Scientific journal

Bulletin of the Altai Academy of Economics and Law

Print ISSN 1818-4057

Online ISSN 2226-3977

List of the Higher Attestation Commission

SALES FORECASTING MANAGEMENT FOR PRODUCTS WITH RARE RANDOM DEMAND IN RETAIL NETWORKS

1

• Authors
• Files
• Abstract
• Keywords
• References

Введение

Случайные процессы играют фундаментальную роль в экономике. Например, в значительной мере случайным образом эволюционируют котировки ценных бумаг или объемы продаж товаров [1]. В экономике и других социальных науках ключевую роль играет понятие вероятности, которое лежит в основе оценки рисков и прогнозирования. При применении вероятностных методов необходимо различать два фундаментальных подхода к определению вероятности: вероятность, основанную на множестве объектов (ансамблевая вероятность), и вероятность, вычисляемую на основе наблюдений за одним объектом во времени (временная вероятность). Эти два подхода тесно связаны с концепцией эргодичности – свойством системы, при котором статистические характеристики, полученные по множеству представителей системы, совпадают с характеристиками, вычисленными по продолжительному временному наблюдению за одной и той же системой.

Экономические системы являются неэргодичними по своей природе [2]. Неэргодичность системы характеризуется состоянием, при котором временные статистики, измеренные на одном экономическом агенте, не совпадают с ансамблевыми статистиками, измеренными на множестве аналогичных агентов. Это существенно осложняет корректное применение стандартных вероятностных методов и ставит под сомнение предположения традиционных моделей, основанных на эргодическом допущении. Вследствие этого долгосрочные прогнозы и оценка рисков при использовании ансамблевых вероятностей могут привести к систематическим ошибкам [3].

Проблема неэргодичности также связана с концепцией ассиметричных информационных потоков, динамической изменчивостью экономических условий и влиянием структурных изменений в экономике. Для адекватного моделирования и прогнозирования необходимо учитывать, что временные ряды экономических показателей могут иметь более высокую вариативность и нестабильность, чем предполагает ансамблевый анализ [4].

Неэргодичность большинства социально-экономических процессов требует переосмысления традиционных вероятностных подходов в экономике, внедрения методов учета временной динамики и индивидуальной траектории агентов. Это приводит к развитию новых инструментов анализа рисков и принятию решений, более соответствующих реальным условиям неопределённости в экономических системах. Таким образом, в нашем случае с редкими продажами, большинство из которых равны нулю, применение традиционного подхода к построению временного ряда, основанного на ненулевых значениях неприемлемо.

Цель исследования – разработать методику формирования плана продаж на период по каждой SKU в разрезе торговой точки на розничную сеть из 70+ магазинов, находящихся в трех субъектах Российской Федерации.

Материалы и методы исследования

В работе рассмотрена проблема прогнозирования объемов продаж для товаров редкого и высоко вариабельного спроса с частотой продаж 1-4 раза в квартал. В качестве объекта исследования взята сеть магазинов, торгующих товарами для дома, прежде всего изделиями текстильной промышленности – пледами, покрывалами, шторами, декоративными подушками и т.д. Продажи товаров в магазине можно рассматривать как некий временной ряд. При этом, если этот ряд строится по дневным продажам, большая часть будет равняться нулю. Согласно [5], типичный временной ряд имеет четыре составляющие – тренд (систематическое движение), колебание относительно тренда, сезонность и случайную составляющую. Так как сеть магазинов не является эргодичной системой, ее статистические свойства не совпадают со статистическими свойствами отдельных магазинов, собранных в нее как в ансамбль, следовательно, вероятность продажи в среднем по сети каждого товара будет отличаться от вероятности продажи его в отдельном магазине. Иными словами, вероятность продажи конкретного товара в конкретном магазине никак не коррелирует с вероятностью продажи данного товара в другом магазине и вероятностью продажи в целом по сети. Исходя из природы неэргодичности экономической системы и низковероятной продажи данного вида товара, ниже предложено следующее решение данной проблемы.

Результаты исследования и их обсуждение

Необходимо преобразовать неэргодические системы в условно эргодические. С этой целью, на основе истории продаж сформированы отдельные кластеры из магазинов, максимально похожих друг на друга по выручке, торговой площади, конкурентному окружению, величине торгового ареала. В каждом из этих кластеров сформирован свой ассортиментный перечень для продажи SKU – товарная матрица. Таким образом, у нас получилось 3 кластера, состоящих из максимально похожих магазинов, которые называются форматы. Три формата магазина – «У дома», «Супермаркет», «Районный центр» – отличается местоположением и количеством SKU. «У дома» – 7 тысяч, «Супермаркет» – 15 тысяч, «Райцентр» – 12 тысяч SKU. Ассортиментный перечень товарной категории для каждого из этих магазинов назовем товарный блок. Например, товарная категория «Бытовая химия» имеет несколько блоков – для каждого формата и в разрезе форматов, в зависимости от экономической эффективности. Поведение конкретного товара (SKU) в товарном блоке можно считать условно эргодичным и при прогнозировании продаж применять эргодическое допущение. Иными словами, для прогнозирования продаж в разрезе одинакового товарного блока можно использовать вероятность по ансамблю. Следовательно, прогноз продаж конкретной торговой точки будет определяться как средняя сумма продаж по каждому товарному блоку, представленному в данном магазине. Данные по продажам сформируют временной ряд, который в дальнейшем используется для прогнозирования продаж в будущем [6, 7]. С одной стороны это даст возможность гибкого управления через прогнозные показатели, а с другой стороны обеспечит возможность стандартизации и тиражирования наиболее эффективных ассортиментных решений. Для построения временных рядов было использовано специализированное программное обеспечение STATISTICA [8,9]. Для анализа временных рядов использовали модуль «Временные ряды и прогнозирование» (Time Series/Foregasting).

Расчет коэффициентов сезонности и прогноз продаж представлен в таблице 1.

Таблица 1

Расчет месячных коэффициентов сезонности и прогноза продаж

Месяц	январь	февраль	март	апрель	май	июнь	июль	август	сентябрь	октябрь	ноябрь	декабрь
Месячный коэффициент сезонности, Kj	0,49	0,52	0,65	1,46	1,68	1,14	1,24	1,25	1,21	1,06	0,73	0,57
Расчетный прогноз продаж, Vпрасч.	1,8	1,9	2,3	3,8	4,4	3,0	3,3	3,3	3,2	2,8	2,6	2,1
План продаж, штуки, Vпрек.	2	2	3	4	5	3	4	4	4	3	3	3

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Расчет прогноза продаж для такого товара производили на основе ретроспективного анализа с учетом коэффициента сезонности в разрезе каждого товарного блока и округляется до целых единиц для каждого месяца. Применяем модель скользящего среднего которая учитывает, что каждый элемент ряда подвержен суммарному воздействию случайных предыдущих ошибок.

Вычисляется прогноз продаж на основе среднего из среднемесячных продаж по магазинам блока за два предыдущих месяца с применением коэффициентов сезонности [10, 11]. Для расчета средних продаж в разрезе товарного блока учитываем как продажи за два предыдущих месяца, так и их корректировку, с учетом текущих коэффициентов сезонности в отчетном и прогнозном месяцах. Для исключения аномальных выбросов отбрасываем нулевые значение продаж в каждом товарном блоке. Если все блоки имеют значения продаж больше нуля, то отбрасывается минимальное значение. Подобный подход позволяет стимулировать продажи в конкретной торговой точке.

При вычислении среднемесячных продаж по магазинам блока исключаем магазин с наименьшими суммарными продажами за месяц. Расчет прогноза продаж товара для товарного блока из n магазинов Vпрасч. проводится по формуле 1:

(1)

где n – количество магазинов в товарном блоке;

Kj – коэффициент сезонности на j-ый месяц;

VфСрj-1 , VфСрj-2 – фактические среднемесячные продажи товара за предыдущий и пред-предыдущий месяц соответственно без учета магазина с минимальными продажами за месяц (если в блоке больше 1 магазина).

Vфj-1 , Vфj-2 – фактические суммарные продажи товара в i-ом магазине блока за предыдущий и пред-предыдущий месяц соответственно.

Кj-1, Кj-2 – коэффициенты сезонности товара в предыдущем и пред-предыдущем месяце соответственно.

Расчет коэффициентов сезонности (Кj) для товара по формуле 2:

(2)

где КГ-3, КГ-2, КГ-1 – коэффициент сезонности товара за предыдущие три года соответственно;

VСрМГ-3, VСрМГ-2, VСрМГ-1 – среднемесячные продажи товара для расчетного месяца в пред-пред-предыдущем, пред-предыдущем и предыдущем годах соответственно (среднеарифметическое из суммарных продаж товара за расчетный месяц по всем магазинам блока). Например, если рассчитывается коэффициент сезонности на апрель 2026 года, то это среднемесячные продажи апреля 2023, апреля 2024 и апреля 2025 годов соответственно.

VСрГ-3, VСрГ-2, VСрГ-1 – среднемесячные продажи товара за год в пред-пред-предыдущем, пред-предыдущем и предыдущем годах соответственно (среднеарифметическое из суммарных месячных продаж товара в РМ за год по всем магазинам блока). Например, если рассчитывается коэффициент сезонности на апрель 2026 года, то это среднемесячные продажи 2023, 2024 и 2025 годов соответственно.

Глубокий ретроспективный анализ на основе трех прошлых лет имеет недостаток, так как изменения на рынке достаточно изменчивы, поэтому необходимо учитывать ближайшую ретроспективу. Например, если в 2026 году продажи в январе и феврале были выше, чем аналогичные продажи в этих месяцах в 2025 году, то подобную тенденция учитываем уже в расчете прогноза продаж на апрель 2026 года. Для этого нами рассчитывается коэффициент тренда Кт по формуле 3.

Кт = (VфСрМ-1 + VфСрМ-2) / (VфСрМ-1,Г-1 + VфСрМ-2,Г-1 ), (3)

где VфСрМ-1 , VфСрМ-2 – фактические среднемесячные продажи товара за предыдущий и пред-предыдущий месяц соответственно без учета магазина с минимальными продажами за месяц.

VфСрМ-1,Г-1 , VфСрМ-2,Г-1 – фактические среднемесячные продажи товара за предыдущий и пред-предыдущий месяц прошлого года соответственно без учета магазина с минимальными продажами за месяц.

Окончательно, план продаж Vпрек. рассчитываем путем умножения на коэффициент округления расчетного прогноз продаж, Vпрасч. и округления до ближайшего целого числа вверх, как показано в формуле 4:

Vпрек. = Vпрасч.j × Ктj (4)

Таким образом, используя структурную унификацию в виде товарных блоков, мы преобразовали неэргодическую систему в условно эргодическую и осуществили прогнозирование продаж традиционными статистическими методами. Подобный подход характерен для управления всеми сетевыми розничными компаниями и основан на тиражировании эффективной и успешной бизнес-модели.

Практическая апробация представленного в статье подхода к модели прогнозирования прошла внедрение в розничной компании и предложена для расчета прогноза продаж в действующую информационную систему поддержки принятия решения. Система генерирует прогноз продаж на конкретный товарный блок на каждую SKU, а лицо, принимающее решение подтверждает план, либо корректирует в меньшую или большую стороны. Примерный интерфейс для информационной системы представлен в таблице 2.

Таблица 2

Схема интерфейса для планирования продаж

Код

Наименование

Ед. изм.

Прогноз продаж

Коэффициенты сезонности, Kj

Факт. продаж за мес-1

Факт. продаж за мес-2

Пред. месяц

Мес-1

Мес-2

М1

…

Мn

М1

…

Мn

ххх

Наименование товара 1

Шт.

Vп рек.

Примечание: составлена авторами на основе полученных данных в ходе исследования: Код – код SKU; Наименование – наименование SKU, Ед. изм. – единица измерения SKU; Прогноз продаж – рассчитанный системой прогноз продаж на месяц, Vпрек; «Мес-1» – пред-предыдущий месяц от месяца из шапки журнала; «Мес-2» – пред-пред-предыдущий месяц от месяца из шапки журнала; М1,… Мn – магазины в товарном блоке; Коэффициент сезонности – значения коэффициентов сезонности из таблицы 1; Фактические продажи – значения фактических продаж в конкретном месяце; Нулевые фактические продажи выделяются красным цветом.

Выводы

1. Спрос на большинство потребительских товаров для конкретной торговой точки имеет редкую случайную природу.

2. Прогноз продаж на основе среднего по сети не является релевантным для отдельной торговой точки.

3. Для повышения эффективности управления продажами и повышения точности прогнозирования авторами выделен отдельный объект управления в товарной категории – товарный блок.

4. Применение статистических методов совместно со структурными управленческими решениями по унификации товарного ассортимента позволили эффективно прогнозировать продажи для товаров редкого случайного спроса.

---

Conflict of interest

---

Financing

---

Библиографическая ссылка

Лапшинов С.Б., Жукова Я.Э., Сперанский С.Н., Киреева М.М. УПРАВЛЕНИЕ ПРОГНОЗИРОВАНИЕМ ПРОДАЖ ТОВАРОВ РЕДКОГО СЛУЧАЙНОГО СПРОСА В РОЗНИЧНЫХ ТОРГОВЫХ СЕТЯХ // Вестник Алтайской академии экономики и права. 2026. № 6. С. 26-31;
URL: https://vaael.ru/en/article/view?id=4530 (дата обращения: 11.07.2026).
DOI: https://doi.org/10.17513/vaael.4530