Бизнес-контекст
В fashion retail ошибка прогноза напрямую превращается в деньги.
Если спрос недооценён, товар заканчивается раньше времени: компания теряет продажи, клиент уходит к конкуренту, а команда вынуждена срочно перераспределять остатки между каналами. Если спрос переоценён, на складе остаётся лишний товар: деньги замораживаются в остатках, растут расходы на хранение, а затем приходится делать скидки и распродажи.
Особенно сложна эта задача в одежде: спрос зависит от сезона, коллекции, товарной категории, канала продаж, маркетинговой активности, наличия размеров, остатков, поведения покупателей и внешних факторов. Простая статистика часто не учитывает всю эту комбинацию.
Типовые проблемы:

• планирование закупок строится на грубых исторических оценках;
• прогноз плохо учитывает разные каналы продаж;
• онлайн, розница и маркетплейсы имеют разную динамику;
• сезонность и маркетинговые факторы сложно учесть вручную;
• из-за ошибок прогноза возникают лишние остатки или дефицит;
• ассортиментные решения принимаются с недостаточной точностью;
• планирование на длинном горизонте и краткосрочная оптимизация требуют разных моделей.

До автоматизации
До внедрения ML-подхода прогнозирование продаж обычно строилось на статистических методах и ручной аналитике.
Процесс выглядел так:

• собирались исторические продажи;
• аналитики смотрели продажи по товарам и каналам;
• учитывали сезонность и прошлые периоды;
• строили прогноз на основе статистического baseline;
• корректировали оценки вручную;
• передавали прогноз в закупки, ассортиментное планирование или логистику.

Такой подход работает как базовая точка отсчёта, но плохо масштабируется, когда нужно учитывать много товаров, каналов, горизонтов прогноза и бизнес-факторов одновременно.

После автоматизации
Система автоматизирует прогнозирование продаж по отдельным товарам и каналам.
На вход подаются:

• история продаж;
• данные по товарам;
• товарные категории;
• каналы продаж: онлайн-магазин, розница, маркетплейсы;
• временные признаки;
• сезонность;
• маркетинговые факторы;
• данные, влияющие на спрос и доступность товара.

На выходе формируется прогноз продаж:

• по отдельным товарам;
• по каналам продаж;
• на горизонте 9 месяцев — для планирования закупок;
• на горизонте 30 дней — для оптимизации ассортимента и краткосрочных решений.

Вместо одного грубого прогноза бизнес получает модель, которая может учитывать больше факторов и строить прогноз под разные управленческие задачи.

Как работает ИИ
ИИ используется для поиска закономерностей в исторических продажах и связанных бизнес-факторах.
Модель анализирует, как продажи зависят от товара, времени, канала, сезонности и маркетинговых факторов. В отличие от простой статистики, ML-подход может учитывать нелинейные зависимости: например, что один и тот же товар по-разному ведёт себя в рознице, онлайн-магазине и на маркетплейсах.
В рамках решения использовались два подхода:

• градиентный бустинг для работы с табличными признаками;
• нейросетевая модель на базе LSTM для учёта временной динамики.

Градиентный бустинг хорошо подходит для табличных бизнес-данных: товарные признаки, календарные признаки, каналы, маркетинговые факторы. LSTM-подход позволяет учитывать последовательность продаж во времени и динамику спроса.

Бизнес-эффект
Главная ценность решения — повышение точности планирования.
Заказчик получает:

• более точный прогноз спроса;
• лучшее планирование закупок;
• меньше риск дефицита товара;
• меньше риск избыточных остатков;
• более управляемое распределение товаров по каналам;
• основу для оптимизации ассортимента;
• поддержку решений на длинном и коротком горизонте.

В проекте модель показала прирост точности на 15% относительно статистического аналога. Для fashion retail это существенная разница: даже небольшой прирост точности прогноза может влиять на закупки, складские остатки, распродажи и потерянные продажи.

Где применимо ещё
Такой подход применим не только в fashion retail. Его можно использовать во всех бизнесах, где есть исторические продажи, товарная структура и необходимость планировать спрос.
Примеры применимости:

• fashion retail;
• e-commerce;
• маркетплейсы;
• продуктовый ритейл;
• аптечный ритейл;
• DIY и товары для дома;
• планирование закупок;
• управление товарными остатками;
• прогнозирование спроса по SKU;
• распределение товаров между каналами;
• планирование промоакций;
• оптимизация ассортимента;
• прогнозирование продаж новых коллекций или товарных линеек.

Результат
Результат — ML-система, которая превращает исторические продажи и бизнес-факторы в прогноз, пригодный для операционного планирования.
Заказчик получает не просто аналитический отчёт, а инструмент для принятия решений: сколько товара закупать, как распределять его между каналами, где возможен дефицит и где есть риск избыточных остатков.
Кейс показывает, как машинное обучение может работать не как эксперимент, а как прикладной инструмент для управления продажами, ассортиментом и логистикой в ритейле.

Стек
Python, Pandas, SQL, XGBoost, PyTorch, LSTM, Plotly, обработка табличных данных, прогнозирование временных рядов, feature engineering.