Алгоритм всё знает, кроме того, чего не знает никто… Несколько лет назад рынок накрыла волна «волшебных» систем предсказания спроса. Разработчики обещали превратить хаос продаж в точные цифры, а склады — в часы. Что получилось на практике? Что пошло не так 📦 Оптовики довольны, заводы — не очень. На распределительных центрах, где SKU стабильны, а спрос зреет медленно, модели действительно снижают излишки. Но у производственных компаний экономия оказалась сильно скромнее обещаний. 🆕 Новая продукция = новые промахи. Алгоритм «учится» на прошлых данных. У новинок прошлого нет, поэтому погрешность взлетает: либо закладывается завышенный запас, либо товар исчезает с полок быстрее, чем цех успевает запуститься. 🌍 Экономика и конкуренты не в модели. Изменение экспортных пошлин, колебания курсов, демпинг соперников или агрессивный промо-бюджет конкурента могут обнулить самый точный прогноз. Большинство решений смотрят только на внутреннюю историю продаж. Когда система предсказания спроса всё же работает 🚚 Стабильный ассортимент и длинный жизненный цикл. Чем дольше товар «живёт» без радикальных изменений, тем больше данных и тем точнее модель. 🛒 Регулярная повторяемость заказов. FMCG, запасные части, фармсегмент — где продажи «дёргаются» меньше, модель ловит сезонность и промо-пики. 🔄 Есть обратная связь с планированием производства. Когда прогноз сразу идёт в MRP/APS и возвратом «учит» модель, эффект от внедрения выходит за рамки склада — снижает переналадку линий, запасы и незавершенное производство. Что ещё важно, но обычно остаётся «за кадром» 1. Маркетинг и ценовая политика. Планируемые акции, ребрендинг, выход в новые каналы часто хранятся в головах бренд-менеджеров, а не в базе для Data Science. 2. Время выхода на рынок (time-to-market). Чем дольше согласовывают рецептуру, упаковку и сертификаты, тем выше риск, что прогноз устареет до запуска. 3. Ограничения поставщиков. Даже идеальный прогноз не спасёт, если критичный компонент производится по квотам или под заказ на 120 дней. 4. Производственные мощности и графики ТОиР. Алгоритм может «видеть» спрос, но не знает, что на следующей неделе главная линия уходит в плановый ремонт. 5. Внешние шоки. Санкции, стихийные бедствия, всплески цен на сырьё — их сложно встроить в модель, но без сценариев «что-если» риск взрыва запасов велик. Итого Система предсказания спроса работает там, где процесс продаж и производства замкнут в единый контур данных. Главные риски — новинки и внешние факторы. Для них нужен гибрид: статистический прогноз + экспертная корректировка + what-if-анализ. Без связи с S&OP и APS эффект ограничен. Прогноз должен сразу трансформироваться в план производства и закупок, иначе склад по-прежнему будет «дышать» в такт ошибкам. Будущее в расширенной модели. Добавляем маркетинг, сроки поставщиков, экономические индикаторы, событийный слой (конкурентные акции, регуляторные изменения) и регулярно переучиваем алгоритм. Тогда система становится навигатором бизнеса, а не очередным дэшбордом. ➡️ Мораль: вкладываться в предсказание спроса стоит, когда в компании созрела культура сквозного планирования (хотя бы S&OP) и есть готовность кормить модель не только историей продаж, но и «живой» информацией о рынке и мощности собственного завода. В остальных случаях проще (и дешевле) вовремя слышать реальный спрос, чем пытаться угадать его по звёздам.