Прогнозировать можно весь путь клиента и экономики бизнеса. От посещений сайта, приложения или магазина — к заявкам, записям и покупкам; от числа заказов — к выручке, возвратам, валовой и маржинальной прибыли. Для каждого показателя выбирают период и уровень детализации, на котором по нему принимают решение.

Так, прогноз выручки на месяц нужен финансовой команде. Прогноз визитов по магазинам на каждую неделю помогает составить графики сотрудников. Прогноз обращений по рекламным каналам показывает, хватит ли мощности кол-центра. А прогноз маржи по категориям позволяет заметить, что рост продаж обеспечен слишком дорогим трафиком или чрезмерной скидкой.

Иногда лучший ранний сигнал — не покупка. В автомобильном бизнесе им может быть состоявшийся тест-драйв, в туризме — квалифицированное обращение или бронь, в клинике — запись и состоявшийся приём, в B2B — запрос коммерческого предложения. Такие события прогнозируют отдельно: между интересом клиента и получением денег может пройти несколько недель или месяцев.

У каждой категории свой язык спроса. Продуктовому ритейлеру важно понимать спрос на свежие продукты в конкретном магазине: излишек превращается в списание, недостаток — в потерянную продажу. Fashion-бренду важны размерный ряд, регион и сезон: популярная модель без нужных размеров не даст ожидаемой выручки. Продавцу мебели нужно учитывать длинный цикл выбора, заявки на консультацию, доставку и сборку. В электронике спрос меняют выход новых моделей, цена и наличие у конкурентов.

У услуг другая единица планирования — время специалиста или место в расписании. Туроператору важны направления и даты вылета, отелю — ночи проживания и загрузка, парку развлечений — посещаемость по дням и ожидаемые траты гостей, автодилеру — поток лидов и тест-драйвов по дилерским центрам. Одна система прогнозирования может работать с этими задачами, если для каждой из них правильно определить событие, ограничения и управленческое решение.

География тоже меняет картину. Для одного города важнее погода и локальные мероприятия, для другого — сезон отпусков; для сети с несколькими странами добавляются разные праздники, валюты, сроки доставки и рекламные рынки. Поэтому средний прогноз «по всей компании» редко отвечает на вопрос, где именно нужно действовать.

Один горизонт не подходит для всех решений. На ближайшую неделю компании нужны прогнозы для графика персонала, распределения рекламных расходов и пополнения запасов. Прогноз на месяц используют для плана продаж, денежных поступлений и поставок. Сезонный прогноз помогает заранее обсудить закупки, ассортимент, мощности и цели по прибыли. У одного бизнеса при этом могут одновременно работать ежедневные, недельные и месячные прогнозы.

Не менее важно, как они складываются друг с другом. Если прогноз выручки компании равен 100 млн ₽, сумма прогнозов по непересекающимся разрезам тоже должна составлять 100 млн ₽. Для каналов заранее фиксируют правило отнесения заказа к одному каналу, иначе одна покупка может попасть в несколько строк. При этом отдельная точка продаж может иметь слишком мало наблюдений для устойчивого прогноза, и модель должна использовать информацию о похожих точках и сети в целом.

Такой подход называют иерархическим прогнозированием: в исследовании Hyndman и соавторов описан способ согласовать прогнозы на разных уровнях; авторы показывают его в том числе на туристическом спросе Австралии по регионам и целям поездки.

Прогноз опирается на историю, но должен знать контекст будущего периода. На первом этапе собирают сопоставимые ряды (временные): визиты, обращения, продажи, возвраты, цены, скидки, себестоимость и затраты по датам и разрезам. Затем добавляют факторы, которые помогают объяснить изменения: день недели, праздники, запланированные кампании, наличие, погодный прогноз, события, открытия и закрытия точек.

Здесь есть принципиальное ограничение: при построении прогноза модель может использовать только то, что было известно на дату его выпуска, или отдельно спрогнозированные будущие факторы. Фактическую конверсию следующей недели нельзя подставлять в прогноз выручки этой недели. Если рекламный бюджет ещё не утверждён, нужен набор сценариев, а не видимость точного ответа. Это различие между известными будущими факторами и предположениями разбирается в популярном учебнике Forecasting: Principles and Practice.

Исторические продажи также не всегда равны спросу. Если товара не было в наличии, нулевая продажа не означает нулевой интерес. Если у ресторана закончились свободные столы или у клиники — слоты записи, наблюдаемый результат ограничен мощностью. Эти периоды нужно отмечать в данных: иначе модель может принять дефицит предложения за отсутствие спроса.

Выручку полезно видеть и напрямую, и через её составляющие. В простом интернет-магазине ориентиром может служить цепочка «визиты × конверсия в заказ × средняя выручка на заказ». Если ожидается 100 тыс. визитов, конверсия 2% и средняя выручка на заказ 5 тыс. ₽, примерный прогноз составляет 10 млн ₽. Это иллюстрация расчёта, а не показатель конкретной компании.

Разложение отвечает на вопрос «почему»: выручка снизится из-за меньшего трафика, слабой конверсии или изменения среднего заказа? Для автомобильного дилера аналогичная цепочка проходит через лиды, записи, состоявшиеся тест-драйвы, сделки и выдачи автомобилей. Для услуг — через обращения, записи, визиты и оплаты.

Однако факторы в цепочке связаны между собой. Привлечение более широкой аудитории может поднять трафик и одновременно снизить конверсию; скидка может поднять продажи и уменьшить маржу. Поэтому при расчёте нельзя просто сложить независимые оптимистичные прогнозы каждого звена. На практике сравнивают результат модели, которая прогнозирует выручку напрямую, с результатом модели, собирающей её из компонентов, и проверяют согласованность цифр.

Маржа требует собственной модели экономики: цены продажи, скидки, себестоимости, возвратов, комиссий площадок и переменных затрат — в зависимости от того, что компания включает в этот показатель. Прогноз выручки сам по себе ничего не говорит о будущей прибыльности.

Базовый прогноз отвечает на вопрос «что ожидаем», сценарий — «что будет при наших действиях». Базовая версия учитывает уже известные условия: сезон, утверждённые бюджеты, запланированные промо и доступные мощности. Далее можно сравнить варианты: что произойдёт с обращениями при увеличении расходов на поиск; как изменятся продажи и маржа при скидке; выдержит ли команда ожидаемый поток заявок; стоит ли перераспределить запас между городами.

При этом историческая связь между рекламными расходами и продажами ещё не доказывает, что дополнительный бюджет создаст столько же дополнительных заказов. Чтобы оценить эффект нового решения, нужны эксперименты, надёжная оценка отдачи от затрат или явно сформулированные допущения. Когда таких данных нет, сценарий честно показывает диапазон результатов при выбранных предпосылках.

Будущее лучше описывать диапазоном, а не единственной цифрой. Например, прогноз месячной выручки может иметь центральное значение 20 млн ₽ и оценку диапазона вероятных исходов. Тогда руководитель видит не только ожидаемый результат, но и риск оказаться ниже плана. Для товаров с коротким сроком годности особенно важен риск избытка; для сезонного хита — риск дефицита. Ошибки в обе стороны стоят бизнесу по-разному.

Интервал не должен служить декоративной тенью вокруг линии на графике. Его проверяют на прошлых периодах: насколько часто фактические значения оказывались внутри заявленного диапазона. В исследовании по вероятностной части соревнования M5 прогнозировали распределение возможных продаж на разных уровнях розничной сети, а не только одно ожидаемое число.

Практический результат виден там, где прогноз меняет действия. В британской сети One Stop внедрение прогнозирования спроса вместе с системой пополнения запасов улучшило точность прогноза на уровне «товар — магазин — неделя» на 1,82 процентного пункта. Доступность товаров в магазинах выросла на 1,5 процентного пункта. Результат связан с полным процессом — от прогноза до пополнения, а не с алгоритмом отдельно.

В норвежском продуктовом онлайн-магазине Oda, ранее Kolonial.no, прогнозы на уровне дня стали учитывать промо и сезонность. На фоне внедрения прогнозирования и изменения процессов закупки и пополнения доля испорченных продуктов в продажах снизилась на 49%, а оборачиваемость запасов выросла на 25%. Наличие при этом сохранялось на прежнем уровне. Этот пример особенно важен для бизнеса, в котором рост продаж нельзя оплачивать ростом списаний.

У американского продавца туров AffordableTours.com задачей был не прогноз выручки, а число звонков по дням. Компания использовала его для планирования числа операторов и сообщила об улучшении показателя пропущенных звонков примерно на 20%. Это пример того, как прогноз косвенного показателя защищает будущие конверсии и качество обслуживания.

Похожие задачи возникают в других регионах и категориях. Например, австралийский онлайн-магазин косметики Adore Beauty построил прототип ежедневного прогноза выручки с возможностью анализа сценариев по брендам. Публичный материал описывает прототип и сценарный анализ, но не приводит подтверждённого прироста выручки от него. Поэтому этот пример показывает применение сценариев, а не финансовый эффект внедрения.
Хороший прогноз проходит проверку прошлым и проверку действием. Для начала его сравнивают с понятным ориентиром: например, продажами за аналогичный период прошлого года с поправкой на календарь или простым сезонным прогнозом. Проверку проводят последовательно во времени: модель получает только данные, которые были доступны на тот момент, и предсказывает следующие недели или месяцы. Такой принцип проверки на временных рядах описан в Forecasting: Principles and Practice.

Ошибка по всей сети может выглядеть небольшой и при этом скрывать сильные промахи по отдельным магазинам. Поэтому оценивают точность по горизонту, категории, региону и важным для решения точкам. Смотрят на систематическое завышение или занижение, ошибки в пиковые периоды и надёжность прогнозного диапазона. Для редких продаж доли процентной ошибки могут вести себя плохо; способ измерения выбирают под задачу.

Затем проверяют бизнес-результат. Уменьшились ли списания без роста дефицита? Стало ли меньше пропущенных обращений? Удалось ли сохранить маржу при выполнении плана продаж? В академической работе о результатах M5 сравниваются методы прогнозирования более 42 тыс. связанных рядов продаж Walmart. Это основа для выбора методов и оценки точности; финансовый эффект конкретного внедрения нужно измерять отдельно.

Прогноз становится полезным, когда встроен в рабочий цикл. Данные из аналитики сайта и приложения, CRM, касс, рекламных кабинетов, учётной и билетной систем регулярно обновляются. Модель пересчитывает прогноз, а дашборд показывает план, ожидаемый результат, фактическую динамику и причины заметных отклонений. Команда видит дату, когда прогноз был сделан, и не путает его с версией, обновлённой после появления новых данных.
Например, маркетолог открывает прогноз на восемь недель и видит: по одному региону ожидается рост платного трафика, но снижение конверсии; по другому — спрос выше доступного запаса; по третьему — план по выручке достижим, но прогноз маржи ниже целевого уровня. Из этого следуют конкретные задачи для маркетинга, закупок, продаж и финансов. Следующий пересчёт показывает, сработали ли принятые меры.

Важное применение прогнозов в маркетинге - например, в ROPO (research online purchase offline) аналитических моделях и ММО (marketing mix modeling) моделях. В обоих случаях нет прямой связи между онлайн трафиком или рекламными инвестициям и результирующими офлайн продажами. Для вычисления данного эффекта и строится базовый прогноз "как было бы". А разница с реальным результатом атрибутируется уже к рекламе или новому источнику трафика.

Если же реклама не принесла дополнительного дохода (или отключение рекламы не принесло его сокращение), значит, мы считаем, реклама не влияет на продажи.