marql

Прогнозиране на търсенето за верига магазини: всеки магазин, всеки продукт, всеки ден

Прогнозата на една верига не е едно число за годината. Тя е хиляди малки числа, по едно за всеки продукт във всеки магазин за всеки ден, повечето под една бройка. Ето какво работи на това ниво и как да разберете дали работи.

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:

Toxic Waste Blue Raspberry Chew Bar 20 gПродажби на ден1,5Запасът стига за2,7 дниКакво показва marqlСвършва преди камиона
Toxic Waste Apple Chew Bar 20 gПродажби на ден1Запасът стига за1 денКакво показва marqlСвършва преди камиона
Sour Patch Blue Raspberry 102 gПродажби на ден0,4Запасът стига за2,6 дниКакво показва marqlСвършва преди камиона
Hello Kitty Gummi Treats Fruit 88 gПродажби на ден0,3Запасът стига за6,2 дниКакво показва marqlСвършва преди камиона; първо проверете, малко данни
Johny Bee 3D Gummy Cup Cake 18 gПродажби на ден0,7Запасът стига за0 дниКакво показва marqlНаличността е −3 в ERP, чете се като празен рафт; проверете преди изпращане
Amos Peelerz Raspberry 65 gПродажби на ден0,1Запасът стига за7,5 дниКакво показва marqlСвършва преди камиона
Yammy Way, поръчката на магазина в Брашов в marql, 17 ноември 2026 г. Графикът на камионите от склада още не е известен, затова планът използва срок на доставка по подразбиране от 7 дни.

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.

  1. Kolassa, S., Rostami-Tabar, B., Siemsen, E. (2023). Demand Forecasting for Executives and Professionals. Chapman & Hall/CRC. doi:10.1201/9781003399599. dfep.netlify.app
  2. 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
  3. Svetunkov, I., Sroginis, A. (2025-11-13). Why do zeroes happen? A model-based approach for demand classification. arXiv:2504.05894 (preprint). arxiv.org
  4. 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
  5. 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
  6. 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
  7. 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
  8. Office for National Statistics (2025-07-25). Retail sales, Great Britain: June 2025. ons.gov.uk
  9. J Sainsbury plc (2025). Annual Report and Financial Statements 2025, strategy overview. sainsburys.co.uk
  10. Ahold Delhaize (2025). Annual Report 2024. aholddelhaize.com
  11. Tesco PLC (2026-05-15). Sustainability Report 2026. tescoplc.com

ТемиПрогнозиране на търсенето, Снабдяване, Точност на прогнозата, Поръчки на магазините

Всички статии

Блог

Често задавани въпроси

Оценка колко от всеки продукт ще купят клиентите във всеки магазин за предстоящ период, обикновено ден по ден, така че поръчките, доставките и наличностите да съответстват на нея. Тя започва от историята на продажбите и се коригира за липсите на стока, промоциите, празниците и други известни събития.

Прогнозата за продажбите предвижда какво ще се продаде, а то е ограничено от наличността на рафта. Прогнозата за търсенето предвижда какво биха купили клиентите, ако продуктът беше там. За поръчките ви трябва търсенето, затова дните с празен рафт трябва да се обработят преди прогнозирането.

За всеки продукт във всеки магазин експоненциалното изглаждане с коефициенти за деня от седмицата и празниците е силен избор по подразбиране, с отделен метод като Croston или TSB за артикулите, които се продават само в някои дни. Машинното обучение дава най-много на агрегирано ниво и там, където промоциите и цените движат търсенето.

Сумирайте абсолютната грешка в бройки за хоризонта на поръчката и я разделете на продадените бройки (WAPE), посочете до нея отклонението и сравнете двете с наивно правило в същите дни. Изключете дните, в които рафтът е бил празен, и не използвайте MAPE за бавнооборотни артикули.

Толкова често, колкото пристигат нови продажби, и поне преди всяка поръчка, което за повечето магазини означава всеки ден. Прогнозата трябва да покрива срока на доставка на доставчика плюс времето до следващата поръчка.

Заемете модела на подобни продукти: същата категория, същия ценови клас или продукта, който замества, мащабиран спрямо магазините, в които влиза. Заменете заетия модел със собствените продажби на продукта, щом се натрупат няколко седмици от тях.