AI-система прогнозирования спроса на коллекции

AI-прогнозирование спроса на коллекции в fashion-индустрии

Fashion — один из наиболее сложных рынков для прогнозирования спроса. Короткий жизненный цикл SKU (6-12 недель), высокая зависимость от трендов и погоды, отсутствие исторических данных по новым артикулам — всё это делает традиционные методы планирования неэффективными. ML-подходы снижают overstocks и stockouts на 20-35%.

Особенности fashion-прогнозирования

Cold Start Problem: Новая коллекция — нет исторических продаж. Решения:

• Attribute-based forecasting: прогноз через характеристики (цвет, паттерн, категория, ценовой сегмент)
• Transfer learning: похожий артикул прошлого сезона как anchor
• Analogous items: кластеризация новинок к существующим SKU с историей

Seasonality + Fashion Trend:

# Decomposition sales signal
# Sales = Seasonal × Category Trend × Fashion Trend × Price Effect × Random
# Fashion Trend: внешние сигналы (Instagram, Vogue, runway)

Короткая жизнь SKU: Классические временные ряды требуют длинной истории. Вместо этого — кросс-секционные модели на уровне артикула.

Источники данных

Внутренние:

• POS-данные по неделям: продажи, возвраты, скидки
• Инвентарные данные: остатки, out-of-stock даты
• Характеристики продукта: категория, бренд, цвет, материал, размеры, цена

Внешние трендовые сигналы:

• Google Trends: динамика поисковых запросов по категориям
• Instagram/Pinterest: engagement на fashion-контент (через API или scraping)
• Runway анализ: детекция трендов с показов (CV на фото с ModaOperandi, Vogue Runway)
• Погодные данные: температура напрямую влияет на продажи куртки/купальника

Social Listening:

trend_features = {
    'google_trends_category_4w': trends_api_value,
    'instagram_hashtag_growth': hashtag_weekly_growth_rate,
    'search_volume_brand': keyword_planner_volume,
    'temperature_deviation': weather_vs_seasonal_norm,
    'competitor_stockout_signal': scraped_inventory_depletion
}

Модели прогнозирования

Attribute-based LightGBM: Для каждой новинки — предсказание peak week sales и sell-through rate на основе атрибутов + trend features. Обучение на исторических коллекциях.

Cluster + Analogous Item:

from sklearn.cluster import KMeans

# Кластеризация по attribute embedding
def find_analogous_items(new_item_features, historical_items, n_clusters=50):
    kmeans = KMeans(n_clusters=n_clusters)
    labels = kmeans.fit_predict(historical_items['features'])
    new_cluster = kmeans.predict([new_item_features])[0]
    analogs = historical_items[labels == new_cluster]
    return analogs.sort_values('similarity_score', ascending=False).head(5)

Жизненный цикл SKU — кривая продаж: Не все артикулы одинаковы. Кластеризация life cycle curves:

• Тип A: быстрый старт → плавный спад (bestseller)
• Тип B: медленный старт → пик на 4-й неделе (niche item)
• Тип C: ровные продажи, базовые артикулы Прогноз формы кривой → распределение заказа по времени.

Pre-Season Planning vs. In-Season Adjustment

Pre-Season (за 6-9 месяцев до старта):

• Начальный заказ на основе attribute forecast
• Buy quantities по размерной сетке (size curve модель)
• Open-to-buy бюджет по категориям

In-Season корректировка (еженедельно): После первых 2-3 недель реальных продаж — Bayesian update исходного прогноза:

def bayesian_forecast_update(prior_forecast, observed_sales, sell_through_weeks):
    """
    Обновление прогноза по первым неделям
    Sell-through rate в первые 2 недели = сильный предиктор финального результата
    """
    early_st_rate = observed_sales / prior_forecast[:sell_through_weeks].sum()
    scaling_factor = early_st_rate ** 0.7  # регрессия к среднему
    return prior_forecast * scaling_factor

Reorder и markdown триггеры:

• Если sell-through > 70% на 4-й неделе → reorder (если возможно по производственному циклу)
• Если sell-through < 30% на 6-й неделе → начало уценивания по markdown calendar

Размерная дистрибуция

Size Curve моделирование: Исторически: XS:S:M:L:XL = 5:20:35:25:15 для данной категории. ML корректирует по регионам, каналам и ценовому сегменту:

size_curve = lgbm.predict_proba(
    category=category,
    price_tier=price_tier,
    channel=['online', 'store'],
    region=region
)
# → оптимальное соотношение размеров в заказе

Проблема последнего размера: Stockout по одному размеру = потеря всей продажи. Оптимизация: небольшой буфер по размерам с наименьшей доступностью.

Метрики оценки

Сроки: attribute-based forecast + analogous item matching + in-season update — 6-8 недель. Полная система с size curve, social trend signals, markdown optimization — 3-4 месяца.