Прогнозування продажів: від класичних формул до ШІ-аналітики

Неправильна оцінка майбутніх продажів позначається на різних напрямах роботи. Компанія може закупити забагато товарів, не встигнути поповнити склад перед піковим сезоном або витратити рекламний бюджет на кампанії, які не дадуть очікуваного результату. Водночас обережний прогноз без урахування потенційного зростання здатний обмежити розвиток бізнесу.

Щоб ухвалювати обґрунтовані рішення, компаніям потрібно оцінювати не лише те, що вже відбулося, а й те, як можуть змінитися результати за певних умов. Для цього використовують як прості математичні розрахунки, так і складніші аналітичні моделі.

У цій статті розглянемо, як прогнозувати продажі за допомогою класичних методів і сучасних інструментів ШІ-аналітики, які дані для цього потрібні та як обрати оптимальний підхід для бізнесу.

Що таке прогнозування продажів

Прогнозування продажів — це оцінювання майбутніх обсягів реалізації товарів або послуг на основі історичних даних, поточних показників і припущень щодо умов роботи компанії. Залежно від завдання прогнозують:

• кількість замовлень;
• обсяг реалізованої продукції;
• виручку або очікувану суму укладених угод.

Важливо розрізняти прогноз і план продажів. Прогноз показує, якого результату компанія, найімовірніше, досягне за певних умов, а план визначає ціль, до якої вона прагне. Наприклад, аналітична оцінка може передбачати місячну виручку на рівні 800 000 грн, тоді як план передбачає досягнення 950 000 грн. Різниця між показниками допомагає зрозуміти, яких додаткових заходів потребує бізнес для досягнення мети.

Основні завдання прогнозу продажів:

• планування фінансів: оцінювання майбутньої виручки допомагає прогнозувати надходження коштів, планувати платежі та контролювати потребу в оборотному капіталі;
• управління запасами та виробництвом: очікуваний попит дає змогу заздалегідь визначати обсяги закупівель, завантаження виробничих потужностей і потребу в складських площах;
• планування роботи команди: компанія може оцінити, скільки менеджерів, операторів або працівників складу знадобиться в період підвищеного навантаження;
• розподіл маркетингового бюджету: прогноз допомагає оцінювати очікувану кількість замовлень або звернень за різних рівнів рекламних витрат;
• постановка цілей: керівник може зіставити очікуваний результат із бажаним і визначити, яких змін потребують процеси продажів;
• оцінювання ризиків: кілька сценаріїв розвитку подій допомагають заздалегідь підготувати рішення на випадок падіння попиту або швидшого за очікуваний зростання.

Наприклад, інтернет-магазин перед початком зимового сезону очікує збільшення попиту на обігрівачі. Прогноз на основі торішніх продажів, поточних замовлень і залишків на складі допомагає визначити, скільки одиниць товару потрібно закупити. Це дає змогу зменшити ризик дефіциту продукції в період підвищеного попиту та уникнути надлишкових запасів після завершення сезону.

Які дані потрібні для прогнозування продажів

Надійність прогнозу залежить не лише від обраної формули або програми, а й від інформації, на якій ґрунтуються розрахунки.

Зазвичай аналізують такі показники:

• обсяг продажів за днями, тижнями, місяцями або кварталами;
• кількість замовлень, реалізованих одиниць товару, середній чек і виручку;
• динаміку цін, знижок, акцій та асортименту;
• сезонність, святкові періоди та інші повторювані коливання попиту;
• кількість звернень, конверсію, тривалість циклу продажу і етапи угод;
• маркетингові витрати, джерела трафіку та результати рекламних кампаній;
• зовнішні чинники, якщо їх вплив можна обґрунтовано оцінити та врахувати.

При цьому набір показників залежить від бізнес-моделі. Для інтернет-магазину важливо знати, як продаються окремі товари, коли закінчуються запаси та як змінюється попит після запуску акцій. Для B2B-компанії значущими можуть бути вартість потенційних угод, етапи переговорів, середня тривалість укладання договорів і частка успішно закритих можливостей.

Не менш важлива якість даних. Якщо частину замовлень не внесли до системи, повернення не врахували, а правила обліку змінювалися протягом року, результати аналізу можуть не відповідати дійсності. Так само спотворення виникають, коли компанія порівнює періоди з різною тривалістю або не враховує, що певний товар тимчасово був відсутній у продажу.

Показовим є випадок, коли в один із місяців магазин реалізував удвічі менше товару через перебої з постачанням. Якщо модель сприйме це як звичайне падіння попиту, вона може недооцінити майбутні продажі навіть після відновлення запасів. Тому перед розрахунками потрібно з’ясувати причини незвичних значень, відокремлюючи реальні зміни попиту від обмежень у роботі бізнесу.

Класичні методи прогнозування продажів

Перевага традиційних методів полягає в зрозумілій логіці, відносно невисоких вимогах до ресурсів і можливості швидко перевірити розрахунки. Наприклад, можна проаналізувати попередні продажі, розрахувати середні показники за кілька періодів або врахувати сезонні коливання попиту. Такі підходи до аналізу часових рядів докладно розглянуто в навчальному посібнику Forecasting: Principles and Practice.

Водночас точність прогнозу залежить від характеру продажів, якості даних і стабільності умов роботи бізнесу. Отже, розглянемо класичні методи прогнозування продажів.

Аналіз історичних даних

Один із найпростіших підходів — використання попередніх результатів як орієнтира для майбутніх періодів. Наприклад, якщо компанія щомісяця продає приблизно 500–550 одиниць товару, цей діапазон може бути початковою оцінкою очікуваного попиту.

Такий підхід доречний, коли бізнес працює в досить стабільних умовах, має регулярні продажі та не очікує значних змін у цінах, асортименті чи поведінці покупців. Його можна використовувати для попередньої оцінки, планування закупівель або порівняння фактичних результатів з типовим рівнем продажів.

Однак саме по собі значення за минулий період не пояснює, чому результат був таким. Якщо продажі зросли завдяки разовій великій угоді або рекламній акції, механічне перенесення цього показника на наступний місяць може створити завищені очікування.

Перевага методу — простота, а головне обмеження — залежність від того, наскільки минулі умови відповідають майбутнім.

Прогнозування за середнім значенням і темпами зростання

Якщо продажі коливаються від місяця до місяця, можна розрахувати середнє значення за кілька періодів. Воно допомагає визначити типовий рівень продажів і не прив’язуватися до одного незвично вдалого або невдалого місяця. Прогноз за середнім значенням є одним із базових кількісних методів, описаних у розділі Some simple forecasting methods.

Уявімо, що компанія отримала таку місячну виручку за останні три місяці: 180 000, 210 000 і 210 000 грн. Середнє значення становитиме:

Середня виручка = сума показників за періоди / кількість періодів.

180000+210000+2100003=200000 грн

Отже, базовий прогноз на наступний місяць — 200 000 грн, якщо немає підстав очікувати суттєвих змін.

Інший варіант — оцінити результат на основі темпу зростання. Якщо виручка за попередній місяць дорівнювала 200 000 грн, а обґрунтоване припущення щодо зростання становить 5%, розрахунок буде таким:

Прогноз = виручка попереднього періоду × (1 + темп зростання / 100%).

200000×(1+0,05)=210000 грн

Тут 5% — очікуваний темп зростання, а не гарантований результат. Його можна обґрунтовувати динамікою попередніх періодів, змінами асортименту або запланованим розширенням каналів продажів.

Обидва підходи прості, але мають обмеження. Середнє значення не відображає тенденцію до зростання чи падіння, якщо вона чітко сформувалася. А от прогноз за темпом зростання може давати значну похибку, якщо обраний відсоток не відповідає поточним умовам.

Метод ковзного середнього

Ковзне середнє дає змогу згладити короткострокові коливання, усереднюючи показники за кілька послідовних періодів. Коли надходить нове значення, найстаріше спостереження вилучають із розрахунку, а нове додають. Згладжування за допомогою рухомого вікна спостережень описано в розділі Moving averages навчального посібника Forecasting: Principles and Practice.

Наприклад, магазин продав 120, 150 і 180 одиниць товару протягом трьох останніх місяців. Прогноз на наступний місяць за тримісячним ковзним середнім становитиме:

120+150+1803=150 одиниць

Метод дає змогу не переоцінювати один місяць із незвично високими або низькими продажами. Його можна використовувати для товарів зі стабільним попитом, регулярних замовлень або попереднього планування запасів.

Результат залежить від довжини вибраного періоду. Якщо усереднювати дані за три місяці, прогноз швидше реагуватиме на свіжі зміни. За дванадцятимісячного періоду короткострокові коливання впливатимуть менше, але нові тенденції можуть виявлятися із запізненням.

Крім того, просте ковзне середнє не враховує сезонність автоматично. Якщо попит на товар традиційно зростає взимку, усереднення літніх і зимових продажів може спотворити прогноз для конкретного сезону.

Сезонне прогнозування

Сезонність — це повторювана зміна показників, пов’язана з певними періодами. Вона може проявлятися протягом року, місяця або навіть тижня. Наприклад, перед святами можуть збільшуватися продажі подарунків, улітку — туристичних товарів, а у вихідні — замовлення в окремих сегментах роздрібної торгівлі.

Якщо попит має виражену сезонність, порівняння з аналогічним періодом попереднього року часто інформативніше, ніж порівняння з попереднім місяцем. Для таких випадків використовують, зокрема, сезонний наївний метод: прогноз на певний місяць або квартал прирівнюють до фактичного показника за відповідний сезон минулого року. Цей підхід описаний у розділі Some simple forecasting methods.

Простий сезонний підхід передбачає використання значення за відповідний період попереднього року як початкового орієнтира. Наприклад, якщо в листопаді минулого року магазин продав 1 200 одиниць товару, це може бути базою прогнозу на поточний листопад. Проте якщо бізнес зріс або змінив умови роботи, минулорічний результат потрібно скоригувати.

Сезонність також може поєднуватися з довгостроковою тенденцією. Тому в складніших ситуаціях її оцінюють разом із загальним напрямом зміни продажів.

Експертна оцінка та прогнозування за воронкою продажів

Не кожен бізнес має тривалу історію продажів. Для компаній, які працюють із новими продуктами, виходять на інший ринок або мають тривалий цикл укладання угод, важливим джерелом інформації стає експертна оцінка.

Керівник відділу продажів може враховувати досвід менеджерів, поточні переговори, плани клієнтів і типові причини відмов. Такий прогноз корисний, коли статистики недостатньо, але він залежить від компетентності команди та обґрунтованості припущень. Щоб зменшити суб’єктивність, варто перевіряти оцінки за фактичними результатами попередніх періодів.

Додатковий інструмент — прогнозування за воронкою продажів. Його використовують, щоб оцінити очікувану суму угод із урахуванням їхньої вартості та ймовірності закриття. Наприклад, у документації HubSpot щодо налаштування прогнозування зважена сума угоди визначається як її вартість, помножена на ймовірність успішного завершення.

Для цього методу особливо важливо регулярно оновлювати інформацію в системі обліку клієнтів. Якщо менеджери не змінюють етапи угод або продовжують вказувати завищені ймовірності після затримок у переговорах, навіть математично правильний розрахунок буде ненадійним.

Як обрати метод прогнозування для вашого бізнесу

Малий бізнес із невеликою історією продажів

Якщо компанія працює кілька місяців і поки не має достатньо даних для виявлення стійких тенденцій, доцільно почати із середніх показників, оцінки поточних замовлень та експертних припущень. Для нового продукту корисно додатково аналізувати результати тестових продажів. Важливо не сприймати коротку історію як надійну модель сезонності: кількох місяців зазвичай недостатньо, щоб відокремити повторювані закономірності від випадкових коливань.

Інтернет-магазин із сезонним асортиментом

Для магазину з регулярними продажами за товарами доречні порівняння з аналогічними періодами попередніх років і аналіз тенденцій. Якщо історії достатньо, можна поєднати сезонне прогнозування з ковзним середнім або спеціалізованою моделлю попиту. Окремо потрібно враховувати залишки, строки постачання, акції та ситуації, коли відсутність товару обмежувала кількість продажів.

B2B-компанія з тривалим циклом укладання угод

Тут важливо не лише аналізувати виручку за місяцями, а й оцінювати стан воронки продажів. Прогноз за зваженою сумою угод допомагає побачити потенційний дохід, а історична статистика дає змогу перевірити, наскільки реалістичними є оцінені ймовірності закриття. Якщо угоди тривають кілька місяців, прогноз потрібно будувати з урахуванням очікуваних строків завершення, а не тільки загальної вартості можливостей.

Компанія з широким асортиментом і великою кількістю операцій

Якщо бізнес продає сотні або тисячі товарних позицій, ручне прогнозування кожної з них стає трудомістким. У такому випадку варто автоматизувати збирання даних і порівняти кілька методів на історичних спостереженнях. За наявності достатніх ресурсів компанія може використовувати спеціалізовані прогнозні моделі, які оцінюють попит за окремими товарами, категоріями чи регіонами.

Прогнозування продажів за допомогою штучного інтелекту

ШІ-аналітика може розширити класичні методи, коли потрібно обробляти значні масиви інформації, враховувати багато взаємопов’язаних чинників і регулярно оновлювати оцінки.

У прогнозуванні попиту можуть застосовуватися статистичні моделі та алгоритми машинного навчання. Наприклад, Microsoft Dynamics 365 описує кілька алгоритмів прогнозування, які відрізняються принципами роботи та придатністю до різних типів даних. Це демонструє те, що навіть у межах одного програмного середовища вибір моделі залежить від структури історичних спостережень і поставленого завдання.

ШІ-аналітика може допомагати в кількох напрямах:

• опрацювання великих масивів даних (аналізувати історію продажів за товарами, регіонами, каналами реалізації або клієнтськими сегментами);
• виявлення закономірностей (взаємозв’язки між попитом і змінними: ціна, день тижня, сезон або рекламна активність);.
• прогнозування на різних рівнях (загальну виручку, кількість замовлень у певній категорії або попит на окремий товар);
• перевірка сценаріїв (як зміниться розрахунковий результат за певних значень вхідних показників);
• регулярне оновлення (прогноз можна перераховувати в міру надходження нової інформації, якщо система інтегрована з джерелами даних і налаштована відповідним чином).

Однак не кожен інструмент зі штучним інтелектом підтримує всі ці функції. Можливості залежать від програмного забезпечення, якості даних, доступних інтеграцій і налаштувань моделі. Крім того, виявлений взаємозв’язок не обов’язково свідчить про причинний вплив.

Генеративний ШІ та прогнозні моделі: у чому різниця

Важливо розрізняти генеративний ШІ та спеціалізовані системи прогнозування. Генеративні інструменти, зокрема текстові помічники, можуть пояснювати показники, допомагати опрацьовувати таблиці, формулювати припущення, створювати сценарії та готувати аналітичні висновки. Проте їх відповіді самі по собі не є доказом точності прогнозу.

Спеціалізована прогнозна модель працює інакше. Вона налаштовується на даних, використовує визначений алгоритм і розраховує майбутні значення відповідно до виявлених закономірностей. Результат такої моделі можна систематично порівнювати з фактичними продажами та перевіряти на даних, які не використовувалися під час налаштування.

Отже, текстовий запит до чатбота може бути корисним помічником аналітика, але його не варто автоматично вважати повноцінною заміною перевіреної прогнозної системи. Перш ніж завантажувати комерційні дані до зовнішнього сервісу, також потрібно перевірити умови їх обробки, правила доступу та вимоги компанії до конфіденційності.

Як зробити прогнозування продажів робочим інструментом бізнесу

Якісне прогнозування починається з чіткого завдання та надійних даних. Для стабільних продажів може бути достатньо простих розрахунків, тоді як широкий асортимент і значні обсяги операцій можуть виправдовувати використання автоматизованих моделей і ШІ-аналітики.

Практична порада! Почніть з одного показника, наприклад кількості замовлень на місяць. Побудуйте базовий прогноз, перевірте його точність на попередніх періодах і лише після цього вирішуйте, чи потрібні бізнесу складніші інструменти.