Прогнозирование продаж: как строить прогноз для закупок

Прогнозирование продаж: где оно окупается

Прогноз — не гадание, а оценка на основе истории, календаря и ваших собственных планов. Он нужен магазину одежды в Ташкенте, интернет-магазину электроники, который принимает заказы в Telegram, кофейне и дистрибьютору продуктов: везде возникает один и тот же вопрос «сколько заказывать».

Ошибка стоит денег в обе стороны. Заказали мало — полка пустая, клиент уходит к конкуренту или на Uzum. Заказали много — деньги заморожены в остатках, и товар в итоге уходит со скидкой. Есть и третья потеря, о которой вспоминают реже: реклама. Если вы запускаете таргет в Meta Ads на товар, которого через неделю не будет на складе, бюджет сгорает впустую. Поэтому прогноз полезен и закупщику, и маркетологу.

Какие данные нужны для старта

Начинать можно с обычной таблицы Excel или Google Sheets. Главное — собрать данные в одном месте и понимать, что именно в них записано.

Самая частая ловушка — путать продажи со спросом. Если товара не было на складе две недели, провал в продажах не означает, что люди перестали его хотеть. Такие периоды нужно помечать или исключать из расчёта, иначе прогноз будет занижен.

• История продаж по датам и товарам — желательно за полный сезонный цикл и дольше
• Остатки по дням, чтобы видеть периоды, когда товара не было
• Акции и скидки с точными датами
• Изменения цен
• Канал продаж: офлайн, Instagram, Telegram-бот, маркетплейс, OLX
• Рекламные расходы по периодам
• Сроки поставки от каждого поставщика

Пошагово: первый прогноз в таблице

Не пытайтесь сразу охватить весь ассортимент. Возьмите одну категорию, которая приносит основную выручку, и пройдите путь до конца — до готового заказа поставщику.

• Определите решение: что вы будете заказывать и на какой горизонт — неделя, месяц, сезон.
• Выберите уровень: для начала категории и группы товаров, а не каждый артикул.
• Выгрузите продажи из кассы, 1С, CRM или учётной таблицы и сведите по неделям или месяцам.
• Очистите данные: уберите периоды без остатка, возвраты, разовые крупные оптовые сделки.
• Посчитайте базу: продажи за тот же период прошлого года с поправкой на общий рост или падение.
• Добавьте события: запланированные акции, праздники, запуск новых позиций.
• Переведите прогноз в заказ: ожидаемые продажи за срок поставки минус текущий остаток плюс страховой запас.

Сравнение методов: что выбрать

Сложная модель не всегда лучше простой. Простые методы прозрачны: вы видите, откуда взялась цифра, и можете её оспорить. Они же служат точкой отсчёта — любая новая модель должна обыгрывать их, иначе в ней нет смысла.

Выбор зависит от размера ассортимента и объёма истории. Для большинства малых и средних компаний хватает первых двух вариантов, а машинное обучение имеет смысл, когда товаров много, данные чистые и есть кому поддерживать модель.

• Скользящее среднее — быстро и понятно, но не видит сезонов и роста
• Продажи прошлого года с коэффициентом роста — хорошая база для сезонных товаров
• Модели с трендом и сезонностью — точнее среднего, когда история достаточно длинная
• Машинное обучение — учитывает много факторов сразу, нужен большой ассортимент и аккуратные данные

Календарь Узбекистана: что двигает спрос

Местный календарь меняет продажи сильнее, чем кажется. Навруз, Рамадан и хайиты перестраивают спрос на продукты, одежду, подарки и доставку. Начало учебного года влияет на канцелярию, форму и электронику, свадебный сезон — на текстиль, посуду и услуги. Новый год и распродажи на маркетплейсах создают пики, после которых бывает провал.

Важная деталь: Рамадан и хайиты сдвигаются по григорианскому календарю из года в год. Если вы просто берёте «тот же месяц прошлого года», пик может оказаться на другой неделе. Привязывайте такие события к реальным датам и сравнивайте периоды вокруг праздника, а не по номеру месяца.

Учитывайте и свои действия: запуск рекламы, скидки через Click и Payme, рассылки по базе в Telegram. Если не отмечать их в таблице, модель решит, что рост случился сам собой, и в следующий раз завысит ожидание.

Пример: магазин детской одежды в Ташкенте

Допустим, у магазина есть точка в городе и страница в Instagram. Владелец заказывает одежду раз в сезон и каждый раз ориентируется на ощущения. Он собирает продажи по категориям — верхняя одежда, школьная форма, повседневное — и замечает: школьная форма уходит волной перед началом учебного года, а верхняя одежда зависит от первых холодов.

Он берёт продажи прошлого сезона по каждой категории, смотрит, в какие недели были провалы из-за отсутствия размеров, и исключает их. Добавляет в таблицу планы на этот год: две акции и расширение размерного ряда. Получает ориентир по категориям и корректирует его по своему знанию рынка. Заказ в итоге строится не на ощущениях, а на расчёте, который можно проверить через месяц.

Типичные ошибки

Большинство проблем возникает не из-за слабой модели, а из-за дисциплины с данными и ожиданий.

• Прогноз по каждому редкому артикулу вместо категорий — там слишком много случайности
• Нулевые остатки не исключены, и прогноз занижен
• Акции и рекламные периоды не отмечены в истории
• Прогноз никогда не сравнивают с фактом
• Ожидание, что модель предскажет неожиданное: резкий скачок курса, новый конкурент, сбой у поставщика
• Прогноз выполняют как приказ, не учитывая то, что знает закупщик
• Для новых товаров ищут историю, которой нет, — вместо аналогов из похожей категории

Точность, закупки и роль человека

Раз в неделю или месяц сравнивайте прогноз с фактом по категориям. Смотрите не только на размер ошибки, но и на смещение: если прогноз систематически выше факта в одной категории, значит, в расчёте что-то не так. Новую модель сравнивайте с простой базой, например с прошлым годом: если она не лучше, усложнение не оправдано.

Прогноз превращается в заказ с учётом остатков, сроков поставки и страхового запаса, который покрывает неопределённость. Предложенный объём закупщик правит сам: он знает о будущей акции, проблемах поставщика, новом конкуренте на соседней улице. Лучше всего работает сочетание расчёта и экспертизы.

Чек-лист и роль сквозной аналитики

Прежде чем запускать прогноз, проверьте: продажи и остатки лежат в одном месте; акции и цены отмечены датами; выбран понятный уровень — категории или магазины; есть простая база для сравнения; назначен человек, который раз в период сверяет прогноз с фактом; закупщик может вносить поправки.

Чаще всего ломается первый пункт: продажи из Instagram, Telegram, кассы и маркетплейса живут в разных местах, а рекламные расходы не привязаны к заказам. Сквозная аналитика решает именно это: собирает заказы, каналы и затраты в единую картину, на которой можно строить и прогноз, и бюджет рекламы. Если хотите навести порядок в данных и понять, что реально приносит продажи, команда markdev поможет разобрать вашу ситуацию и предложить посильный первый шаг.