Прогнозирование продаж: от классических формул до AI-аналитики

Неправильная оценка будущих продаж сказывается на различных направлениях работы. Компания может закупить слишком много товаров, не успеть пополнить склад перед пиковым сезоном или потратить рекламный бюджет на кампании, которые не принесут ожидаемого результата. В то же время осторожный прогноз без учета потенциального роста способен ограничить развитие бизнеса.

Чтобы принимать обоснованные решения, компаниям необходимо оценивать не только то, что уже произошло, но и то, как могут измениться результаты при определенных условиях. Для этого используются как простые математические расчеты, так и более сложные аналитические модели.

В этой статье рассмотрим, как прогнозировать продажи с помощью классических методов и современных инструментов ИИ-аналитики, какие данные для этого нужны и как выбрать оптимальный подход для бизнеса.

Что такое прогнозирование продаж

Прогнозирование продаж — это оценка будущих объемов реализации товаров или услуг на основе исторических данных, текущих показателей и предположений относительно условий работы компании. В зависимости от задачи прогнозируют:

• количество заказов;
• объем реализованной продукции;
• выручку или ожидаемую сумму заключенных сделок.

Важно различать прогноз и план продаж. Прогноз показывает, какого результата компания, скорее всего, достигнет при определенных условиях, а план определяет цель, к которой она стремится. Например, аналитическая оценка может предполагать месячную выручку на уровне 800 000 грн, тогда как план предусматривает достижение 950 000 грн. Разница между показателями помогает понять, какие дополнительные меры необходимы бизнесу для достижения цели.

Основные задачи прогнозирования продаж:

• финансовое планирование: оценка будущей выручки помогает прогнозировать поступление средств, планировать платежи и контролировать потребность в оборотном капитале;
• управление запасами и производством: ожидаемый спрос позволяет заранее определять объемы закупок, загрузку производственных мощностей и потребность в складских площадях;
• планирование работы команды: компания может оценить, сколько менеджеров, операторов или складских работников понадобится в период повышенной нагрузки;
• распределение маркетингового бюджета: прогноз помогает оценивать ожидаемое количество заказов или обращений при различных уровнях рекламных расходов;
• постановка целей: руководитель может сопоставить ожидаемый результат с желаемым и определить, какие изменения требуют процессы продаж;
• оценка рисков: несколько сценариев развития событий помогают заранее подготовить решения на случай падения спроса или более быстрого, чем ожидалось, роста.

Например, интернет-магазин перед началом зимнего сезона ожидает увеличения спроса на обогреватели. Прогноз на основе прошлогодних продаж, текущих заказов и остатков на складе помогает определить, сколько единиц товара необходимо закупить. Это позволяет снизить риск дефицита продукции в период повышенного спроса и избежать избыточных запасов после завершения сезона.

Какие данные нужны для прогнозирования продаж

Надёжность прогноза зависит не только от выбранной формулы или программы, но и от информации, на которой основаны расчёты.

Обычно анализируются следующие показатели:

• объем продаж по дням, неделям, месяцам или кварталам;
• количество заказов, реализованных единиц товара, средний чек и выручку;
• динамику цен, скидок, акций и ассортимента;
• сезонность, праздничные периоды и другие повторяющиеся колебания спроса;
• количество обращений, конверсию, продолжительность цикла продажи и этапы сделок;
• маркетинговые расходы, источники трафика и результаты рекламных кампаний;
• внешние факторы, если их влияние можно обоснованно оценить и учесть.

При этом набор показателей зависит от бизнес-модели. Для интернет-магазина важно знать, как продаются отдельные товары, когда заканчиваются запасы и как меняется спрос после запуска акций. Для B2B-компании значимыми могут быть я стоимость потенциальных сделок, этапы переговоров, средняя продолжительность заключения договоров и доля успешно закрытых возможностей.

Не менее важно качество данных. Если часть заказов не была внесена в систему, возвраты не учтены, а правила учета менялись в течение года, результаты анализа могут не соответствовать действительности. Аналогичным образом искажения возникают, когда компания сравнивает периоды разной продолжительности или не учитывает, что определенный товар временно отсутствовал в продаже.

Показателен случай, когда в один из месяцев магазин реализовал вдвое меньше товара из-за перебоев с поставками. Если модель воспримет это как обычное падение спроса, она может недооценить будущие продажи даже после восстановления запасов. Поэтому перед расчетами нужно выяснить причины необычных значений, отделяя реальные изменения спроса от ограничений в работе бизнеса.

Классические методы прогнозирования продаж

Преимущество традиционных методов заключается в понятной логике, относительно невысоких требованиях к ресурсам и возможности быстро проверить расчеты. Например, можно проанализировать предыдущие продажи, рассчитать средние показатели за несколько периодов или учесть сезонные колебания спроса. Такие подходы к анализу временных рядов подробно рассмотрены в учебном пособии «Forecasting: Principles and Practice».

В то же время точность прогноза зависит от характера продаж, качества данных и стабильности условий работы бизнеса. Итак, рассмотрим классические методы прогнозирования продаж.

Анализ исторических данных

Один из самых простых подходов — использование предыдущих результатов в качестве ориентира для будущих периодов. Например, если компания ежемесячно продает примерно 500–550 единиц товара, этот диапазон может служить исходной оценкой ожидаемого спроса.

Такой подход уместен, когда бизнес работает в достаточно стабильных условиях, имеет регулярные продажи и не ожидает значительных изменений в ценах, ассортименте или поведении покупателей. Его можно использовать для предварительной оценки, планирования закупок или сравнения фактических результатов с типичным уровнем продаж.

Однако само по себе значение за прошлый период не объясняет, почему результат оказался именно таким. Если продажи выросли благодаря разовой крупной сделке или рекламной акции, механический перенос этого показателя на следующий месяц может привести к завышенным ожиданиям.

Преимущество метода — простота, а главное ограничение — зависимость от того, насколько прошлые условия соответствуют будущим.

Прогнозирование по среднему значению и темпам роста

Если продажи колеблются от месяца к месяцу, можно рассчитать среднее значение за несколько периодов. Оно помогает определить типичный уровень продаж и не привязываться к одному необычно удачному или неудачному месяцу. Прогноз по среднему значению является одним из базовых количественных методов, описанных в разделе «Some simple forecasting methods».

Представим, что компания получила такую месячную выручку за последние три месяца: 180 000, 210 000 и 210 000 грн. Среднее значение составит:

Средняя выручка = сумма показателей за периоды / количество периодов.

180000+210000+2100003=200000 грн

Таким образом, базовый прогноз на следующий месяц — 200 000 грн, если нет оснований ожидать существенных изменений.

Другой вариант — оценить результат на основе темпа роста. Если выручка за предыдущий месяц равнялась 200 000 грн, а обоснованное предположение относительно роста составляет 5%, расчёт будет следующим:

Прогноз = выручка предыдущего периода × (1 + темп роста / 100%).

200000×(1+0,05)=210000 грн

Здесь 5% — ожидаемый темп роста, а не гарантированный результат. Его можно обосновать динамикой предыдущих периодов, изменениями ассортимента или запланированным расширением каналов продаж.

Оба подхода просты, но имеют ограничения. Среднее значение не отражает тенденцию к росту или падению, если она чётко сформировалась. А вот прогноз по темпу роста может давать значительную погрешность, если выбранный процент не соответствует текущим условиям.

Метод скользящего среднего

Скользящее среднее позволяет сгладить краткосрочные колебания, усредняя показатели за несколько последовательных периодов. Когда поступает новое значение, самое старое наблюдение исключают из расчета, а новое добавляют. Сглаживание с помощью скользящего окна наблюдений описано в разделе «Moving averages» учебного пособия «Forecasting: Principles and Practice».

Например, магазин продал 120, 150 и 180 единиц товара в течение трёх последних месяцев. Прогноз на следующий месяц по трёхмесячному скользящему среднему составит:

120+150+1803=150 единиц

Этот метод позволяет не придавать чрезмерного значения одному месяцу с необычно высокими или низкими продажами. Его можно использовать для товаров со стабильным спросом, регулярных заказов или предварительного планирования запасов.

Результат зависит от длины выбранного периода. Если усреднять данные за три месяца, прогноз будет быстрее реагировать на свежие изменения. При двенадцатимесячном периоде краткосрочные колебания будут оказывать меньшее влияние, но новые тенденции могут выявляться с опозданием.

Кроме того, простое скользящее среднее не учитывает сезонность автоматически. Если спрос на товар традиционно растет зимой, усреднение летних и зимних продаж может исказить прогноз для конкретного сезона.

Сезонное прогнозирование

Сезонность — это повторяющееся изменение показателей, связанное с определёнными периодами. Она может проявляться в течение года, месяца или даже недели. Например, перед праздниками могут увеличиваться продажи подарков, летом — туристических товаров, а в выходные — заказы в отдельных сегментах розничной торговли.

Если спрос имеет выраженную сезонность, сравнение с аналогичным периодом предыдущего года часто более информативно, чем сравнение с предыдущим месяцем. Для таких случаев используют, в частности, простой сезонный метод: прогноз на определенный месяц или квартал приравнивают к фактическому показателю за соответствующий сезон прошлого года. Этот подход описан в разделе «Some simple forecasting methods».

Простой сезонный подход предполагает использование значения за соответствующий период предыдущего года в качестве исходного ориентира. Например, если в ноябре прошлого года магазин продал 1 200 единиц товара, это может служить основой для прогноза на текущий ноябрь. Однако если бизнес вырос или изменил условия работы, прошлогодний результат необходимо скорректировать.

Сезонность также может сочетаться с долгосрочной тенденцией. Поэтому в более сложных ситуациях её оценивают вместе с общим направлением изменения продаж.

Экспертная оценка и прогнозирование по воронке продаж

Не каждый бизнес имеет длительную историю продаж. Для компаний, которые работают с новыми продуктами, выходят на новый рынок или имеют длительный цикл заключения сделок, важным источником информации становится экспертная оценка.

Руководитель отдела продаж может учитывать опыт менеджеров, текущие переговоры, планы клиентов и типичные причины отказов. Такой прогноз полезен, когда статистики недостаточно, но он зависит от компетентности команды и обоснованности предположений. Чтобы уменьшить субъективность, стоит проверять оценки по фактическим результатам предыдущих периодов.

Дополнительный инструмент — прогнозирование по воронке продаж. Его используют, чтобы оценить ожидаемую сумму сделок с учётом их стоимости и вероятности закрытия. Например, в документации HubSpot по настройке прогнозирования взвешенная сумма сделки определяется как её стоимость, умноженная на вероятность успешного завершения.

Для этого метода особенно важно регулярно обновлять информацию в системе учета клиентов. Если менеджеры не изменяют этапы сделок или продолжают указывать завышенные вероятности после задержек в переговорах, даже математически правильный расчет будет ненадежным.

Как выбрать метод прогнозирования для вашего бизнеса

Малый бизнес с небольшой историей продаж

Если компания работает несколько месяцев и пока не располагает достаточным объемом данных для выявления устойчивых тенденций, целесообразно начать со средних показателей, оценки текущих заказов и экспертных предположений. Для нового продукта полезно дополнительно анализировать результаты тестовых продаж. Важно не воспринимать короткую историю как надежную модель сезонности: нескольких месяцев обычно недостаточно, чтобы отделить повторяющиеся закономерности от случайных колебаний.

Интернет-магазин с сезонным ассортиментом

Для магазина с регулярными продажами по товарам уместны сравнения с аналогичными периодами предыдущих лет и анализ тенденций. Если истории достаточно, можно совместить сезонное прогнозирование со скользящим средним или специализированной моделью спроса. Отдельно нужно учитывать остатки, сроки поставки, акции и ситуации, когда отсутствие товара ограничивало количество продаж.

B2B-компания с длительным циклом заключения сделок

Здесь важно не только анализировать выручку по месяцам, но и оценивать состояние воронки продаж. Прогноз по взвешенной сумме сделок помогает увидеть потенциальный доход, а историческая статистика позволяет проверить, насколько реалистичны оцененные вероятности закрытия. Если сделки длятся несколько месяцев, прогноз нужно строить с учётом ожидаемых сроков завершения, а не только общей стоимости возможностей.

Компания с широким ассортиментом и большим количеством операций

Если бизнес продает сотни или тысячи товарных позиций, ручное прогнозирование каждой из них становится трудоемким. В таком случае стоит автоматизировать сбор данных и сравнить несколько методов на исторических данных. При наличии достаточных ресурсов компания может использовать специализированные прогнозные модели, которые оценивают спрос по отдельным товарам, категориям или регионам.

Прогнозирование продаж с помощью искусственного интеллекта

ИИ-аналитика может расширить возможности классических методов, когда требуется обрабатывать значительные массивы информации, учитывать множество взаимосвязанных факторов и регулярно обновлять оценки.

При прогнозировании спроса могут применяться статистические модели и алгоритмы машинного обучения. Например, Microsoft Dynamics 365 описывает несколько алгоритмов прогнозирования, которые отличаются принципами работы и применимостью к различным типам данных. Это демонстрирует, что даже в рамках одной программной среды выбор модели зависит от структуры исторических наблюдений и поставленной задачи.

ИИ-аналитика может помогать в нескольких направлениях:

• обработка больших массивов данных (анализ истории продаж по товарам, регионам, каналам сбыта или клиентским сегментам);
• выявление закономерностей (взаимосвязи между спросом и переменными: цена, день недели, сезон или рекламная активность);
• прогнозирование на различных уровнях (общая выручка, количество заказов в определенной категории или спрос на отдельный товар);
• проверка сценариев (как изменится расчетный результат при определенных значениях входных показателей);
• регулярное обновление (прогноз можно пересчитывать по мере поступления новой информации, если система интегрирована с источниками данных и настроена соответствующим образом).

Однако не каждый инструмент с искусственным интеллектом поддерживает все эти функции. Возможности зависят от программного обеспечения, качества данных, доступных интеграций и настроек модели. Кроме того, выявленная взаимосвязь не обязательно свидетельствует о причинно-следственной связи.

Генеративный ИИ и прогнозные модели: в чём разница

Важно различать генеративный ИИ и специализированные системы прогнозирования. Генеративные инструменты, в частности текстовые помощники, могут объяснять показатели, помогать обрабатывать таблицы, формулировать предположения, создавать сценарии и готовить аналитические выводы. Однако их ответы сами по себе не являются доказательством точности прогноза.

Специализированная прогнозная модель работает иначе. Она обучается на данных, использует определённый алгоритм и рассчитывает будущие значения в соответствии с выявленными закономерностями. Результат такой модели можно систематически сравнивать с фактическими продажами и проверять на данных, которые не использовались при обучении.

Таким образом, текстовый запрос к чат-боту может быть полезным помощником аналитика, но его не стоит автоматически считать полноценной заменой проверенной прогнозной системы. Прежде чем загружать коммерческие данные во внешний сервис, также необходимо проверить условия их обработки, правила доступа и требования компании к конфиденциальности.

Как сделать прогнозирование продаж рабочим инструментом бизнеса

Качественное прогнозирование начинается с четкой постановки задачи и надежных данных. Для стабильных продаж может быть достаточно простых расчетов, тогда как широкий ассортимент и значительные объемы операций могут оправдывать использование автоматизированных моделей и ИИ-аналитики.

Практический совет! Начните с одного показателя, например, количества заказов в месяц. Постройте базовый прогноз, проверьте его точность на предыдущих периодах и только после этого решайте, нужны ли бизнесу более сложные инструменты.