Прогнозирование спроса: как планировать закупки без сложных формул

Прогнозирование спроса — это расчёт того, сколько товаров или услуг купят клиенты в будущем. Он строится на истории продаж, текущей ситуации на рынке и факторах, которые влияют на решения покупателей. Без него бизнес часто планирует закупки и производство «на глаз»: то заваливает склад ненужной продукцией, то сталкивается с дефицитом и теряет прибыль.

В статье разберём практические методы прогнозирования спроса, основные этапы работы и инструменты, с которыми получится составить прогноз даже при небольшом объёме данных.

Зачем бизнесу прогнозировать спрос

Оптимизация запасов. Представьте магазин детской одежды, который приобрёл к зиме 500 комбинезонов, а продал только 300. Остальные занимают место на складе, а вложенные в них деньги пока нельзя потратить на другие нужды. Прогноз помогает точнее рассчитывать объём закупок и не распродавать остатки себе в убыток.

Планирование бюджета. Бизнесу важно понимать не только сколько товара закупать, но и когда понадобятся деньги. Например, кондитерская готовится к 8 Марта: нужно купить больше ингредиентов, заказать упаковку и оплатить дополнительные смены сотрудников. Прогноз позволяет рассчитать эти расходы до того, как начнётся наплыв заказов.

Улучшение клиентского сервиса. Прогноз спроса помогает подготовиться к наплыву покупателей, чтобы им не приходилось ждать товар или доставку дольше обычного. Например, магазин товаров для дома может пополнить запасы популярных позиций перед сезоном ремонта, а служба доставки — нанять дополнительных курьеров перед праздниками.

Разделение спроса и продаж. Допустим, магазин привёз 100 пар кроссовок и распродал их за неделю. Возможно, он мог бы продать ещё 50, если бы они были в наличии. Поэтому важно различать прогноз спроса, который оценивает потребности покупателей, и прогноз продаж, который учитывает, сколько товаров бизнес сможет реализовать.

Основные методы прогнозирования спроса

Методы прогнозирования спроса — это способы понять, сколько товара или услуг понадобится покупателям в будущем. Начните с простого: среднего по прошлым продажам или оценки опытных сотрудников. Сложные модели пригодятся позже — когда накопится статистика хотя бы за год и потребуется учесть влияние цен, акций или погоды.

Качественные

Когда у компании ещё мало цифр, приходится опираться на опыт сотрудников и мнение покупателей. Такой подход особенно полезен при запуске продукта, выходе в новую категорию или изменении ассортимента.

Типы методов:

• Экспертные оценки. Владелец или сотрудники опираются на опыт и знание рынка. Например, управляющий цветочной лавки знает, что к 1 сентября спрос на букеты вырастет. Он заранее составляет несколько композиций в разных ценовых категориях и закупает больше цветов, чем обычно.
• Опросы покупателей. Компания спрашивает у клиентов, какие товары или услуги им интересны и что они планируют приобрести. К примеру, небольшая кофейня хочет добавить в меню холодные напитки. Владелец предлагает гостям выбрать из нескольких вариантов и по ответам решает, какие позиции оставить и сколько ингредиентов заказать.
• Метод Дельфи. Группа специалистов анонимно отвечает на одинаковые вопросы в несколько этапов. После каждого участники видят общие итоги и могут скорректировать мнение. Допустим, производитель детских товаров хочет понять, какие развивающие наборы будут лучше продаваться. Пять экспертов независимо называют фаворитов, затем знакомятся с ответами коллег и пересматривают свой выбор. Через несколько туров у компании остаётся два варианта.

Количественные

Эти методы считают будущий спрос по вашей статистике: продажам, заявкам или звонкам за прошлые периоды. Подходят, если у вас есть данные хотя бы за несколько месяцев.

Типы методов:

• Скользящее среднее. Компания складывает результаты за несколько последних периодов и делит сумму на их число — получается ориентир на будущее. Например, пекарня за три недели продала 990, 1 020 и 990 булочек — значит, в ближайшие семь дней нужно испечь около тысячи штук. Способ рабочий, если спрос устойчив.
• Экспоненциальное сглаживание. Похоже на предыдущий метод, но свежие данные весят больше старых, поэтому прогноз быстрее реагирует на перемены. Например, клиника полгода получала по 100 заявок в месяц, а после открытия второго кабинета — 130. Обычное среднее за этот срок даст примерно 105, а сглаживание — около 115, потому что сильнее опирается на последнее значение.
• Сезонные коэффициенты. Помогают учитывать, как меняется спрос в зависимости от времени года. Например, компания по установке отопительных котлов обычно получает 100 заявок в месяц, а осенью — 180. Значит, сезонный коэффициент составляет 1,8. Если сейчас компания получает 110 заявок, то в период осеннего пика можно ожидать около 200, если закономерность сохранится.
• Линейная регрессия. Показывает, как спрос зависит от цены, скидок или рекламы. Например, интернет-магазин заметил: каждые дополнительные 10 000 ₽ на продвижение приносят около 20 заказов. Если в следующем месяце бюджет вырастет на 30 000 ₽, можно ждать примерно 60 новых покупок. Для такого расчёта нужна статистика хотя бы за год, иначе совпадение легко принять за закономерность.

Методы на основе ИИ и машинного обучения

Обычно их используют компании с большим ассортиментом и накопленной историей продаж. Они помогают находить сложные связи, которые человек может не заметить.

• Градиентный бустинг и случайный лес. Алгоритм анализирует десятки факторов одновременно: акции, погоду, действия конкурентов, поисковые запросы и остатки на складе. Например, он может выявить, что в жаркие дни от +25 °C продажи мороженого растут в три раза.
• Нейросети. Работают с ещё большими объёмами данных и умеют находить неочевидные зависимости. Их используют, когда простой статистики уже не хватает, а точность прогноза критична для бизнеса. Например, ИИ анализирует фото с Недели моды, замечает, что бренды всё чаще показывают короткие жакеты с широкими плечами, и проверяет, растёт ли интерес к таким моделям в поиске. По этим данным и продажам прошлых сезонов магазин решает, какие жакеты закупить к новому.

Какой метод прогнозирования спроса выбрать

Всё зависит от того, какие данные есть у компании и что происходит со спросом. В таблице — методы и ситуации, в которых они применимы.

Как спрогнозировать спрос на практике

На примере интернет-магазина детской одежды разберём, как спланировать закупку зимних комбинезонов. Владелец знает, сколько таких товаров покупали в прошлом сезоне, и хочет определить объём новой партии.

Шаг 1. Сформулируйте задачу: что прогнозировать, зачем и на какой срок

В нашем случае магазин планирует новую закупку. Владельцу нужно рассчитать количество комбинезонов, чтобы не столкнуться с дефицитом в разгар сезона. Больше всего вещей приобретают с сентября по ноябрь, поэтому эти месяцы берём за основу прогноза.

Шаг 2. Соберите и проанализируйте данные о прошлых продажах

Выгрузите статистику за тот же период прошлого сезона и сведите её в таблицу по месяцам. Рядом с каждой цифрой отметьте, что происходило: скидки, перебои с поставками, нехватка размеров и прочее. Так вы поймёте, какие изменения связаны со спросом, а какие — с условиями продаж.

Например, магазин заносит в таблицу такие значения 👇

В ноябре продали меньше, чем в октябре, но это не обязательно означает падение спроса: часть людей могла не совершить покупку из-за отсутствия подходящего размера. Поэтому показатель за этот месяц нельзя использовать наравне с остальными.

Шаг 3. Выберите метод и постройте прогноз

В сентябре–ноябре спрос на комбинезоны относительно стабильный, без резких скачков. Поэтому используем скользящее среднее за три месяца после корректировки данных.

Сначала поправим ноябрь. Пока популярные размеры были в наличии, комбинезоны уходили так же быстро, как в октябре. Значит, при нормальном запасе за месяц продали бы около 120 штук — эту цифру и берём для расчёта.

Теперь найдём среднее за три месяца:

(80 + 120 + 120) / 3 ≈ 107 штук

Чтобы не столкнуться с дефицитом, если спрос окажется выше прогноза, добавьте к расчётному объёму 10–20%.

107 х 1,2 х 3 = 385 комбинезонов на сезон (с запасом 20%)

❗️ Итого ориентир на сезон — около 385 комбинезонов с запасом. Фактический объём новой закупки зависит от того, сколько товара уже есть на складе.

Шаг 4. Сравните прогноз с фактом и скорректируйте данные

После начала сезона сравнивайте расчёт с реальными продажами. Так можно заметить изменение спроса и понять, нужна ли корректировка оставшегося объёма.

Например, за сентябрь и октябрь магазин планировал продать около 214 комбинезонов, исходя из прогноза 107 штук в месяц. Фактически покупатели приобрели 250 штук. Отклонение составило:

(250 − 214) / 214 × 100% ≈ 17%

Магазин выяснил причину: в этом году похолодание началось на две недели раньше, поэтому спрос вырос. Если считать, что такая причина сохранится и в ноябре, прогноз можно скорректировать на 17%:

107 × 1,17 ≈ 125 штук

На складе осталось 135 комбинезонов — этого количества достаточно для скорректированного прогноза.

❗️ Запишите причины расхождений рядом с цифрами. В следующем сезоне эти заметки помогут точнее рассчитать закупку: например, учесть ранние холода или заложить больший запас популярных размеров.

Какими инструментами пользоваться

Электронные таблицы. Excel и Google — самый простой вариант для магазина или студии с небольшим ассортиментом. Например, владелец кофейни вносит туда продажи напитков по неделям, строит график и считает скользящее среднее одной формулой.

В Excel есть кнопка «Лист прогноза»: она сама нарисует продолжение линии на ближайшие месяцы с учётом сезонности. Из минусов: цифры по каждой позиции вносят вручную.

BI-системы. Программы для бизнес-аналитики, например Yandex DataLens или Visiology, используют, когда информация о продажах поступает из нескольких источников. Допустим, сеть пиццерий принимает заказы через сайт, агрегаторы доставки и по телефону. BI-система объединяет эти сведения и показывает динамику продаж за конкретный период.

ERP и учётные системы. Программы вроде «1С:Управление торговлей» или «1С:ERP» хранят в одном месте заказы, остатки и графики поставок. Их выбирают компании с сотнями позиций — например, оптовая база стройматериалов с тремя складами или сеть магазинов автозапчастей. Встроенные модули анализируют прошлые продажи и подсказывают, сколько закупить, чтобы товара хватило до следующего привоза.

Python и сервисы машинного обучения. Этот путь для крупных компаний со штатным аналитиком данных. Специалист программирует собственную модель и запускает её на удалённых серверах, например в Yandex DataSphere. Так маркетплейс с десятками тысяч товаров учитывает цены, акции, погоду и регион покупателя и каждое утро получает свежий прогноз по всему каталогу.

Прогнозирование спроса: выводы

• Закупки, бюджет и запасы проще держать под контролем, когда бизнес заранее представляет будущий спрос. Расчёт показывает, сколько товара понадобится в конкретный период, и помогает подготовиться к сезонному всплеску. Тогда склад не превращается в кладовку с неликвидами, а ходовые товары не заканчиваются в самый неподходящий момент.
• Выбор метода зависит от ситуации и объёма накопленной статистики. Новый товар — повод обратиться к экспертам и покупателям, стабильные продажи — посчитать среднее, а большой ассортимент и множество факторов — подключить машинное обучение. Начинать со сложных моделей сразу не обязательно: сначала стоит проверить, что покажут простые расчёты.
• Один раз посчитать прогноз и забыть о нём не получится. После начала продаж сравнивайте расчёт с фактом и разбирайтесь, откуда взялась разница: погода, акция, нехватка товара или другая причина. Такие наблюдения пригодятся в следующем прогнозе.

Прогнозирование спроса: частые вопросы владельцев бизнеса

Что такое прогнозирование спроса?

Это расчёт, который показывает, сколько товаров или услуг у вас захотят купить в будущем.

Какие существуют основные методы прогнозирования спроса?

Методы бывают качественными и количественными. К первым относятся экспертные оценки, опросы покупателей и метод Дельфи, ко вторым — скользящее среднее, экспоненциальное сглаживание, сезонные коэффициенты и линейная регрессия. Если позиций много, а на спрос влияет множество факторов, подключают машинное обучение.

Чем прогнозирование спроса отличается от прогнозирования продаж?

Прогноз спроса показывает, сколько товара или услуг захотят купить клиенты. Прогноз продаж отвечает на другой вопрос — какую выручку получит компания.

Как ИИ улучшает прогнозирование спроса?

ИИ помогает точнее рассчитать будущий спрос, когда на покупки одновременно влияют цены, скидки, погода, сезонность и действия конкурентов. Он находит связи между этими факторами и прошлым поведением покупателей, которые сложно заметить при обычном расчёте. Например, модель может показать, что в конкретном регионе продажи товара растут не только во время скидок, но и при определённой погоде.

Какие инструменты используются для прогнозирования спроса?

Выбор зависит от объёма продаж, количества товаров и сложности задачи. Небольшому магазину хватит Excel или Google Таблиц, а бизнесу с несколькими источниками информации пригодятся BI-системы. При большом ассортименте используют ERP, специализированные решения, Python и облачные сервисы машинного обучения.