Syntha Lab EN

Прогноз спроса: сглаживание, сезонные индексы, аналоги и контроль ошибки

Математика прогноза продаж для плана закупок и пополнения: скользящее среднее, экспоненциальное сглаживание, сезонные индексы, прогноз новинок по аналогам и метрики ошибки (WAPE, MAPE, смещение, tracking signal). По ним решают, каким методом считать план на каком горизонте и когда прогнозу перестать верить и пересмотреть закупку.

Математика и аналитика Бренд и ритейл Проверено: 2026-11-13

Открыть интерактивно →

Зачем этот документ

Документ читают планировщик и коммерческий директор, когда на прогнозе строится закупка, а закупка это деньги, замороженные в товаре. Он нужен потому, что у каждого метода своя область: скользящее среднее отстаёт от сезона, сезонные индексы ловят его, но не работают на новинках, где нужны аналоги. Метрики ошибки показывают, какому методу верить, а tracking signal ловит системное завышение или занижение раньше, чем это увидят по складу. Без контроля ошибки прогноз остаётся мнением.

Коротко

Что это за документ и зачем он нужен?
Математика прогноза продаж для плана закупок и пополнения: скользящее среднее, экспоненциальное сглаживание, сезонные индексы, прогноз новинок по аналогам и метрики ошибки (WAPE, MAPE, смещение, tracking signal). По ним решают, каким методом считать план на каком горизонте и когда прогнозу перестать верить и пересмотреть закупку.
Кто отвечает за документ и как часто его пересчитывать?
Аналитик спроса или планировщик закупок; пересчёт еженедельно (пополнение) и ежемесячно (план сезона); результат утверждается на S&OP и идёт в OTB, заказы и бюджет.
Какие ошибки встречаются чаще всего?
Прогнозируют продажи, а не спрос → дефицитные позиции недооценены, заказывают меньше → восстанавливайте спрос в дни без остатка. Выбирают метод по MAPE на малых SKU → результат определяют единицы с нулевыми продажами → оценивайте по WAPE и по группам. Подгоняют α и индексы по всему ряду и тут же проверяют на нём → ложная точность → скрытое окно, не участвующее в подборе.

Для кого

Бренд
Бренд прогнозирует спрос в двух слоях: sell-out партнёров и собственные каналы. Заказы на производство размещаются за 4–9 месяцев, поэтому главный горизонт сезонный, а точность по неделям вторична; ошибку считают на уровне модели и цвета, а не размера.
Ритейл
Ритейлер прогнозирует по магазину и категории с недельным шагом для пополнения и по сезону для закупки. Новинки без истории прогнозируют по аналогам; ошибка влияет на нехватку на полке и на остатки, поэтому смещение (bias) важнее MAPE.

Из чего состоит

Из чего состоит прогноз

  • Уровень (базовый объём), тренд (медленный рост или спад), сезонность (повторяющийся рисунок по месяцам и неделям), события (акции, праздники, погода) и случайный шум; хороший метод разделяет эти части, а не подгоняет одну линию.
  • Прогнозируют спрос, а не продажи: продажи при нехватке запаса занижены (цензурированный спрос); дни без остатка исключают или восстанавливают по доле размерной кривой.

Методы по возрастанию сложности

  • Наивный (последнее значение) и сезонный наивный (значение того же периода год назад) нужны как эталон: любой сложный метод обязан обыгрывать их.
  • Скользящее среднее по k периодам сглаживает шум, но отстаёт от тренда и не знает про сезон; экспоненциальное сглаживание L_t = α·y_t + (1 − α)·L_(t−1) даёт больший вес свежим данным; в примере лучший α по первым 24 месяцам равен 0,9 (ряд шумный и со сдвигами уровня).
  • Сезонные индексы: для каждого месяца берут отношение к среднему года, усредняют по годам и нормируют так, чтобы среднее индексов было 1; прогноз = сглаженный уровень десезонализированного ряда × индекс месяца.
  • В примере простое экспоненциальное сглаживание не обыграло наивный метод: WAPE 15,8 % против 15,5 %. Метод, не побивший эталон, не вводят: сглаживание без сезона не видит годовой рисунок, а выигрыш даёт сезонный индекс (7 %).

Новинки: прогноз по аналогам

  • Выберите 3–5 аналогов по категории, цене, сезону и роли в ассортименте; из их недельных продаж постройте профиль долей по неделям жизни (в примере первые две недели дают 31 % сезонных продаж).
  • Прогноз сезона новинки = продажи за первые недели ÷ доля этих недель в профиле: 310 шт. за две недели дают 1000 шт. на сезон; ошибка в раннем окне на ±10 % даёт ±10 % на итог, поэтому ранний пересчёт сопровождают интервалом.

Ошибка и контроль прогноза

  • WAPE взвешивает ошибку объёмом и не ломается на малых значениях (определение: термин «Ошибка прогноза (WAPE) и смещение»); MAPE усредняет проценты и перекошен малыми SKU; смещение показывает системное завышение или занижение.
  • Tracking signal = накопленная ошибка ÷ MAD (средний модуль ошибки); выход за ±4 (условный порог) означает системный сдвиг: прогноз надо пересмотреть, а не ждать.
  • Бренд: ошибку считают на горизонте заказа (за 4–9 месяцев), а не на неделе; Ритейл: на горизонте пополнения (1–4 недели) и отдельно на горизонте закупки сезона.

Бренд и ритейл: как отличается прогноз

  • Бренд: горизонт 4–9 месяцев до поставки: нужен прогноз сезона по модели и цвету с интервалом, а размерную разбивку делают по кривой после; недельная точность вторична.
  • Ритейл: горизонт 1–4 недели для пополнения и сезон для закупки: прогноз по магазину, категории и неделе с учётом дня недели, а недельная точность определяет нехватку на полке.
  • Бренд: слой sell-in (заказы партнёров) зависит от их складов и от условий, поэтому прогнозируют отдельно sell-out и поправку на запас партнёра; без этого эффект «закупились впрок» принимают за спрос.
  • Ритейл: акции и снижения цены ритейлер планирует сам, поэтому они входят в модель как известные события, а эффект промо оценивают по прошлым акциям и учитывают яму после акции.
  • Бренд: новинки бренда прогнозируют по аналогам и по предзаказам партнёров; ранний сигнал это доля предзаказа от потенциала партнёра, которая пересчитывается на сезон.
  • Ритейл: новинки ритейлера прогнозируют по аналогам и по продажам первых недель в пилотных магазинах; прогноз раскладывают по магазинам по доле категории магазина.
  • Бренд: ошибку прогноза бренд оценивает на уровне модели и цвета по сезону и сравнивает с фактическим sell-through; смещение вверх означает остатки у партнёров и возвраты.
  • Ритейл: ошибку прогноза ритейлер оценивает по категориям и неделям; смещение вниз означает потерянные продажи и пустую полку, смещение вверх означает остатки и снижения цены.
  • Бренд: tracking signal бренд смотрит по группам моделей раз в месяц; срабатывание даёт повод пересмотреть дозаказ ткани или слот на фабрике, пока это возможно.
  • Ритейл: tracking signal ритейлер смотрит по категориям и магазинам еженедельно; срабатывание запускает пересчёт параметров пополнения и перераспределение запаса между магазинами.

Откуда берутся данные

Источник данныхПоля
Учёт продаж и остатковПродажи и остатки по SKU, магазину и дню; признак «товара не было»; цена и скидка на дату.
Календарь событийАкции, праздники, погода, открытия и закрытия точек, смены календаря 4-5-4; без него события попадают в «шум».
Карточка товара и аналогиКатегория, цена, сезон, роль, список аналогов и их недельные профили продаж.

Как собрать по шагам

  1. Шаг 1. Определите горизонт и шаг: пополнение (недели, 1–4 вперёд), закупка сезона (месяцы, 4–9 вперёд). Для каждого горизонта свой метод и своя метрика.
  2. Бренд: Шаг 2. Соберите ряд по модели и цвету из отгрузок и sell-out партнёров; если sell-out нет, оценивайте спрос по отгрузкам с поправкой на склад партнёра.
  3. Ритейл: Шаг 3. Соберите ряд по магазину и категории; восстановите спрос в дни без остатка; события пометьте.
  4. Шаг 4. Посчитайте сезонные индексы по полным годам (минимум два, лучше три) и нормируйте на среднее 1.
  5. Шаг 5. Десезонализируйте ряд (факт ÷ индекс), подберите α по минимуму суммы квадратов ошибок на обучающем окне (сетка 0,05–0,95) и получите уровень.
  6. Шаг 6. Соберите прогноз: уровень × индекс периода; при наличии тренда добавьте его отдельно, а не завышайте α.
  7. Шаг 7. Для новинок постройте профиль аналогов и пересчитайте прогноз после первой-второй недели; зафиксируйте неделю контроля.
  8. Шаг 8. Проверьте метод на скрытом окне (последние 12 месяцев не участвуют в подборе) и сравните с наивным и сезонным наивным; метод, не обыгравший эталон, не вводят.
  9. Шаг 9. Заведите контроль: WAPE и смещение по горизонтам, tracking signal по группам; при выходе за порог запускайте разбор причин.
  10. Шаг 10. Передайте прогноз в OTB, заказы и бюджет вместе с интервалом ошибки: план закупок закладывают на медиану, запас прочности задают через страховой запас и риск.

Формулы

ПоказательФормулыПояснение
Экспоненциальное сглаживаниеL_t = α·y_t + (1 − α)·L_(t−1); прогноз_(t+h) = L_tα близко к 1 для ряда со сдвигами уровня, к 0 для стабильного; подбирайте на обучающем окне.
Сезонный индексI_m = (1/K)·Σ_k ( y_(k,m) / ȳ_k ), затем I_m := I_m / mean(I)K число полных лет; сдвигающиеся праздники (Пасха, Новый год по неделям) учитывайте календарём.
Прогноз «индекс × уровень»F_(t+h) = L̃_t · I_((t+h) mod 12), L̃ уровень ряда y/IТренд добавляют множителем (1 + g)^h, если он подтверждён.
MAPE и где WAPEMAPE = mean(|A−F|/A); WAPE и смещение определены в термине «Ошибка прогноза (WAPE) и смещение» и в расчёте «Точность прогноза по неделям»MAPE неопределён при A = 0; для разреженных рядов используйте WAPE.
Tracking signalTS_t = Σ_(i≤t)(A_i − F_i) / MAD_t, MAD_t = mean(|A_i − F_i|)Порог ±4 условный; при минусе прогноз выше факта, при плюсе ниже.
Прогноз новинки по аналогамQ_сезон = Q_ранние / Σ_(w≤W) s_w, s_w доли недель профиля, Σ s_w = 1Профиль нормируют на сезон; ранние недели с акцией или пополнением искажают долю.

Формулы в записи

Прогноз
F_{t+h} = L̃_t · I_{(t+h) mod 12}
Уровень десезонализированного ряда на индекс месяца.
MAPE
MAPE = mean(|A_t − F_t| / A_t)
Средняя процентная ошибка: перекошена малыми SKU; WAPE взвешена объёмом (термин «Ошибка прогноза (WAPE) и смещение»).
Смещение
Bias = Σ(F_t − A_t) / Σ A_t
Плюс: завышаем; минус: занижаем.
Прогноз по аналогам
Q_season = Q_early / Σ_{w ≤ W} s_w
Масштабирование ранних продаж на профиль аналога.

Пример с числами

Сравнение пяти методов на 12 месяцах скрытого окна (шаг вперёд, ряд из 36 месяцев)

МетодWAPE, %MAPE, %Смещение, %
Наивный (прошлый месяц)15,516,20,7
Сезонный наивный (тот же месяц год назад)76,52,2
Скользящее среднее 3 мес.20,621,92,7
Экспоненциальное сглаживание15,816,60,9
Сезонный индекс × сглаженный уровень770,9

Ряд из 36 месяцев сформирован кодом: уровень со сдвигами, годовой рисунок и шум. Лучший по WAPE метод «индекс × уровень» (7 %), ближайший конкурент сезонный наивный (7 %); методы без сезонности ошибаются вдвое сильнее (15,5–20,6 %). Новинка: 310 шт. за две недели при доле 31 % дают 1000 шт. на сезон. Данные учебные.

Рисунки

Факт и прогнозы на скрытом окне
Линейный график: Факт: 619 → 938; Индекс × уровень: 521 → 878; Прошлый год: 592 → 996; Скользящее среднее 3: 984 → 8395006007008009001 0001 100123456789101112Факт, 1: 619Факт, 2: 592Факт, 3: 695Факт, 4: 778Факт, 5: 784Факт, 6: 678Факт, 7: 549Факт, 8: 614Факт, 9: 881Факт, 10: 825Факт, 11: 810Факт, 12: 938Индекс × уровень, 1: 521Индекс × уровень, 2: 602Индекс × уровень, 3: 691Индекс × уровень, 4: 768Индекс × уровень, 5: 786Индекс × уровень, 6: 685Индекс × уровень, 7: 637Индекс × уровень, 8: 628Индекс × уровень, 9: 787Индекс × уровень, 10: 952Индекс × уровень, 11: 907Индекс × уровень, 12: 878Прошлый год, 1: 592Прошлый год, 2: 594Прошлый год, 3: 651Прошлый год, 4: 765Прошлый год, 5: 750Прошлый год, 6: 648Прошлый год, 7: 559Прошлый год, 8: 631Прошлый год, 9: 819Прошлый год, 10: 940Прошлый год, 11: 1 015Прошлый год, 12: 996Скользящее среднее 3, 1: 984Скользящее среднее 3, 2: 876Скользящее среднее 3, 3: 735Скользящее среднее 3, 4: 635Скользящее среднее 3, 5: 688Скользящее среднее 3, 6: 752Скользящее среднее 3, 7: 747Скользящее среднее 3, 8: 670Скользящее среднее 3, 9: 614Скользящее среднее 3, 10: 681Скользящее среднее 3, 11: 773Скользящее среднее 3, 12: 839тыс. ₽
  • Факт
  • Индекс × уровень
  • Прошлый год
  • Скользящее среднее 3
Данные таблицей
ПоказательФактИндекс × уровеньПрошлый годСкользящее среднее 3
1619521592984
2592602594876
3695691651735
4778768765635
5784786750688
6678685648752
7549637559747
8614628631670
9881787819614
10825952940681
118109071 015773
12938878996839

Факт и прогнозы на скрытом окне. Метод «индекс × уровень» следует сезонному рисунку; скользящее среднее отстаёт и сглаживает пики. По оси: месяц скрытого окна (1–12).

Ошибка методов: WAPE и MAPE
Столбчатая диаграмма: Наивный (прошлый месяц) 15,5, Сезонный наивный (тот же месяц год назад) 7, Скользящее среднее 3 мес. 20,6, Экспоненциальное сглаживание 15,8, Сезонный индекс × сглаженный уровень 70510152025Наивный (прошлый месяц)Наивный (прошлыймесяц)WAPE: 15,515,5MAPE: 16,216,2Сезонный наивный (тот же месяц год назад)Сезонный наивный(тот же месяц год…WAPE: 77MAPE: 6,56,5Скользящее среднее 3 мес.Скользящее среднее 3мес.WAPE: 20,620,6MAPE: 21,921,9Экспоненциальное сглаживаниеЭкспоненциальноесглаживаниеWAPE: 15,815,8MAPE: 16,616,6Сезонный индекс × сглаженный уровеньСезонный индекс ×сглаженный уровеньWAPE: 77MAPE: 77%
  • WAPE
  • MAPE
Данные таблицей
ПоказательWAPEMAPE
Наивный (прошлый месяц)15,516,2
Сезонный наивный (тот же месяц год назад)76,5
Скользящее среднее 3 мес.20,621,9
Экспоненциальное сглаживание15,816,6
Сезонный индекс × сглаженный уровень77

Ошибка методов: WAPE и MAPE. Сезонность вдвое снижает ошибку по сравнению с методами без неё.

Tracking signal при системном завышении прогноза
Линейный график: Tracking signal: 1 → −8,95; Порог +4: 4 → 4; Порог −4: −4 → −4−10−505123456789101112Tracking signal, 1: 1Tracking signal, 2: 1,62Tracking signal, 3: 2,45Tracking signal, 4: 3,33Tracking signal, 5: 3,97Tracking signal, 6: 4,21Tracking signal, 7: −1,71Tracking signal, 8: −3,36Tracking signal, 9: −3,78Tracking signal, 10: −6,44Tracking signal, 11: −8,05Tracking signal, 12: −8,95Порог +4, 1: 4Порог +4, 2: 4Порог +4, 3: 4Порог +4, 4: 4Порог +4, 5: 4Порог +4, 6: 4Порог +4, 7: 4Порог +4, 8: 4Порог +4, 9: 4Порог +4, 10: 4Порог +4, 11: 4Порог +4, 12: 4Порог −4, 1: −4Порог −4, 2: −4Порог −4, 3: −4Порог −4, 4: −4Порог −4, 5: −4Порог −4, 6: −4Порог −4, 7: −4Порог −4, 8: −4Порог −4, 9: −4Порог −4, 10: −4Порог −4, 11: −4Порог −4, 12: −4MAD
  • Tracking signal
  • Порог +4
  • Порог −4
Данные таблицей
ПоказательTracking signalПорог +4Порог −4
114−4
21,624−4
32,454−4
43,334−4
53,974−4
64,214−4
7−1,714−4
8−3,364−4
9−3,784−4
10−6,444−4
11−8,054−4
12−8,954−4

Tracking signal при системном завышении прогноза. С седьмого месяца прогноз завышен на 12 % (учебное искажение). В месяце 6 сигнал (4,2) выходит за порог +4 ещё до сдвига: это ложная тревога от шума. Реальный сдвиг порог −4 ловит в месяце 10 (−6,4); в месяце 9 сигнал ещё −3,8.

Ошибка и горизонт прогноза
Столбчатая диаграмма: 1 8,4, 2 11,1, 3 11,9, 6 21,3, 9 18,2, 12 7,3051015202511WAPE по горизонту, мес.: 8,48,422WAPE по горизонту, мес.: 11,111,133WAPE по горизонту, мес.: 11,911,966WAPE по горизонту, мес.: 21,321,399WAPE по горизонту, мес.: 18,218,21212WAPE по горизонту, мес.: 7,37,3%
Данные таблицей
ПоказательWAPE по горизонту, мес.
18,4
211,1
311,9
621,3
918,2
127,3

Ошибка и горизонт прогноза. Чем дальше горизонт, тем выше WAPE; на годовом горизонте помогает сезонный рисунок, поэтому ошибка не растёт монотонно.

Прогноз новинки при ошибке в ранних продажах
Столбчатая диаграмма: -20 % 800, -10 % 900, 0 % 1 000, +10 % 1 100, +20 % 1 20005001 0001 500-20 %-20 %Прогноз на сезон, шт.: 800800-10 %-10 %Прогноз на сезон, шт.: 9009000 %0 %Прогноз на сезон, шт.: 1 0001 000+10 %+10 %Прогноз на сезон, шт.: 1 1001 100+20 %+20 %Прогноз на сезон, шт.: 1 2001 200шт.
Данные таблицей
ПоказательПрогноз на сезон, шт.
-20 %800
-10 %900
0 %1 000
+10 %1 100
+20 %1 200

Прогноз новинки при ошибке в ранних продажах. Прогноз сезона линейно зависит от ранних продаж: ±10 % по первым двум неделям это ±10 % к итогу.

Особенности по категориям

Одежда
Сезонность двухпиковая (весна-лето, осень-зима) и зависит от погоды; индексы строят по сезонным группам (верхняя одежда, лёгкий трикотаж), а не по всей категории.
Обувь
Спрос идёт по размерам и по погодным переключениям (демисезон, зима); прогноз строят по модели с последующим разложением на размеры по кривой, а не по каждому размеру отдельно.
Аксессуары
Подарочные пики и сдвиги праздников; индексы по неделям вокруг даты, а не по месяцам; новинки прогнозируются по аналогам особенно часто, так как ассортимент обновляется быстро.
Детское
Рост детей и школьный календарь задают пик и размерные сдвиги; демография и ценовая чувствительность меняют уровень; прогноз по возрастным группам.
Мужское
Спрос ровнее, сезонные индексы выражены слабее, поэтому простого сглаживания часто достаточно; базовые позиции прогнозируют сглаживанием, сезонные модели по аналогам.
Женское
Модные волны и короткий жизненный цикл: доля новинок высока, поэтому доля прогнозов по аналогам и частота раннего пересчёта выше; смещение прогноза проверяйте по полной цене и по распродаже отдельно.

Типичные ошибки

  • Прогнозируют продажи, а не спрос → дефицитные позиции недооценены, заказывают меньше → восстанавливайте спрос в дни без остатка.
  • Выбирают метод по MAPE на малых SKU → результат определяют единицы с нулевыми продажами → оценивайте по WAPE и по группам.
  • Подгоняют α и индексы по всему ряду и тут же проверяют на нём → ложная точность → скрытое окно, не участвующее в подборе.
  • Не следят за смещением → систематическое завышение копится в остатках → контроль bias и tracking signal по группам.
  • Новинку прогнозируют по самому успешному «аналогу» → оптимистичный план → берите несколько аналогов и медиану профиля.
  • Прогноз принимают за обещание → план без интервала → показывайте диапазон и закладывайте запас через страховой запас, а не завышайте точку.

Особенности России

  • Ритейл: ряды по РФ-сезону зависят от региональной погоды и школьного календаря; индексы по федеральным округам или климатическим зонам лучше единого индекса сети, но требуют достаточной истории по магазинам зоны.
  • Бренд: часть партнёров не передаёт sell-out; тогда спрос оценивают по отгрузкам и остаткам партнёра по соглашению об обмене данными, а условия обмена фиксируют в договоре. Норма: ГК РФ ч. 2: Гражданский кодекс РФ, часть вторая (в том числе ст. 513, 713, 990, 1027) (проверка нормы не завершена).
  • Прогнозы по клиентам и когортам на персональных данных требуют согласий и обезличивания; в агрегированном прогнозе спроса идентификаторы людей не нужны. Норма: закон 152-ФЗ от 27.07.2006: Закон от 27.07.2006 № 152-ФЗ «О персональных данных» (проверка нормы не завершена).

Открыть интерактивно →