как систематизировать данные. После сбора получится длинный список: сколько компания продала 1, 2, 3 июля и так далее. Для прогноза данные обычно группируют по одинаковым периодам — дням, неделям или месяцам.

Чтобы понять, за какой период объединять статистику, посмотрите на свою задачу. Например, менеджер кофейни решает, сколько бариста поставить в смену на следующей неделе. Тогда ему полезно анализировать продажи по дням — он узнает, когда выше загрузка и нужны дополнительные руки.

Как подготовить данные. Чтобы расчёты были корректными, нужно исключить:

• Разовые акции — они искусственно раздувают продажи.
• Дефицит — компания продала не сколько могла, а сколько было в наличии.
• Одна крупная сделка — если оптовик разово выкупил полугодовой запас, общая картина исказится.

Какой метод выбрать. Всё зависит от имеющихся данных: годовая история продаж, сделки в работе и прочее. В этой статье мы разберём несколько методов, ниже — короткий ориентир, к какому разделу идти в зависимости от вашей ситуации.

Прогноз по истории продаж: от простого к сложному

Для примера возьмём компанию, которая устанавливает кондиционеры для офисов и небольших производств: типичный сезонный B2B-бизнес. Известны заказы за прошлый год и первые шесть месяцев текущего. Нам нужно сделать прогноз на июль.

Метод 1. Скользящее среднее. Самый простой способ — посмотреть, сколько компания продавала в последние месяцы, и взять усреднённое значение.

Вернёмся к нашему примеру с кондиционерами и посчитаем прогноз на июль: (16,5 + 22 + 30,8) / 3 = 23,1 млн ₽. Проблема видна сразу: не учитывается сезонность, из-за чего цифры сильно занижены. Поэтому метод скользящего среднего подходит для товаров без ярко выраженных колебаний спроса — например, для хлеба, лекарств или кошачьего корма.

Метод 2. Линейный тренд. Если продажи ежемесячно растут или падают примерно на одну и ту же сумму, можно спрогнозировать тренд. Для этого строят линию на основе известных данных и дорисовывают её на будущие месяцы по аналогии.

Разберём на примере с кондиционерами. Чтобы посчитать тренд, нужно сделать таблицу в Excel с двумя колонками: А — номер месяца, В — количество заказов. В ячейку B8, которая относится к июлю, вводим формулу =ТЕНДЕНЦИЯ(B2:B7; A2:A7; A8), нажимаем Enter и видим число 30,9 млн ₽. То есть, в июле ожидаются продажи на эту сумму.

Если нужен прогноз ещё на несколько месяцев вперёд, просто впишите их номера в A9, A10 и протяните формулу вниз. Excel пересчитает линию под каждый новый месяц сам.

Линейный тренд учитывает только общее направление: продажи постепенно растут или снижаются. Поэтому он не подходит для нашего примера — метод не берёт в расчёт сезонный скачок. Из-за этого июльский прогноз получается заниженным. Так что его лучше использовать, когда показатели меняются плавно.

Метод 3. Сезонный коэффициент. Он подходит для компаний, у которых есть выраженные колебания продаж — как у тех же производителей кондиционеров. Принцип у метода такой: сначала выяснить, насколько продажи отклоняются от среднего, потом убрать эту разницу и вычислить линейный тренд, а затем вернуть поправку на сезонность.

Звучит немного путанно, но сейчас разберём на нашем примере для июля. В помощь также возьмём формулы Excel, чтобы не считать всё вручную. Сначала выясняем средние продажи за прошлый год. Для этого строим таблицу со столбцами: месяц, количество заказов за предыдущий и текущий годы. Затем в любую ячейку, пусть это будет G1, вводим формулу: =СРЗНАЧ(B2:B13). Получится 18,17 — это средние продажи за месяц.

Дальше считаем, во сколько раз июль отличается от среднего. В D8 вводим формулу: =B8/$G$1. Получится 1,93 — то есть в этом месяце продают почти вдвое больше. Это и называется сезонным коэффициентом. Протяните эту формулу на все строки B2:B13 — получите данные для всего года.

Далее прогнозируем июль на очищенных от сезона данных: в ячейку E8 введите функцию тренда: =ТЕНДЕНЦИЯ(E2:E7; A2:A7; A8). Получится около 20 млн ₽ — это прогноз на июль, если бы всплеска продаж не было.

Метод 4. ARIMA. Это модель прогнозирования, которая учитывает, как продажи связаны с прошлыми месяцами, насколько ряд отклоняется от тренда и где раньше ошибался прогноз. По сути, это более гибкая версия предыдущих способов, только без ручного расчёта.

Но анализ достаточно сложный, поэтому он оправдан, когда данных много и есть закономерности, которые тренд или сезонный коэффициент не улавливают.

Прогноз по истории и внешним факторам: регрессия и сложные модели

Иногда одной истории недостаточно. Например, бизнес поднял цены на 15%, и выручка относительно прошлого года резко выросла. Если смотреть только на историю, то обычный прогноз не сможет корректно учесть этот момент. В таких случаях лучше использовать более сложный анализ.

Парная регрессия. Метод подходит, когда нужно проверить связь продаж с одним фактором. Допустим, компания регулярно меняет расходы на рекламу и хочет узнать, как это влияет на прибыль. Тогда берём цифры за прошлые месяцы: сколько потратили на промо и сколько продали. По ним строим линию зависимости и подставляем туда бюджет на следующий период.

Множественная регрессия. В реальности на продажи редко влияет что-то одно. Обычно это целый набор: цена, реклама, число рабочих дней, сезон. Так что нужна более сложная формула.

Принцип тот же, что и в предыдущем методе, только факторов несколько и модель оценивает вклад каждого. Но добавлять в расчёт все показатели подряд тоже не стоит. Если их слишком много или они сильно связаны между собой, расчёты могут быть некорректными.

Многофакторные модели и машинное обучение. Регрессия строит прямую линию: если фактор Х вырастет на единицу, продажи изменятся на b — всегда на одну и ту же величину, при любых условиях. В реальности так бывает не всегда. Например, скидка в 10% может не влиять на продажи в обычный месяц, но разогнать их в предновогодний из-за высокого спроса. Для таких случаев нужны более сложные методы — например, модели машинного обучения, или ML.

Такая программа сама ищет эти закономерности в данных: вы не пишете формулу заранее, она строит её сама. Создают и обучают такие модели дата-аналитики или ML-инженеры. Процесс небыстрый и недешёвых, поэтому этот метод подходит, если истории накопилось действительно много и есть множество разных факторов.

Но и переходить полностью на ML просто потому, что данных много, тоже не стоит. Крупное исследование M4 Competition показало неожиданное: модели машинного обучения справлялись с прогнозом хуже, чем обычное усреднение простых методов вроде тренда и сезонности. Лучше всего сработал гибрид: сочетание привычной аналитики с машинным обучением.

Прогноз по текущим сделкам: Run Rate и Pipeline Forecast

Всё, что мы считали до этого, опиралось на прошлое. Но иногда важнее не история, а то, что происходит прямо сейчас — сколько уже продано в этом месяце и что в работе.

Закроется ли план: Run Rate. Компания продаёт с определённой скоростью первую половину месяца — логично ждать похожего темпа и во второй.

Допустим, к 16 июля продано на 6 млн ₽ при плане в 15 млн ₽ на месяц. Делаем прогноз по формуле: (6 / 16) × 31 ≈ 11,6 млн ₽ — почти на четверть меньше чем нужно. Значит, при таком темпе KPI не выполнится.

Сколько принесут сделки: Pipeline Forecast. Сложить суммы всех заказов и получить прогноз — соблазнительно, но некорректно. К примеру, заявка, по которой был только один звонок, далеко не всегда становится продажей. Но если вы уже всё обсудили с клиентом и подписали договор — другое дело.

Поэтому для каждого шага воронки нужно посчитать, с каким шансом закроется сделка. Например: есть сто заказов, которые дошли только до первого звонка. Из них купили десять. Значит, у стадии «первый звонок» шанс на успех — 10%. По такой логике считаем каждый этап, а затем сумму каждого заказа умножаем на шанс. То есть:

• Заказ на 500 тыс. ₽ с шансом 10% даёт в прогноз 50 тыс. ₽.
• Заказ на 300 тыс. ₽ с шансом 70% — уже 210 тыс. ₽.

Затем складываем такие суммы по всем заказам — и получаем прогноз.

Прогноз без данных: экспертные методы

Когда истории продаж нет, расчёты строят на мнении людей. Для этого есть несколько вариантов, которые отличаются способом сбора информации.

Метод Дельфи. Несколько экспертов оценивают продажи независимо друг от друга. Например, компания опрашивает пятерых аналитиков и узнаёт, что трое из них прогнозируют выручку на сумму 2–3 млн ₽ в первый месяц. Затем она обнародует результаты и просит пересмотреть свою оценку — уже с учётом мнения остальных участников. И так до тех пор, пока респонденты не придут к схожему мнению.

Опрос менеджеров по продажам. Каждый менеджер оценивает продажи по своим клиентам и прикидывает, сколько будет в следующем месяце. Эти оценки складывают вместе и получают общий прогноз. Логика простая: менеджер знает то, чего нет в CRM — например, что лид тянет с решением из-за смены бюджета на следующий квартал.

Метод аналогий. Здесь прогноз строят по релевантному примеру из жизни. Например, если компания открывает вторую кофейню в похожем районе, она берёт продажи первой в качестве ориентира.

Сценарии. Делают прогноз по трём вариантам развития событий, чтобы перестраховаться. Например:

• Пессимистичный — выручка 1 млн, если продажи пойдут медленно и спрос будет ниже ожиданий.
• Реалистичный — мы получим 3 млн ₽.
• Оптимистичный — если попадём в тренд или на чём-то хайпанём, сможем заработать 6 млн ₽.

Итак, мы разобрали методы от истории продаж до экспертных оценок. Ниже — шпаргалка, которая поможет выбрать подходящий именно вам.

КАРТИНКА

Как проверить точность расчётов

Holdout: скрыть кусок известного прошлого. Например, можно взять данные с января по июнь, но временно исключить последние два месяца, как будто их ещё не было. Далее рассчитать прогноз только до апреля и посмотреть, какие цифры будут на май и июнь. Затем сравнить их с тем, что произошло на самом деле. Если разошлось сильно — метод не подходит, лучше использовать другой.

Backtesting: повторить анализ много раз. Не стоит ограничиваться одной проверкой, ведь можно попасть на нестандарный месяц. Поэтому анализ лучше сделать несколько раз: сначала исключить только июнь и посмотреть, что покажет прогноз. Потом убрать май и так далее, сдвигаясь на один месяц. В результате получится не одно расхождение, а целый список. И по нему уже будет понято, ошибается прогноз постоянно или это была случайность.

MAPE: свести список ошибок к одному числу. Чтобы понять, насколько в среднем прогноз промахивается мимо факта, считают процент отклонения, а затем данные усредняют. Так получается показатель MAPE — средняя абсолютная ошибка в процентах.

Смещение: увидеть не размер ошибки, а её направление. MAPE не показывает, завышает или занижает показатели прогноз. Поэтому делают анализ по смещению, то есть ошибку считают ещё раз, но сохраняя знак плюса или минуса. Возьмём предыдущий пример: в мае отклонение -3,1, в июне уже -8, среднее из них получается -5,6 млн ₽ — это и есть смещение. Значит, прогноз в среднем занижает продажи на эту сумму каждый месяц.

Прогнозирование продаж: выводы

Прогноз продаж — это расчёт по статистике, которая у компании уже есть: истории заказов, сделкам в CRM или даже мнению экспертов. Методов много и выбирают их, исходя из имеющихся данных.

Начать стоит с простого: скользящее среднее в Excel считается быстро минут и уже даёт примерную цифру. Дальше её уточняют за счёт линейного тренда или коэффициента сезонности. При большом объёме данных и множестве факторов, которые могут влиять на продажи, стоит перейти к регрессии или более сложным моделям.

И главное — прогноз всегда ошибается, вопрос только в размере ошибки. Поэтому его точность проверяют на известных данных и находят проблемы.

Прогнозирование продаж: частые вопросы маркетологов

Сколько нужно данных, чтобы расчёт был точным?

Единого порога нет — зависит от метода и сезонности. Для скользящего среднего и тренда хватит нескольких месяцев. Если в продажах есть регулярные всплески, лучше иметь статистику за год-два: сезонный коэффициент требует хотя бы одного полного цикла. Для регрессии с несколькими факторами, ARIMA и ML-моделей нужно заметно больше наблюдений — годы и тысячи строк данных.

Как спрогнозировать продажи, если нет истории?

Через экспертные методы:

• Спросите менеджеров — они уже общаются с клиентами и чувствуют спрос.
• Посмотрите на похожий товар или бизнес и возьмите его продажи за ориентир.
• Соберите несколько независимых мнений от экспертов по методу Дельфи.

Какой способ прогнозирования самый точный?

Универсального ответа нет — точность зависит от того, насколько метод учитывает особенности бизнеса. Для сезонного скользящее среднее и линейный тренд систематически занижают прогноз в пиковый месяц. При этом для компании с более стабильными продажами они могут показать вполне реалистичные цифры.

Что делать, если факт сильно разошёлся с прогнозом?

Сначала проверить смещение — расчёт промахивается один раз или стабильно в одну сторону несколько месяцев. Если отклонение растёт, метод не подходит бизнесу, нужно выбрать другой.