Прогнозирование спроса с ИИ: продажи, заказы и запасы
Прогноз спроса становится полезным, когда влияет на заказ, запас или выпуск продукции. В подборке — применения ИИ и машинного обучения, где можно проследить переход от данных продаж к рабочему решению и опубликованному результату.
Кейсов в подборке: 6. Это подборка опубликованных примеров из России, а не полный перечень внедрений.
Как прогноз превращается в заказ, запас или план выпуска
Прогноз спроса оценивает будущую потребность: например, по товару, магазину и дню. Заказ дополнительно учитывает остаток, срок поставки, размер партии и ограничения склада. Для производственного плана нужны ещё мощности и доступность материалов.
Поэтому внедрение стоит сравнивать по всей цепочке: данные → прогноз → решение о пополнении или выпуске → наличие товара и объём запасов. Хорошая метрика модели без изменения решения ещё не показывает бизнес-эффект.
Ритейл, распределительные центры и производство
«Магнит» связывает прогноз с пополнением распределительного центра и магазинов. В кейсе Лемана ПРО прогноз строится ежедневно по артикулу и магазину на горизонт до 180 дней. Для молочного производства описана связка прогноза продаж и ежедневного заказа в ERP.
В производственных примерах важны не только ожидаемые продажи, но и срок годности, доступность продукции и излишки. Если единица прогноза или горизонт в публикации не раскрыты, в сравнении ниже нет предположений об этих параметрах.
Примеры: Магнит, РЦ Киров и магазины · «Лемана ПРО» · Производитель молочной продукции, Поволжье.
Кейсы прогнозирования спроса: что изменилось
Показатели относятся к условиям конкретных внедрений. Техническая точность, время обработки и бизнес-эффект — разные метрики.
| Компания | Данные и горизонт | Что меняет прогноз | Модель/продукт | Метрика и бизнес-эффект | Источник |
|---|---|---|---|---|---|
| Магнит, РЦ Киров и магазины | РЦ и магазины; горизонт не раскрыт | Прогноз спроса → расчёт заказов и пополнение | Forecasting & Replenishment Магнита | По данным компании, товарные запасы в днях сократились на 10%. Сокращение дней запаса на 10% опубликовано в годовом отчёте компании за 2025 год и относится к описанному внедрению. | Годовой отчёт ПАО «Магнит» за 2025 годДата публикации не указана |
| «Лемана ПРО» | Артикул / магазин, ежедневно, до 180 дней | Demand Planning → планирование спроса | Demand Planning | Потери товарооборота из-за ошибок прогнозирования снизились с 2% в 2024 году до 1,5% в 2025 году и 1% на момент публикации. Доли потерь из-за прогноза относятся к разным периодам: 2024 году, 2025 году и моменту публикации. Это не универсальная точность модели. | |
| Производитель молочной продукции, Поволжье | Продажи молочного завода; горизонт не раскрыт | ML-прогноз → ежедневный заказ в ERP | ML-модель прогнозирования спроса | Точность прогноза улучшилась на 24%, потери от затоваривания снизились на 30%, доступность товара повысилась на 15%; заявлен совокупный эффект 20 млн рублей в год. Заказчик не назван; исходные метрики и методика расчета не раскрыты. | |
| Анонимная FMCG-компания | FMCG; неделя 1, неделя 4 и месяц 1 | LightGBM и ансамбль → работа с прогнозом | Система прогнозирования спроса на базе LightGBM и ансамбля регрессора и классификатора | По данным автора кейса, точность прогноза первой недели повысилась на 10%, четвёртой недели — на 8%, первого месяца — на 5–7%; отклонение снизилось до ±10%, а затраты времени специалистов на формирование аналитики — на 15–20%. Изменения качества относятся к разным горизонтам: первой неделе, четвёртой неделе и первому месяцу. Результат заявлен поставщиком; заказчик не назван. | Прогнозирование спроса для FMCG-компанииПубликация: |
| Градиент | Спрос; единица и горизонт не раскрыты | ML-модель; сравнение со статистическими методами | ML-модель прогнозирования спроса | Качество прогнозирования выросло на 29% по сравнению со статистическими методами. Рост качества на 29% опубликован без названия базовой метрики и методики расчёта; прямое сравнение с точностью других моделей невозможно. | |
| Федеральный производитель муки | Мука; единица и горизонт не раскрыты | Sber Data Science → прогноз и управление запасами | Sber Data Science | Точность прогноза спроса выросла вдвое, складские излишки сократились. Заказчик описан как федеральный производитель муки. Исходное значение точности и размер сокращения излишков не раскрыты. | Microsoft SQL ServerПубликация: |
Магнит, РЦ Киров и магазины: ML-модель планирует запасы распределительного центра и магазинов
В 2025 году собственную систему Forecasting & Replenishment внедрили в РЦ «Киров» и ближайших магазинах «у дома» и «М.Косметик». Машинное обучение прогнозирует спрос по товарам; система планирует заказы поставщикам и отгрузки из РЦ.
«Лемана ПРО»: ML прогнозирует спрос по товарам и магазинам
Модели Demand Planning прогнозируют ежедневный спрос на каждый артикул в каждом магазине на горизонте до 180 дней.
Производитель молочной продукции, Поволжье: ML-прогнозирование спроса и заказов
Разработана ML-модель на данных продаж и интегрирована с ERP; модель ежедневно рекомендует объем заказа у поставщиков.
Анонимная FMCG-компания: ML-система автоматизировала прогнозирование спроса FMCG-компании
Компания внедрила систему прогнозирования спроса на весь ассортимент. Модель формирует оперативный и стратегический прогнозы и автоматизирует расчёты специалистов для планирования закупок.
Градиент: ML-прогнозирование спроса
Внедрена ML-модель прогнозирования спроса.
Федеральный производитель муки: Федеральный производитель муки внедрил Sber Data Science для прогнозирования спроса
Внедрена система Sber Data Science для прогнозирования спроса и управления запасами.
Применимо ли это к вашей задаче?
На диагностике разберём задачу бизнеса и возможные первые шаги автоматизации.
Обсудить похожую задачуКакие методы и системы используют компании
Экспертный прогноз опирается на оценки специалистов, статистический — на закономерности временного ряда, а машинное обучение может использовать дополнительные признаки и зависимости. Классическая статистическая модель сама по себе не подтверждает внедрение ИИ.
В этой подборке есть Forecasting & Replenishment «Магнита», Demand Planning Лемана ПРО, решения на базе ML и кейс SimbirSoft с LightGBM и ансамблем моделей. Для сравнения подходов нужна одна и та же история и одинаковые условия проверки.
Какие данные нужны для прогноза
Для пилота подготовьте историю продаж по нужной единице прогноза, остатки, периоды отсутствия товара и календарь акций. Продажи при пустой полке не показывают весь спрос. Изменения цен, ассортимента и поставок нужно учитывать при интерпретации результата.
Определите горизонт и частоту пересчёта под рабочее решение: ежедневное пополнение магазина и месячный план производства требуют разных прогнозов. Проверку проведите на последующем периоде, который не использовался при настройке модели.
Как сравнить результат пилота с текущим планированием
Сравните новую модель с действующим способом планирования на одинаковых товарах, горизонте и периоде. Зафиксируйте формулу ошибки, вес товаров, сезонность и обработку новых позиций.
Отдельно считайте ошибку прогноза и последствия решения: отсутствие товара, дни запаса, списания и потери продаж. Заявленное улучшение качества на 29% у «Градиента» нельзя сопоставить с двукратным ростом точности другого проекта без общей метрики и исходного значения. Проверьте также время аналитика и порядок ручной корректировки заказа.
Вопросы о прогнозировании спроса с ИИ
Чем прогноз спроса отличается от прогноза продаж и заказа?
Спрос — потребность покупателей, продажи — фактически проданный объём, ограниченный наличием. Заказ — решение о пополнении с учётом остатков, сроков и ограничений. Модель прогноза помогает этому решению, но не заменяет все правила управления запасом.
Любая ли модель прогнозирования относится к ИИ?
Нет. Экспертные оценки, скользящие средние и классические статистические модели могут использоваться без ИИ. В подборку входят кейсы с названным ИИ или машинным обучением, а статистические подходы рассматриваются как возможная база сравнения.
Как сравнивать точность и бизнес-эффект двух проектов?
Нужны одинаковые товары, горизонт, период и формула метрики. Затем отдельно сравнивают запасы, доступность и потери. Рост точности на проценты, снижение ошибки и уменьшение запасов нельзя ранжировать как один показатель.
Связанные задачи и подборки
Другие способы применения ИИ для закупок, логистики и производства собраны в разделах бизнес-процессов ниже.