Основни изводи
- Прогнозирайте там, където се прави поръчката: по продукт, по магазин, по ден, за срока на доставка плюс времето до следващата поръчка.
- Продажбите не са търсене. Дните с празен рафт, отрицателните наличности в системата и намаленията крият част от него.
- На ниво магазин простите методи като експоненциалното изглаждане не отстъпват на машинното обучение; бавнооборотните стоки имат нужда от метод, създаден за спорадично търсене.
- Мерете грешката в бройки за хоризонта на поръчката, с отклонението (bias) до нея, и я сравнявайте с наивно правило. Не използвайте MAPE за бавнооборотни стоки.
- Промоциите, празниците и атмосферното време движат търсенето повече от избора на метод, затова ги въвеждайте като известни събития.
Прогнозирането на търсенето във верига магазини е по-малко въпрос на прогноза за годината и повече на прогноза за утре, продукт по продукт и магазин по магазин. Поръчката, която един магазин изпраща днес следобед, е прогноза за това какво ще купят клиентите му до следващата доставка, независимо дали някой я е записал, или не. Ако е твърде голяма, парите стоят на рафта или отиват в кошчето; ако е твърде малка, рафтът е празен, когато дойде клиентът. Това ръководство показва какво да прогнозирате, кои методи издържат на това ниво и как да разберете дали прогнозата е добра.
1. Какво трябва да прогнозира една верига
Прогнозата е полезна на нивото, на което се взема решението. За снабдяването на магазините това е един продукт в един магазин, ден по ден, защото поръчката, доставката и празният рафт се случват именно там. Общата цифра за веригата е добра за бюджета, но осреднява точно това, от което поръчката има нужда: един магазин, който остава без стока, докато друг държи същия артикул за три седмици.
За големите вериги за хранителни стоки прогнозата на това ниво е нещо обичайно. Albert Heijn прогнозира търсенето на всеки продукт във всеки магазин за следващите 50 дни10, а Tesco заявява, че използва AI, за да оптимизира поръчките на магазините и размера на намаленията11. Sainsbury's премести прогнозирането на храните си на платформа за машинно обучение и заедно с работата с доставчиците си повиши наличността на храни със 190 базисни пункта за четири години9. По-малката верига няма нужда от техните системи, за да работи на същото ниво; има нужда от същата отчетна единица.
2. Продажбите не са търсене
Всяка прогноза за магазин започва от данните от касата, а те записват какво е продадено, а не какво са искали клиентите. Три неща отварят разлика между двете. Продукт, който е свършил, не продава нищо до края на деня, колкото и хора да са го търсили; ръководството за цензурираното търсене показва как това сваля прогнозата. Грешен запис на наличността кара магазина да изглежда празен, когато не е, или пълен, когато е празен. А намаленията продават бройки, които не биха се продали на пълна цена: в изследване на 1705 продукта в 676 магазина на европейска верига за хранителни стоки прогнозата на търговеца подценява търсенето в дните с намаление за около 92% от продуктите5.
Затова, преди да изберете метод, изчистете историята: отбележете дните, в които рафтът е бил празен, маркирайте отрицателните или замръзналите наличности и дръжте дните с промоции и намаления отделно от обикновените. Изследователите, които класифицират 31 006 времеви реда за продуктите на търговец с три магазина, го казват направо: както и да се откриват липсите на стока, те трябва да се третират в модела3.
3. Методи: от простите до машинното обучение
- Наивна и сезонна наивна прогноза. Утре се продава колкото днес, или следващата сряда се продава колкото миналата сряда. Това е еталонът, който всеки друг метод трябва да надмине1.
- Пълзяща средна. Средната стойност за последните няколко седмици. Проста е, но всеки ден в прозореца тежи еднакво, а денят преди него не тежи нищо, затова резултатът скача, когато необичаен ден излезе от прозореца1.
- Експоненциално изглаждане. Претеглена средна, в която последните дни тежат най-много, а по-старите постепенно губят тежест, с коефициенти за деня от седмицата и официалните празници. Това е основният работен инструмент на прогнозирането в магазините.
- Методи за спорадично търсене. Когато в повечето дни не се продава нищо, те прогнозират поотделно колко често има продажба и колко голяма е тя. Тук спадат методът на Croston и неговите наследници като TSB; обикновеното експоненциално изглаждане не спада1.
- Машинно обучение. Градиентно усилените дървета на решенията и подобни модели се учат едновременно от много продукти и магазини и могат да приемат промоциите, цените и атмосферното време като входни данни.
Машинното обучение печели категорично при общата цифра за веригата и много по-малко във всеки отделен магазин. В състезанието M5 с данни на Walmart печелившият модел изпреварва експоненциалното изглаждане с 22,4% общо, но само с 3,4% на ниво продукт и магазин, където данните са шумни и спорадични. Когато Petropoulos и колегите му повтарят теста с цяла година последователни прогнози за 28 298 времеви реда продукт-магазин, експоненциалното изглаждане излиза малко по-точно от копие на печелившия ансамбъл от модели за машинно обучение и по-евтино за изпълнение2. За верига от няколко магазина добре настроен прост метод с чисти данни бие сложен модел с мръсни данни.
4. Повечето артикули продават под една бройка на ден
Учебниковата картина на гладка крива на продажбите рядко пасва на магазин. При търговеца с три магазина по-горе около 78% от времевите редове са спорадични дори когато се броят по седмици3. В 46 841 дневни времеви реда от 446 магазина средният ред има 492 дни без продажба от 7274. Прогнозата за такъв артикул е дроб, 0,3 на ден, а запасът, който я покрива, е няколко бройки с голяма несигурност около тях.
Ето как изглежда това в реална поръчка. Yammy Way, верига магазини за сладкиши в Румъния, която използва marql, има магазин в Брашов, чиято поръчка за 17 ноември 2026 г. съдържа 17 реда; marql отбелязва 11 от тях като свършващи преди следващия камион. Ето някои от тях, както marql ги показа в този ден:
| Продукт | Продажби на ден | Запасът стига за | Какво показва marql |
|---|---|---|---|
| Toxic Waste Blue Raspberry Chew Bar 20 g | Продажби на ден1,5 | Запасът стига за2,7 дни | Какво показва marqlСвършва преди камиона |
| Toxic Waste Apple Chew Bar 20 g | Продажби на ден1 | Запасът стига за1 ден | Какво показва marqlСвършва преди камиона |
| Sour Patch Blue Raspberry 102 g | Продажби на ден0,4 | Запасът стига за2,6 дни | Какво показва marqlСвършва преди камиона |
| Hello Kitty Gummi Treats Fruit 88 g | Продажби на ден0,3 | Запасът стига за6,2 дни | Какво показва marqlСвършва преди камиона; първо проверете, малко данни |
| Johny Bee 3D Gummy Cup Cake 18 g | Продажби на ден0,7 | Запасът стига за0 дни | Какво показва marqlНаличността е −3 в ERP, чете се като празен рафт; проверете преди изпращане |
| Amos Peelerz Raspberry 65 g | Продажби на ден0,1 | Запасът стига за7,5 дни | Какво показва marqlСвършва преди камиона |
Три неща в тази поръчка са типични за малка верига. Повечето артикули продават доста под две бройки на ден, затова прогнозата е темп, а не брой. Някои записи на наличности са отрицателни, което е невъзможно на рафта и трябва да се провери от човек, преди поръчката да тръгне. А срокът на доставка още не е известен, затова хоризонтът е стойност по подразбиране, а не факт. Успешната история на Yammy Way и Pralio описва веригата.
5. За колко време напред да прогнозирате
Една поръчка трябва да стигне до пристигането на следващата, затова хоризонтът, който има значение, е срокът на доставка на доставчика плюс времето до следващата поръчка. За магазин, който поръчва всеки вторник от доставчик, който доставя за три дни, това са десет дни. Прогноза за по-далеч е планиране, прогноза за по-кратко оставя дупка. Самият срок на доставка варира и тази вариация има нужда от собствен запас: ръководствата за точката на поръчка и предпазния запас показват как прогнозата и нейната несигурност се превръщат в количество.
6. Как да измервате точността на прогнозата
Мерете грешката в бройки, сумирана за хоризонта на поръчката, и поставете две числа едно до друго. WAPE, общата абсолютна грешка, разделена на общите продажби, показва колко далеч е прогнозата. Отклонението (bias), общата грешка с нейния знак, показва дали прогнозата е средно твърде висока или твърде ниска1. Прогноза с нисък WAPE и постоянно отрицателно отклонение пак изпразва рафтовете.
Избягвайте MAPE за прогнозите на магазините. Той не може да се изчисли в ден без продажби, а при много артикули в магазина такива са повечето дни, и освен това минимизирането му сваля прогнозите твърде ниско. Дори мерките с абсолютна грешка подвеждат при бавнооборотните стоки: за продукт, който обикновено не продава нищо, прогнозата с най-малка абсолютна грешка е нула, а с нея той никога не би бил зареден отново1. Три навика държат мярката честна: сравнявайте с наивно правило в същите дни, изключвайте дните с празен рафт, защото продажбите в тях са били ограничени от наличността, и следете отклонението поне толкова внимателно, колкото грешката.
7. Промоции, празници и атмосферно време
Повечето големи грешки в прогнозата идват от събития, а не от метода. Промоциите рязко движат обема, а механиката им има значение: в осем шведски супермаркета оферта за два броя продава с 19,5% повече бройки от равностойната отстъпка за една бройка6. Празниците са още по-трудни: германските вериги за хранителни стоки имат с 50% по-голям оборот в седмицата преди Коледа 2021 г., отколкото в средна седмица, а някои съобщават за точност на прогнозата едва 35% в празничните периоди7. Атмосферното време движи цели категории: обемите на продажбите в хранителните магазини във Великобритания спадат с 5,4% през май 2025 г. и се покачват с 0,7% през юни, когато супермаркетите посочват топлото време като причина8.
Третирайте ги като известни събития, а не като шум. Въвеждайте промоциите с датите и механиката им, поддържайте календар на официалните празници за всяка държава, в която търгувате, и позволете на човек да коригира прогнозата за това, което историята не е виждала, например местен фестивал или ремонт на пътя пред магазина. Ръководството за AI снабдяване описва кои от тези решения да оставите на алгоритъма и кои на закупчика. По-добрите прогнози намаляват и отпадъците при пресните артикули: Albert Heijn отдава на прогнозите си по магазини, заедно с динамичните намаления, спестяването на над 1,5 милиона килограма хранителни отпадъци през 2024 г.10; ръководството за хранителните отпадъци покрива останалото.
Бележка за източниците: три от цитираните тук изследвания са препринтове, които още не са рецензирани, цифрите на търговците са техни собствени и съчетават прогнозирането с друга работа, а цифрите за точността през празниците идват от интервюта без обща мярка.
Как marql показва това в поръчката на магазина
В marql AI мениджърът на запасите подготвя поръчката на всеки магазин от продажбите и наличностите, които чете от POS и ERP системата, която веригата вече използва. Всеки ред показва колко се продава артикулът на ден в този магазин, за колко дни стига наличността на рафта и дали ще свърши преди следващата доставка. Всяка поръчка казва на какво се основава, включително срока на доставка на доставчика, и го отбелязва като стойност по подразбиране, когато още не е известен. Редовете с малко данни, със стара или липсваща наличност или с отрицателна наличност в системата излизат първи, за да погледне някой рафта, преди поръчката да тръгне. marql изчислява количествата; човек ги проверява, коригира и изпраща поръчката.
Източници
- Kolassa, S., Rostami-Tabar, B., Siemsen, E. (2023). Demand Forecasting for Executives and Professionals. Chapman & Hall/CRC. doi:10.1201/9781003399599. dfep.netlify.app
- Petropoulos, F., Grushka-Cockayne, Y., Siemsen, E., Spiliotis, E. (2025). Wielding Occam's razor: Fast and frugal retail forecasting. Journal of the Operational Research Society 76(8), 1564-1583. doi:10.1080/01605682.2024.2421339. arxiv.org
- Svetunkov, I., Sroginis, A. (2025-11-13). Why do zeroes happen? A model-based approach for demand classification. arXiv:2504.05894 (preprint). arxiv.org
- Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A. (2026-03-11). Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941 (preprint). arxiv.org
- Winkelmann, D., Elbracht, T., Brenker, J., Gerzen, A. (2026-02-04). Discounted Sales of Expiring Perishables: Challenges for Demand Forecasting in Grocery Retail Practice. arXiv:2602.04464 (preprint). arxiv.org
- Gravert, C., Mormann, M. (2025). In-store food promotions increase sales as well as household food waste. Scientific Reports 15, 18035. doi:10.1038/s41598-025-01800-x. doi.org
- Obermair, A., Holzapfel, A., Kuhn, H. (2023). Operational planning for public holidays in grocery retailing: managing the grocery retail rush. Operations Management Research 16, 931-948. doi:10.1007/s12063-022-00342-z. doi.org
- Office for National Statistics (2025-07-25). Retail sales, Great Britain: June 2025. ons.gov.uk
- J Sainsbury plc (2025). Annual Report and Financial Statements 2025, strategy overview. sainsburys.co.uk
- Ahold Delhaize (2025). Annual Report 2024. aholddelhaize.com
- Tesco PLC (2026-05-15). Sustainability Report 2026. tescoplc.com
ТемиПрогнозиране на търсенето, Снабдяване, Точност на прогнозата, Поръчки на магазините
Всички статии