Прогноз продаж на квартал до СКЮ

Добрый день!

Я молодой аналитик, перед которым стоит задача построить прогноз продаж на 3 месяца до уровня СКЮ .

У меня есть абсолютно вся информация по компании и все динамики за последние 5 лет (продажи по всех СКЮ , колличество клиентов во всех разрезах (каналы , промо , акции, откуда пришел клиент) хоть поминутно вижу , все автоматизировано, даже когда они чихают вижу )

Подскажите , какую модель лучше использовать для реализации такого прогноза в excel , каким путем лучше пойти для достойного результата ?

1 Like

Добрый день, а какой вид товаров и характер спроса ? Прогноз продаж на 3 месяца по месяцам или с другой детализацией ?

Фарма
Соответственно есть препараты которые продаются сезонно, в соответствии с ростом сезонных заболеваний (гриппа и тд)

Характер спроса без резких скачков
Да интересует именно по месяцам до уровня СКЮ

Сезонность, получается, у вас плавающая и может выпадать на разные месяца ? Это затрудняет использование стандартных тренд-сезонных моделей. Нужно сначала произвести очистку данных от прошлых факторов, таких как прошлая сезонность, промо, периоды дефицита. Под очисткой подразумевается замена на регулярный спрос. Потом на основании базовой линии спроса уже строить прогноз. Мы не используем классическое прогнозирование и Эксель, но вы можете попробовать методы Хольта Уинтерса, ARIMA. Они достаточно простые, чем сложнее метод будет, тем сложнее реализовать в Экселе и проще сделать на Python/R . Если данных очень много, а времени у вас предостаточно, то можно рассмотреть методы машинного обучения, нейронные сети.

ARIMA (авторегрессионная интегрированная скользящая средняя) может быть реализована в Excel при помощи аддона «Анализ данных».

Для начала, необходимо проанализировать временной ряд продаж и проверить, является ли он стационарным (т.е. не имеет тренда, сезонности и случайной составляющей). Если временной ряд не стационарный, то его необходимо привести к стационарному виду путем очистки от тренда/сезонности

Далее, следует определить параметры модели ARIMA (p, d, q), которые определяют количество авторегрессионных, интегрирующих и скользящих средних компонент в модели. Эти параметры можно определить путем анализа автокорреляционной функции (ACF) и частной автокорреляционной функции (PACF) временного ряда. Есть также auto ARIMA , встречал на Python/R , которая умеет сама подбирать оптимальные параметры.

После определения параметров ARIMA, можно обучить модель на исторических данных и сделать прогноз на следующие три месяца. Важно учесть, что прогнозы ARIMA могут быть неточными в случае, если будут происходить кардинальные изменения внутри компании, поэтому очистка данных обязательна.

Мы используем в своей деятельности прогнозирование путем имитационного моделирования , технологии цифровой двойник и полно вероятностного прогнозирования, но в Экселе это реализовать будет проблематично.

Сезонность как раз очень понятная , эпидемии всегда попадают на одни и те же месяца И год к году практически соотношение продаж каждого месяца сопоставимо, только есть тренд роста и куча каких-то промо, которые не очень понятно как считать .

Поэтому сезонность имеет годовой цикл
Ну и до Уровня СКЮ нужно