Диагностика ошибок прогноза

Распознавайте типичные первопричины плохого прогноза и применяйте подходящее исправление.

Когда у продукта большая ошибка прогноза, первый вопрос не «каким должно быть число?», а «почему прогноз ошибается?». Большинство ошибок вызваны несколькими причинами, и многие из них связаны с данными, на которых учится модель, а не с самой моделью. Эта страница поможет назвать причину и выбрать исправление.

Три самые частые причины

1. Падение спроса, которое модель ещё не учла

Что вы видите: спрос уже несколько месяцев держится ниже, а прогноз по-прежнему следует прежнему уровню.

Почему так происходит: Flowlity быстро адаптируется к устойчивому изменению, кроме случаев с выраженной сезонностью. Модель также учится на тех же периодах прошлых лет, поэтому падение в месяце, который в прошлом году был высоким, учитывается дольше.

Как проверить: в карточке продукта модуля Спрос включите Raw past demand (N-1) и Raw past demand (N-2) в легенде графика. Если те же месяцы в прошлые годы были высокими, прогноз удерживает сезонность.

Что делать:

• Уточните причину у коммерческой команды. Она структурная (потерян клиент, ассортимент выведен из листинга, продукт снят с производства) или временная?

• Если причина структурная и связана со снятым с производства продуктом, см. раздел Окончание жизненного цикла и замена продуктов ниже.

• Если причина структурная, а продукт продолжает продаваться на новом уровне, примените экспертную модель, которая следует за недавним спросом, например Average of recent periods model или Average + Trend model, в Product strategy > Forecast > Forecasting models. Нажмите Compute forecast, чтобы увидеть результат до следующего еженедельного расчёта.

• Если причина временная, дайте модели работать дальше и на следующих обзорах следите, насколько быстро она адаптируется.

2. Запуск с короткой историей или без неё

Что вы видите: новый продукт с историей в несколько недель или месяцев и низкой или нулевой предсказуемостью спроса (Low или No). Часто это новая версия или новый цвет, заменяющий старый продукт.

Что делать:

• Для совершенно нового продукта примените экспертную модель Launch model: она учится на профиле запуска похожих продуктов, выбранных Flowlity или вами.

• Для продукта, который заменяет старый, свяжите старый продукт как похожий, чтобы модель могла позаимствовать его историю. См. Схожесть продуктов.

3. Аномальная история

Что вы видите: недели, которые не отражают нормальный спрос, например падение из-за дефицита запаса, разовый всплеск или провал либо прошлая акция.

Что делать: проверьте исправления, которые Demand anomaly agent внёс для дефицитов, выбросов и прошлых акций: сохраните их, измените значение или удалите, а свои добавьте через Add past demand adjustment. См. Анализ и исправление аномалий спроса. Прежде чем очищать историю, подтвердите причину: реальный разовый заказ является настоящим спросом, а не шумом.

Другие закономерности, которые стоит распознавать

Окончание жизненного цикла и замена продуктов

Что вы видите: важный продукт, спрос на который после долгого стабильного периода падает почти до нуля, а в его семействе остаются только один-два продукта.

Почему так происходит: продукт сняли с производства или заменили, но это изменение не дошло до Flowlity. У старого продукта сохраняется прогноз, а новый начинает без истории.

Что делать:

• Задайте дату End of life старого продукта в Product strategy > Forecast, чтобы он перестал влиять на план. Для многих продуктов выберите их и используйте ⋮ > Edit product strategy > Edit lifecycle. Автоматизация также может менять жизненный цикл по расписанию.

• Свяжите продукт-замену с предшественником как похожий продукт или попросите своего контактного лица во Flowlity перенести историю.

• При подтверждении заказов на продукт-замену проверяйте оставшийся запас предшественника: в Планировании его показывает ряд Similar products stock.

• Если замены происходят часто, договоритесь со своим контактным лицом во Flowlity о регулярном процессе (например, о более частой перезагрузке истории), а не исправляйте продукты по одному.

Каннибализация новым вариантом

Что вы видите: новое издание или вариант растёт, а существующий падает. У каждого SKU большая ошибка, но итог по семейству близок к прогнозу.

Что делать: оценивайте точность по таким продуктам на уровне семейства или модели: в списке модуля Спрос нажмите Group > Add group и сгруппируйте по категории тегов семейства, чтобы увидеть промежуточный итог по семейству. Свяжите новый вариант с существующим. Если новые издания для вашей коммерческой модели обычное дело, сохраните эту группировку в представлении для обзора.

Падение во всей категории

Что вы видите: спрос падает одновременно во всей категории, без дефицита запаса.

Что делать: уточните у коммерческой команды, внешняя ли это причина (экономическая ситуация, крупное событие, изменение рынка) и разовая она или устойчивая. Если похожий сбой ожидается снова в известный период, создайте прогнозное событие на этот период. См. Создание и применение прогнозных событий.

Необъяснимое падение

Что вы видите: резкое падение по одному продукту без дефицита запаса, при этом похожие продукты того же семейства прогнозируются хорошо.

Что делать: запишите это и спросите коммерческую команду или отдел контроля продаж, есть ли причина, например коммерческая акция, изменение у клиента или ценовое решение. Если причина системная, команде планирования нужно знать о ней для следующего прогноза. Если падение действительно случайное, его нельзя спрогнозировать, и оно не должно приводить к изменениям в вашем процессе.

Краткая справка

Что вы видите	Вероятная причина	Что проверить	Исправление
Спрос ниже уже несколько месяцев, прогноз всё ещё высокий	Падение ещё не учтено	Коммерческая команда, наложения N-1 / N-2	Ждать и наблюдать или считать окончанием жизненного цикла
Спрос ниже уже несколько месяцев, сезонности нет	Устойчивое изменение	Наложения N-1 / N-2	Экспертная модель на недавнем спросе
Короткая история, низкая предсказуемость	Запуск или замена	Задана ли Launch model или похожий продукт?	Launch model или связь с предшественником
Нулевые или низкие недели, затем восстановление	Дефицит запаса	Исправление дефицита	Сохранить или изменить исправление
Единичный всплеск или провал	Выброс или разовый заказ	Исправление выброса, коммерческая команда	Сохранить, изменить или удалить исправление
Спрос около нуля после стабильного периода	Окончание жизненного цикла или замена	Product strategy, товарное семейство	Задать End of life, связать с преемником
Один вариант растёт, другой падает	Каннибализация	Итог на уровне семейства	Обзор на уровне семейства
Падение во всей категории	Внешнее событие	Коммерческая команда	Прогнозное событие, если повторяется
Резкое падение без дефицита, похожие продукты в порядке	Неизвестна	Коммерческая команда или контроль продаж	Записать и передать выше

Прежде чем сомневаться в модели, проверьте данные. На практике многие крупные ошибки происходят из мастер-данных: снятые с производства продукты всё ещё активны, у замен нет истории или не хватает тегов иерархии.

Связанные страницы

• Проведение обзора точности прогноза: место диагностики в регулярном обзоре.

• Анализ и исправление аномалий спроса: дефициты, выбросы и прошлые акции.

• Схожесть продуктов: заимствование истории для замен.

• Спрос: экспертные модели, Product strategy и Compute forecast.

• Прогнозные события и корректировки спроса: как события и исправления меняют прогноз.

• Прогнозирование спроса: как модель учится на истории.