Холт-Винтерс, сезонная декомпозиция и метод Кростона: прогноз с трендом, сезоном и прерывистым спросом
Три метода, которые закрывают то, чего не умеют простое сглаживание и сезонный индекс: тройное экспоненциальное сглаживание (уровень, тренд, сезон), разложение ряда на тренд, сезонность и остаток, и метод Кростона для позиций, которые продаются не каждую неделю. Решение: каким методом прогнозировать растущую или падающую линию и редкие размеры и как показать интервал, а не одну точку.
Зачем этот документ
Документ читают планировщик и аналитик, когда простое сглаживание и сезонный индекс перестают работать. Холт-Винтерс нужен там, где у ряда есть и растущий или падающий тренд, и повторяющийся сезон: простое сглаживание такой ряд отстаёт, сезонный индекс не видит тренда. Разложение на тренд, сезон и остаток помогает понять, откуда пришёл рост. Метод Кростона нужен для позиций, которые продаются редко и по одной: обычные методы там дают ложную точность, а запас замораживается или заканчивается внезапно.
Коротко
- Что это за документ и зачем он нужен?
- Три метода, которые закрывают то, чего не умеют простое сглаживание и сезонный индекс: тройное экспоненциальное сглаживание (уровень, тренд, сезон), разложение ряда на тренд, сезонность и остаток, и метод Кростона для позиций, которые продаются не каждую неделю. Решение: каким методом прогнозировать растущую или падающую линию и редкие размеры и как показать интервал, а не одну точку.
- Кто отвечает за документ и как часто его пересчитывать?
- Аналитик планирования спроса; параметры пересматривают раз в сезон, прогноз обновляют ежемесячно (линии) и еженедельно (редкие позиции); результат читают закупки, планирование цепочки и финансы.
- Какие ошибки встречаются чаще всего?
- Подбирают α, β, γ по всему ряду и проверяют на нём же → ложная точность → скрытое окно, не участвующее в подборе. Линейный тренд продлевают на 18–24 месяца → прогноз улетает вверх или вниз → ограничивают горизонт или затухают тренд. Прогнозируют продажи, а не спрос, при частых нехватках → тренд и сезон занижены → восстановите спрос в дни без остатка.
Для кого
- Бренд
- Бренд прогнозирует линию или категорию на горизонте заказа (4–9 месяцев): Холт-Винтерс и декомпозиция дают базу с трендом, а Кростон нужен для редких артикулов склада допоставки.
- Ритейл
- Ритейлер применяет их к категории и магазину на горизонте закупки сезона и к редким размерам на горизонте пополнения (1–4 недели), где обычный WAPE вводит в заблуждение.
Из чего состоит
Когда простого индекса недостаточно
- Сезонный индекс и сглаженный уровень (документ про прогноз спроса) ошибаются, если у линии есть тренд: рост магазина, расширение ассортимента, падение категории. В примере ряд из 48 месяцев растёт примерно на 4,4 тыс. ₽ в месяц на фоне годового рисунка; метод без сезонности (Холт) на скрытом окне ошибается на 38,3 % WAPE, потому что не знает про декабрьский пик.
- Правило выбора: нет тренда и сезона, значит простое сглаживание; сезон без тренда, значит сезонный индекс; тренд и сезон вместе, значит Холт-Винтерс или декомпозиция; много нулей в ряду, значит Кростон. Метод, не обыгравший сезонный наивный, не вводят.
- Мультипликативная форма подходит, когда сезонный размах растёт вместе с уровнем (декабрь выше на 35 %, а не на 300 тыс. ₽); аддитивная, когда размах постоянен в рублях. Для продаж одежды обычно мультипликативная.
Тройное сглаживание Холта-Винтерса
- Три состояния обновляются на каждом шаге: уровень L (десезонализированный объём), тренд T (прирост уровня за период) и сезонные коэффициенты S по позициям внутри года. Параметры α, β, γ из диапазона 0–1 задают, насколько быстро метод забывает прошлое по каждому состоянию.
- Параметры подбирают сеткой по минимуму суммы квадратов ошибок на шаг вперёд на обучающем окне (36 месяцев). В примере выбраны α = 0,2, β = 0,01, γ = 0,05: уровень реагирует умеренно, тренд и сезон почти не дёргаются. Малые β и γ защищают от шума, но замедляют реакцию на реальный излом.
- Прогноз на h шагов: (L + h·T)·S. На скрытом окне из 12 месяцев метод даёт WAPE 4,4 % против 6,2 % у сезонного наивного. Интервал 80 % строят по остаткам на шаг вперёд с ростом ширины как √h; в примере в него попали 11 из 12 месяцев, то есть интервал консервативен.
- Ритейл: для нового магазина без истории тренд и сезон берут у магазинов-аналогов формата и города; собственный Холт-Винтерс включают после 24 месяцев.
Сезонная декомпозиция
- Классическое разложение: тренд берут центрированным скользящим средним 2×12 (убирает сезон и шум), делят ряд на тренд, усредняют отношения по месяцам, нормируют индексы на среднее 1 и получают остаток. Тренд на будущее продлевают линией по скользящему среднему. В примере WAPE на скрытом окне 3,6 %, а разброс остатка 2,5 %.
- Остаток читают как диагностику: повторяющиеся всплески в одной неделе значат пропущенное событие (акция, перенос праздника), серия одного знака значит, что тренд построен неверно. Декомпозиция прозрачнее для собственника, Холт-Винтерс удобнее при ежемесячном обновлении.
- Метод требует минимум двух полных лет, лучше трёх; для линий короче двух лет сезон берут из аналогов, а не из собственной истории.
- Бренд: сезон опта опережает розницу на 2–4 месяца (закладка партнёров), поэтому индексы считают отдельно по каналу, иначе пик отгрузок читается как пик спроса.
- Ритейл: сезон зависит от региона и погоды, поэтому индексы по климатическим зонам или группам магазинов точнее единого индекса сети, если истории по группе достаточно.
Метод Кростона для прерывистого спроса
- Если в ряду много нулей, обычное сглаживание даёт прогноз, который прыгает вниз после недель без продаж и вверх после продаж. Кростон сглаживает отдельно размер продажи z и интервал p между продажами и берёт прогноз z/p. В примере из 300 смоделированных позиций доля недель с продажей в среднем 30 %.
- Смещение метода известно: он завышает скорость спроса. Поправка Сиртеса-Бойлана-Сиртеса умножает прогноз на (1 − α/2). Против известной истинной скорости спроса: смещение Кростона 6 %, SBA 0,7 %, среднеквадратичная ошибка 28 % и 26 % против 69 % у скользящего среднего 8 недель.
- Для редких позиций WAPE по неделям почти всегда близок к 100 %: нулевой прогноз «ошибается» меньше любого ненулевого. Качество проверяют по накопленному спросу за срок поставки и по доле случаев нехватки, а не по недельной ошибке.
Бренд и ритейл: где что применять
- Бренд: Холт-Винтерс по линии и каналу на месячной сетке для плана заказа и OTB; декомпозиция остатка помогает отделить эффект коллекции от тренда канала.
- Ритейл: по категории и магазину на недельной или месячной сетке; тренд магазина учитывают после открытия, ремонта и смены соседей.
- Бренд: Кростон нужен для артикулов склада допоставки и для крайних размеров, где недельная отгрузка нулевая; страховой запас считают по накопленному спросу срока поставки.
- Ритейл: Кростон нужен для размеров в магазине и аксессуаров с долей нулевых недель выше половины; результат идёт в min-max пополнения.
- Бренд: границы интервала переводят в сценарии заказа (оптимистичный, базовый, осторожный), а не показывают собственнику как гарантию.
- Ритейл: интервал прогноза определяет страховой запас и размер закладки под акцию; выход факта за интервал два месяца подряд запускает пересчёт параметров.
Откуда берутся данные
| Источник данных | Поля |
|---|---|
| Продажи по месяцам и неделям | Ряд не короче 24 месяцев (лучше 36), восстановленный спрос в дни без остатка, события помечены; для Кростона недельные продажи в штуках по SKU и размеру. |
| Календарь и события | Акции, переносы праздников, открытия и закрытия, смена календаря 4-5-4; их убирают из ряда или моделируют отдельно. |
| Аналоги | Профили сезона аналогичных линий для коротких рядов; границы доверия по истории ошибок. |
Как собрать по шагам
- Шаг 1. Постройте месячный ряд, очистите его от событий и дней без остатка; проверьте длину (минимум два полных года).
- Бренд: Шаг 2. Возьмите ряд по линии и каналу из отгрузок и sell-out; отдельно отметьте предзаказы и закладку партнёров, которые искажают тренд.
- Ритейл: Шаг 3. Возьмите ряд по категории и магазину; уберите месяцы закрытия и ремонта, перенесите акции в отдельный признак.
- Шаг 4. Выберите форму сезона: мультипликативная, если размах растёт с уровнем; проверьте на графике «ряд ÷ тренд».
- Шаг 5. Оставьте последние 12 месяцев как скрытое окно; на остальном подберите α, β, γ сеткой по сумме квадратов ошибок на шаг вперёд.
- Шаг 6. Посчитайте прогноз на скрытом окне и сравните WAPE и смещение с сезонным наивным и с декомпозицией; выберите метод, который обыгрывает эталон.
- Шаг 7. Постройте интервал 80 % по остаткам на шаг вперёд (ширина растёт как √h) и проверьте, сколько фактов в него попало.
- Бренд: Шаг 8. Для редких артикулов склада допоставки посчитайте Кростона с поправкой SBA и спрос за срок поставки; результат передайте в страховой запас.
- Ритейл: Шаг 9. Для размеров и аксессуаров с долей нулей выше 50 % замените скользящее среднее на Кростона в min-max пополнения; контролируйте нехватку, а не недельную ошибку.
- Шаг 10. Зафиксируйте частоту пересчёта параметров (раз в сезон) и условие внепланового пересчёта (факт вне интервала два периода подряд).
Формулы
| Показатель | Формулы | Пояснение |
|---|---|---|
| Холт-Винтерс (мультипликативный) | L_t = α·y_t/S_(t−m) + (1−α)·(L_(t−1)+T_(t−1)); T_t = β·(L_t−L_(t−1)) + (1−β)·T_(t−1); S_t = γ·y_t/L_t + (1−γ)·S_(t−m) | m = 12 для месяцев, 52 для недель; параметры от 0 до 1. |
| Прогноз на h шагов | F_(t+h) = (L_t + h·T_t)·S_(t+h−m·⌈h/m⌉) | Линейный тренд на длинном горизонте завышает рост: ограничивайте горизонт или затухайте тренд. |
| Индекс сезона по декомпозиции | Ĩ_i = mean_k( y_(k,i) / MA_(k,i) ); I_i = Ĩ_i / mean(Ĩ) | MA центрированное 2×12; на краях ряда оно не определено. |
| Остаток и разброс | e_t = y_t / (Trend_t · I_t) − 1; s_e = √[ Σ(e_t − ē)² / (n − 1) ] | Выборочное СКО, делитель n−1. |
| Кростон | z_t = α·y_t + (1−α)·z_(t−1), p_t = α·q + (1−α)·p_(t−1) (только в неделях с продажей); F = z/p | q число недель с прошлой продажи; α около 0,1. |
| Поправка SBA и спрос за срок поставки | F_SBA = (1 − α/2)·z/p; D_L = L·F_SBA | Страховой запас для редких позиций считают по распределению D_L, а не по нормальному приближению недельного спроса. |
Формулы в записи
- Холт-Винтерс: уровень
L_t = α·y_t / S_{t−m} + (1 − α)·(L_{t−1} + T_{t−1})
Десезонализированный уровень.- Холт-Винтерс: тренд
T_t = β·(L_t − L_{t−1}) + (1 − β)·T_{t−1}
Прирост уровня за период.- Холт-Винтерс: сезон
S_t = γ·y_t / L_t + (1 − γ)·S_{t−m}
Сезонный коэффициент позиции внутри года.- Прогноз
F_{t+h} = (L_t + h·T_t)·S_{t+h−m}
Для h ≤ m; дальше сезон повторяется.- Индекс сезона
I_i = mean_k( y_{k,i} / MA_{k,i} ) / mean(Ĩ)
MA центрированное 2×12; нормировка на среднее 1.- Поправка SBA
F_SBA = (1 − α/2)·z / p
Убирает завышение Кростона.
Пример с числами
Четыре метода на скрытом окне 12 месяцев (многошаговый прогноз от конца обучающего окна)
| Метод | WAPE, % | Смещение, % |
|---|---|---|
| Сезонный наивный (год назад) | 6,2 | −4,8 |
| Холт (тренд без сезона) | 38,3 | 38,3 |
| Холт-Винтерс (мультипликативный) | 4,4 | −1,2 |
| Декомпозиция: тренд × индекс | 3,6 | −1,4 |
Ряд из 48 месяцев сформирован кодом (фиксированное зерно): линейный тренд, годовой рисунок и шум 5 %. Обучение 36 месяцев, скрытое окно 12. Лучшие методы с сезоном и трендом (3,6 и 4,4 %), без сезона 38,3 %. Данные учебные; порядок методов на реальных рядах может отличаться.
Рисунки
- Факт
- Холт-Винтерс
- Декомпозиция
- Холт без сезона
Данные таблицей
| Показатель | Факт | Холт-Винтерс | Декомпозиция | Холт без сезона |
|---|---|---|---|---|
| 1 | 939 | 860 | 936 | 1 496 |
| 2 | 910 | 877 | 904 | 1 522 |
| 3 | 1 084 | 1 065 | 1 089 | 1 547 |
| 4 | 1 218 | 1 121 | 1 113 | 1 573 |
| 5 | 1 137 | 1 246 | 1 248 | 1 599 |
| 6 | 1 061 | 981 | 976 | 1 624 |
| 7 | 919 | 897 | 893 | 1 650 |
| 8 | 1 097 | 1 075 | 1 069 | 1 676 |
| 9 | 1 324 | 1 272 | 1 249 | 1 701 |
| 10 | 1 465 | 1 469 | 1 440 | 1 727 |
| 11 | 1 482 | 1 518 | 1 486 | 1 753 |
| 12 | 1 566 | 1 645 | 1 605 | 1 778 |
Факт и прогнозы на скрытом окне 12 месяцев. Холт-Винтерс (4,4 %) и декомпозиция (3,6 %) повторяют и рост, и сезонный рисунок; Холт без сезона (38,3 %) даёт почти прямую линию. По оси: месяц скрытого окна.
- Верх 80 %
- Прогноз
- Факт
- Низ 80 %
Данные таблицей
| Показатель | Верх 80 % | Прогноз | Факт | Низ 80 % |
|---|---|---|---|---|
| 1 | 939 | 860 | 939 | 781 |
| 2 | 988 | 877 | 910 | 765 |
| 3 | 1 202 | 1 065 | 1 084 | 928 |
| 4 | 1 280 | 1 121 | 1 218 | 963 |
| 5 | 1 422 | 1 246 | 1 137 | 1 069 |
| 6 | 1 175 | 981 | 1 061 | 788 |
| 7 | 1 107 | 897 | 919 | 688 |
| 8 | 1 298 | 1 075 | 1 097 | 851 |
| 9 | 1 509 | 1 272 | 1 324 | 1 035 |
| 10 | 1 719 | 1 469 | 1 465 | 1 219 |
| 11 | 1 780 | 1 518 | 1 482 | 1 256 |
| 12 | 1 918 | 1 645 | 1 566 | 1 371 |
Прогноз Холта-Винтерса с интервалом 80 %. Ширина интервала растёт с горизонтом как √h; в интервал попали 11 из 12 фактических месяцев, поэтому интервал консервативен.
- Заданный индекс
- Восстановленный индекс
Данные таблицей
| Показатель | Заданный индекс | Восстановленный индекс |
|---|---|---|
| 1 | 0,8 | 0,83 |
| 2 | 0,78 | 0,79 |
| 3 | 0,92 | 0,95 |
| 4 | 1 | 0,97 |
| 5 | 1,02 | 1,08 |
| 6 | 0,9 | 0,84 |
| 7 | 0,76 | 0,76 |
| 8 | 0,9 | 0,91 |
| 9 | 1,12 | 1,06 |
| 10 | 1,2 | 1,22 |
| 11 | 1,25 | 1,25 |
| 12 | 1,35 | 1,34 |
Сезонные индексы: заданные и восстановленные декомпозицией. Декомпозиция по 36 месяцам восстанавливает заложенный годовой рисунок с небольшими отклонениями; пик в ноябре-декабре и провал в январе-феврале и июле. По оси: месяц года.
- 61,7 … 78,5 тыс. ₽
Данные таблицей
| γ 0.05 | γ 0.1 | γ 0.2 | γ 0.3 | γ 0.5 | γ 0.7 | γ 0.9 | |
|---|---|---|---|---|---|---|---|
| α 0.1 | 62 | 62,5 | 63,8 | 65,3 | 68,7 | 73 | 78,5 |
| α 0.2 | 61,7 | 62,2 | 63,2 | 64,4 | 67,2 | 70,8 | 75,4 |
| α 0.3 | 62,7 | 63,1 | 64 | 64,9 | 67,1 | 69,8 | 73,2 |
| α 0.4 | 64,1 | 64,5 | 65,2 | 65,9 | 67,5 | 69,4 | 71,8 |
| α 0.5 | 65,8 | 66,1 | 66,7 | 67,2 | 68,4 | 69,8 | 71,3 |
| α 0.6 | 67,5 | 67,8 | 68,3 | 68,7 | 69,6 | 70,6 | 71,7 |
| α 0.8 | 71,3 | 71,4 | 71,7 | 72 | 72,6 | 73,1 | 73,6 |
Ошибка на шаг вперёд при разных α и γ. Среднеквадратичная ошибка на шаг вперёд на обучающем окне при β = 0,01: минимум при малых α и γ; быстрые параметры реагируют на шум и ошибаются сильнее.
- Смещение
- Среднеквадратичная ошибка
Данные таблицей
| Показатель | Смещение | Среднеквадратичная ошибка |
|---|---|---|
| Скользящее 8 | 5,3 | 68,7 |
| Сглаживание 0,2 | 3,1 | 64 |
| Кростон | 6 | 28,1 |
| SBA | 0,7 | 26,1 |
Прерывистый спрос: смещение и ошибка оценки скорости спроса. Кростон смещён на 6 %, SBA на 0,7 %; среднеквадратичная ошибка у обоих более чем вдвое меньше, чем у скользящего среднего и обычного сглаживания. 300 смоделированных позиций, 78 недель обучения, оценка против истинной скорости спроса.
- Продажи, шт.
- Скользящее 8
- Кростон
- SBA
Данные таблицей
| Показатель | Продажи, шт. | Скользящее 8 | Кростон | SBA |
|---|---|---|---|---|
| 9 | 0 | 1,13 | 1,42 | 1,35 |
| 10 | 0 | 1,13 | 1,42 | 1,35 |
| 11 | 2 | 0,75 | 1,42 | 1,35 |
| 12 | 0 | 0,75 | 1,24 | 1,18 |
| 13 | 0 | 0,75 | 1,24 | 1,18 |
| 14 | 0 | 0,38 | 1,24 | 1,18 |
| 15 | 0 | 0,38 | 1,24 | 1,18 |
| 16 | 0 | 0,25 | 1,24 | 1,18 |
| 17 | 0 | 0,25 | 1,24 | 1,18 |
| 18 | 0 | 0,25 | 1,24 | 1,18 |
| 19 | 0 | 0,25 | 1,24 | 1,18 |
| 20 | 0 | 0 | 1,24 | 1,18 |
| 21 | 3 | 0 | 1,24 | 1,18 |
| 22 | 2 | 0,38 | 0,92 | 0,87 |
| 23 | 0 | 0,63 | 0,96 | 0,91 |
| 24 | 0 | 0,63 | 0,96 | 0,91 |
| 25 | 0 | 0,63 | 0,96 | 0,91 |
| 26 | 0 | 0,63 | 0,96 | 0,91 |
| 27 | 3 | 0,63 | 0,96 | 0,91 |
| 28 | 0 | 1 | 0,9 | 0,85 |
| 29 | 0 | 1 | 0,9 | 0,85 |
| 30 | 1 | 0,63 | 0,9 | 0,85 |
| 31 | 0 | 0,5 | 0,84 | 0,8 |
| 32 | 0 | 0,5 | 0,84 | 0,8 |
| 33 | 2 | 0,5 | 0,84 | 0,8 |
| 34 | 3 | 0,75 | 0,82 | 0,78 |
| 35 | 0 | 1,13 | 0,9 | 0,86 |
| 36 | 1 | 0,75 | 0,9 | 0,86 |
| 37 | 4 | 0,88 | 0,87 | 0,83 |
| 38 | 0 | 1,38 | 1 | 0,95 |
| 39 | 0 | 1,25 | 1 | 0,95 |
| 40 | 0 | 1,25 | 1 | 0,95 |
| 41 | 0 | 1,25 | 1 | 0,95 |
| 42 | 0 | 1 | 1 | 0,95 |
| 43 | 0 | 0,63 | 1 | 0,95 |
| 44 | 0 | 0,63 | 1 | 0,95 |
| 45 | 0 | 0,5 | 1 | 0,95 |
| 46 | 0 | 0 | 1 | 0,95 |
| 47 | 0 | 0 | 1 | 0,95 |
| 48 | 0 | 0 | 1 | 0,95 |
| 49 | 0 | 0 | 1 | 0,95 |
| 50 | 0 | 0 | 1 | 0,95 |
| 51 | 1 | 0 | 1 | 0,95 |
| 52 | 0 | 0,13 | 0,64 | 0,61 |
Одна редкая позиция: продажи и три прогноза. В 73 % недель продаж нет; скользящее среднее скачет, Кростон и SBA дают ровный уровень и показывают один прогноз для планирования запаса. По оси: неделя.
Особенности по категориям
- Одежда
- Мультипликативный сезон с двумя пиками; линии с трендом (расширение сети, онлайн) прогнозируют Холтом-Винтерсом, базовый трикотаж проще сезонным индексом.
- Обувь
- Сезонные переключения (демисезон, зима) резкие: параметр γ выше, чем для одежды; размеры прогнозируют Кростоном внутри модели, особенно крайние.
- Аксессуары
- Много редких позиций и подарочные пики: Кростон для хвоста, декомпозиция по неделям вокруг праздничных дат для ядра.
- Детское
- Школьный и возрастной календарь создаёт резкие сезонные скачки; тренд зависит от демографии; ряд по возрастным группам, а не по категории целиком.
- Мужское
- Слабая сезонность и ровный тренд: достаточно двойного сглаживания или декомпозиции с небольшим числом индексов; Кростон для редких размеров.
- Женское
- Высокая доля новинок и модные волны: тренд рядов нестабилен, β держат малым, интервал показывают шире; новинки по аналогам, Холт-Винтерс для зрелых линий.
Типичные ошибки
- Подбирают α, β, γ по всему ряду и проверяют на нём же → ложная точность → скрытое окно, не участвующее в подборе.
- Линейный тренд продлевают на 18–24 месяца → прогноз улетает вверх или вниз → ограничивают горизонт или затухают тренд.
- Прогнозируют продажи, а не спрос, при частых нехватках → тренд и сезон занижены → восстановите спрос в дни без остатка.
- Применяют обычное сглаживание к рядам с большинством нулей → прогноз прыгает и даёт ложные дозаказы → Кростон или SBA.
- Оценивают редкие позиции недельным WAPE → нулевой прогноз выглядит «лучшим» → оценка по накопленному спросу срока поставки и по нехватке.
Особенности России
- Ритейл: календарь РФ с длинными праздничными неделями в январе и мае смещает сезон по неделям; для недельных рядов используют календарь событий или недели вокруг дат, а не номер недели.
- Прогнозы на персональных данных клиентов требуют правового основания и обезличивания; для спроса по магазинам и SKU 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).