AI-прогнозирование спроса на коллекции — точность без перепроизводства

Как мы прогнозируем спрос на fashion-коллекции?

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. ARIMA и exponential smoothing дают WAPE >50% на новых артикулах — для fashion это убытки. Наш атрибутный подход на LightGBM обеспечивает WAPE <30% уже для новинок, а с учётом трендовых сигналов — ниже 25%. Это в 1,7 раза точнее ARIMA. Такой подход снижает overstocks и stockouts на 20–35%. Для сети с оборотом $10 млн экономия достигает $350 000 в год. За 5 лет мы реализовали 30+ проектов в ритейле и e-commerce — от масс-маркета до премиум-сегмента. Гарантируем точность прогноза на уровне ±10% sell-through rate для established SKU.

Особенности fashion-прогнозирования

Холодный старт и короткий жизненный цикл

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

Классические временные ряды требуют длинной истории. Вместо этого — кросс-секционные модели на уровне артикула. LightGBM на атрибутах даёт WAPE <30% на новинках — вдвое точнее ARIMA.

Сезонность и тренды

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

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) 

Life cycle curve clustering

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.

Сравнение моделей:

Pre-Season и In-Season корректировка

Pre-Season planning (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

Как in-season корректировка улучшает прогноз?

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

Байесовское обновление после 2 недель продаж улучшает точность прогноза на 40% — это позволяет избежать как дефицита, так и избытка товара.

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.