На уровне категории решают, сколько внимания отдать, например, уходовой косметике по сравнению с декоративной. На уровне бренда планируют совместную кампанию с поставщиком. На уровне SKU выбирают конкретную модель, объём, цвет или размер для витрины, рассылки и рекламы. Там, где бренд встречается в нескольких категориях, его рассматривают в пересечении с категорией: прогнозы должны складываться без двойного учёта.

Для маркетингового календаря часто полезен разрез «товар × регион × канал × неделя». Если спрос меняется ежедневно или товар быстро портится, горизонт сокращают до дня. Для сезонной коллекции прогноз строят на месяцы вперёд, но обновляют по первым сигналам продаж. Для дорогой мебели или техники учитывают длинный путь от просмотра до заказа; у производителя дополнительно согласуют поддержку со сроками выпуска и поставки. Описание более широкого контура прогнозирования продаж есть в разделе о прогнозировании продаж.

В одежде и обуви важны размеры, цвета, сезон и скорость ухода коллекции. Рекламировать куртку при отсутствии ходовых размеров бессмысленно, даже если остаток модели в штуках велик. В косметике учитывают повторную покупку, оттенки, пробники и влияние запуска нового бренда на соседние линейки. В электронике на продажи влияют появление новых поколений устройств, цена конкурентов, комплектация и гарантийное предложение.

В продуктовом ритейле задача меняется из-за срока годности: для свежих продуктов недостаточный спрос означает списания, а избыточная поддержка при нехватке поставок — пустую полку. Для товаров для дома и ремонта важны совместные покупки: продвижение краски может увеличить спрос на кисти и грунтовку. Для автозапчастей важнее совместимость с конкретными моделями и наличие в нужном городе, чем общая популярность SKU по стране.

Бизнес-модель тоже меняет решение. Производитель прогнозирует спрос у розничных партнёров и договаривается о торговой поддержке. Маркетплейс учитывает позиции в поиске и конкуренцию продавцов. Собственная розничная сеть смотрит на доступность товара в каждом магазине и возможность доставки между точками. Оптовик планирует поддержку ассортимента клиентов с учётом минимальных партий. В Москве, небольшом городе, Казахстане или европейской сети отличаются календарь спроса, климат, цены, сроки доставки и локальный ассортимент. Поэтому общий прогноз по бренду уточняют до того уровня географии, на котором команда действительно может изменить предложение.

Если SKU закончился на складе или в магазине, падение продаж может означать дефицит, а не потерю интереса. В fashion тот же эффект создаёт отсутствие популярных размеров; в e-commerce — недоступная доставка в нужный район; в магазине электроники — отсутствие конкретной конфигурации. Периоды без наличия, ограничения по размерам, задержки поставки и снятие товара с витрины отмечают отдельно. Для оценки неудовлетворённого спроса используют историю до дефицита, динамику похожих товаров, поисковые запросы, просмотры карточек и подписки на уведомление о поступлении.

Это не просто техническая поправка. Если модель обучить на продажах во время дефицита, она может прогнозировать слишком мало товара и советовать сократить рекламу именно там, где спрос есть. В академическом исследовании о продажах при ограниченном запасе показано, почему наблюдаемые продажи становятся неполным отражением спроса и как неточности учёта остатков могут смещать его оценку вниз.

Для действующего товара это продажи, возвраты, остатки и скорость их изменения. Для нового — поисковые запросы по категории, открытия карточки, добавления в избранное и корзину, лист ожидания, предзаказы и реакция на первые показы. Модель учитывает календарь, цены, скидки, рекламу, доступность, изменения в выдаче маркетплейса, погоду, события в регионе и действия конкурентов там, где такие данные доступны.

У сигнала есть контекст. Рост просмотров карточки после резкого увеличения рекламных показов ещё не означает пропорционального роста покупок. Высокая доля добавлений в корзину при низких заказах может указывать на цену, доставку или условия возврата. Если у SKU нет истории, первые ориентиры дают категория, бренд и похожие товары; после запуска прогноз корректируют по реальным откликам. Важное правило: прогноз на дату решения строят только из сведений, доступных на эту дату, плюс явно заданных планов и сценариев.

Редкий SKU может продаваться нерегулярно: одна акция заметно меняет недельный ряд. Прогноз категории при этом устойчивее, но скрывает, какие именно товары создадут продажи. Поэтому модель использует информацию с нескольких уровней, а затем согласует результаты, чтобы сумма прогнозов по SKU соответствовала прогнозу по непересекающимся группам товаров.

В розничном соревновании M5 на данных Walmart исследователи работали с 42 840 связанными рядами продаж разных уровней и оценивали как точность, так и неопределённость прогноза. Методы согласования прогнозов по иерархиям подробно разбирает обзор Athanasopoulos и соавторов. Это исследования методов прогнозирования, а не обещание прироста продаж для конкретного магазина.

Базовый сценарий отвечает на вопрос, сколько товара, вероятно, купят при текущей цене, наличии и уже согласованных активностях. Сценарий поддержки показывает возможный результат при изменении размещения, рекламного бюджета, скидки, рассылки или участия в акции. Оба сценария проверяют на доступный остаток, ожидаемые поставки и пропускную способность доставки.

Предположим, базовый спрос на SKU — 1 000 штук, а план кампании допускает ещё 180. Если до пополнения есть только 1 050 единиц, продать все дополнительные 180 невозможно. Прежде чем увеличивать бюджет, нужно обеспечить поставку либо направить внимание на доступный аналог. Числа здесь иллюстративные: разницу между двумя прогнозами нельзя автоматически объявить доказанным эффектом рекламы.

Чтобы измерить именно дополнительный эффект, кампанию по возможности проверяют на сопоставимых группах товаров, покупателей или регионов, а для достаточно крупной программы используют эксперимент с контрольной группой. Без него сценарий остаётся оценкой при выбранных предпосылках. В исследовании Kellogg School of Management о 15 рекламных экспериментах показано, что оценки на наблюдательных данных нередко расходятся с результатами случайного распределения рекламы. Это причина отдельно проверять инкрементальность, а не путать рекламно обусловленный рост прогноза с подтверждённым приростом.

Скидка на один объём шампуня может забрать покупателей у другого объёма того же бренда. Акция на телевизор иногда переносит покупку на более раннюю дату, но почти не меняет продажи за сезон. Бывает и обратное: реклама кофемашины поднимает спрос на капсулы, а продвижение краски — на сопутствующие инструменты. Эти эффекты называют каннибализацией, переносом спроса между периодами и сопутствующим эффектом.

Поэтому результат оценивают не только по рекламируемой позиции. Например, если акция принесла товару 100 дополнительных продаж, но 70 покупателей отказались от близкого товара с более высокой маржой, рост выручки рекламируемого SKU может сопровождаться снижением прибыли категории. В работе Ma и Fildes предложена модель планирования промо на уровне SKU, которая учитывает связи между товарами и периодами и оптимизирует прибыль категории. Авторы сообщают примерно о 17% прироста прибыли категории в своих эмпирических испытаниях модели; это результат исследования, а не публично подтверждённый эффект внедрения у отдельной компании.

Если спрос высокий, а запас ограничен, задача маркетинга — не ускорять дефицит; команда сначала решает вопрос поставки. Если запас высок, спрос ниже плана и товар приносит хорошую маржу, его проверяют как кандидата на кампанию. Если маржа низка, увеличение количества продаж может ухудшить экономику. А если товар и так продаётся по плану без платной поддержки, бюджет имеет смысл направить туда, где он способен изменить результат.

Практическое правило для списка кандидатов: оценить дополнительные единицы продаж всей категории и сопутствующих товаров, умножить их на соответствующую маржу после скидок и переменных расходов, затем вычесть рекламный бюджет. Учитывать нужно также риск возвратов, списаний и дефицита. Для бренда поставщика и магазина критерии могут различаться: полезно явно показывать, чью прибыль оптимизирует кампания и какую часть её бюджета оплачивает партнёр.

На выходе команда получает не абстрактную модель, а календарь действий. В строке плана указаны SKU или группа товаров, неделя, регион и канал, базовый прогноз спроса, сценарий поддержки, прогноз продаж с учётом наличия, ожидаемый диапазон эффекта, расходы, маржинальная прибыль и ответственный. Рядом — понятное ограничение: «доступно только 60% размерного ряда», «поставка через две недели», «скидка конкурента до воскресенья» или «нужна проверка эффекта на контрольной группе».

Пример решения: косметический бренд планирует поддержку линейки сывороток на маркетплейсе. В одном регионе спрос растёт и товара мало — там рекламу откладывают до поставки. В другом много остатков и хорошая конверсия карточки — там запускают размещение и проверяют прирост. Для новой сыворотки данных мало — её начинают продвигать ограниченно и пересчитывают прогноз после первых покупок. Так единый бюджет превращается в разные действия для разных товаров и регионов.

Шведский онлайн-ритейлер продуктов Mathem объединил прогнозирование, планирование промо и пополнение запасов. По данным опубликованного кейса RELEX, доля прибыльных акций выросла на 21 процентный пункт, а валовые продажи товаров в промо — более чем на 20%. Это результат совместного изменения планирования и процессов, поэтому приписывать его одному алгоритму прогнозирования было бы некорректно.

Британская сеть магазинов у дома One Stop сообщает об улучшении точности прогноза на уровне «товар — магазин — неделя» на 1,82 процентного пункта и о росте доступности ассортимента на 1,5 процентного пункта после внедрения прогнозирования вместе с пополнением. Этот пример относится прежде всего к наличию и поставкам: для маркетинга он показывает, почему товарное продвижение должно опираться на точный локальный прогноз и реальные остатки.

Первый экран показывает спрос и прогноз продаж по категориям, брендам и SKU в разрезе недель и регионов. На втором сравнивают базовый сценарий, поддержанный сценарий и фактические продажи с отметками запуска акций, изменения цены и дефицита. Таблица кандидатов сортирует товары по ожидаемой дополнительной маржинальной прибыли после затрат; доступные остатки, возвраты и риск каннибализации видны в той же строке.

Руководитель смотрит исполнение плана категории, сумму рекламной поддержки и прибыль; категорийный менеджер — наличие, продажи соседних SKU и риск списаний; маркетолог — бюджет, тестовые и контрольные группы, подтверждённый дополнительный эффект и дату следующего решения. Отдельно показывают качество прогноза по категориям, товарным группам и горизонтам: систематическую ошибку, ошибку в штуках и рублях, долю попаданий в прогнозный диапазон. Метрики считают по тем версиям прогноза, которые были доступны до начала периода.