Прогноз спроса на Ozon через AI: кейс с ростом продаж на 217%

Контекст: почему складские запасы решают судьбу продавца

Продавец электроники и бытовой техники на Ozon столкнулся с классической дилеммой: товар с сезонным спросом либо пылился на складе, либо заканчивался в самый пик продаж. Средний уровень упущенной выручки достигал 1,8 млн рублей в месяц — покупатели уходили к конкурентам, потому что нужного товара не было в наличии. При этом складские остатки по неходовым позициям замораживали около 4,2 млн рублей оборотных средств. Бизнес работал, но маржинальность падала, а рейтинг карточек страдал из-за срывов сроков доставки. Прогноз спроса Wildberries: дефицит и излишки 2026-2027

Задача формулировалась просто: научиться предсказывать спрос на 45–60 дней вперед, чтобы закупать товар вовремя и не терять продажи. Ручной анализ статистики прошлых лет и интуиция категорийного менеджера перестали работать — рынок менялся слишком быстро, а конкуренты демпинговали на популярных позициях. Ранжирование контента на Ozon и Wildberries: прогноз до 2029

Проблема: человеческий фактор и слепые зоны аналитики

Традиционный подход к планированию закупок опирался на три источника данных: историю продаж за прошлый год, текущие остатки и опыт менеджера. Эта схема давала сбои по нескольким причинам:

• Сезонные пики смещались на 2–3 недели из-за погоды, рекламных кампаний конкурентов и изменения алгоритмов выдачи Ozon.
• Новые товары без истории продаж попадали в категорию «непредсказуемых», и закупки делались вслепую.
• Внешние факторы — отзывы, рейтинг карточки, позиция в поиске — не учитывались при расчете будущего спроса.
• Реакция на изменение цен конкурентов занимала до 5 дней, за которые терялась часть аудитории.

Итогом стало хроническое отсутствие 12–15% ходовых позиций на складе в период высокого спроса. Дополнительно продавец платил штрафы за отмены заказов и терял органический трафик, так как карточки с низким коэффициентом конверсии опускались в выдаче.

Совет: прежде чем внедрять AI-прогнозирование, зафиксируйте текущие метрики: процент упущенных продаж, оборачиваемость склада и долю неходовых остатков. Без базовой точки невозможно оценить эффект от автоматизации.

Решение: гибридная модель машинного обучения

Вместо покупки дорогого коробочного решения команда разработала гибридную модель прогнозирования. В ее основе лежали градиентный бустинг (XGBoost) для обработки исторических данных и нейросеть для анализа текстовых факторов — отзывов и описаний конкурентов. Система собирала данные ежедневно по API Ozon и внешним источникам.

Ключевые параметры модели:

1. Исторические продажи с разбивкой по дням, неделям и месяцам — учитывались тренды и сезонность.
2. Ценовая эластичность — реакция спроса на изменение цены как своей карточки, так и карточек конкурентов.
3. Рейтинг и количество отзывов — рост негативных отзывов снижал прогнозный спрос на 15–20%.
4. Позиция в поисковой выдаче — чем выше карточка, тем выше ожидаемый трафик.
5. Внешние события — календарь праздников, начало учебного года, погодные аномалии.

Модель пересчитывала прогноз каждые 24 часа и выдавала рекомендации по закупке: минимальный и оптимальный объем партии, дату заказа и точку безубыточности. Для новых товаров использовалась кластеризация — система находила аналоги среди существующих позиций и экстраполировала их динамику.

Внедрение заняло 6 недель. Первые две недели модель работала в тестовом режиме параллельно с ручным планированием, чтобы откалибровать веса факторов. После этого команда полностью перешла на автоматические рекомендации.

Результат: цифры, которые говорят сами за себя

Через три месяца работы системы продавец зафиксировал следующие изменения. Выручка выросла на 31% при том же маркетинговом бюджете — прирост дали именно те заказы, которые раньше терялись из-за отсутствия товара. Ключевая цифра: рост продаж на 217% по товарным позициям, которые ранее считались «сезонными неудачниками». Модель выявила, что пик спр��са на обогреватели в регионе продаж наступает не в октябре, а в конце сентября, и сместила закупки на две недели раньше.

Оборачиваемость склада ускорилась с 47 до 29 дней — это высвободило 2,1 млн рублей оборотных средств. Деньги перестали лежать мертвым грузом на неходовых позициях и начали работать на закупку товаров с высоким спросом. Дополнительно снизились затраты на хранение: Ozon взимает плату за каждый день нахождения товара на складе сверх лимита, поэтому ускорение оборачиваемости напрямую сократило издержки.

Точность прогноза (MAPE) улучшилась с 38% до 14% — это означает, что средняя ошибка в предсказании спроса сократилась почти в три раза. Для товаров с устойчивым спросом (батарейки, кабели, зарядные устройства) точность достигла 6–8%.

Важно: AI не заменил менеджера, а переложил на себя рутинный расчет. Человек теперь занимается только стратегическими задачами — переговорами с поставщиками, выбором новых ниш и управлением ассортиментом. Автоматизация планирования освободила около 10 часов в неделю у категорийного менеджера.

Выводы: что забрать из этого кейса

Прогнозирование спроса на маркетплейсе через AI — это не магия, а инженерная задача. Ключевые уроки из этого внедрения:

• Начинайте с качественного сбора данных. Если история продаж хранится в хаотичных таблицах, сначала наведите порядок, иначе модель будет учиться на мусоре.
• Не игнорируйте текстовые данные. Отзывы и описания конкурентов содержат сигналы, которые не видны в цифрах продаж.
• Используйте гибридный подход: классический ML для чисел и нейросети для текста. Это дает лучший результат, чем одна универсальная модель.
• Внедряйте поэтапно. Сначала параллельная работа с ручным планированием, затем постепенная передача полномочий системе.
• Пересчитывайте прогноз ежедневно, а не еженедельно. Рынок Ozon меняется слишком быстро для статичных планов.

Для продавцов, которые хотят попробовать подобный подход без создания собственной команды Data Science, существуют готовые инструменты. Например, платформа OpaGPT позволяет автоматизировать анализ спроса и генерацию рекомендаций по закупкам без написания кода. Главное — четко сформулировать задачу и иметь чистые данные.

Цитата из отчета команды: «Мы перестали гадать на кофейной гуще. Система говорит: закупи 500 единиц товара X до 15 числа, и мы это делаем. В 86% случаев прогноз оправдывается с точностью до 10%, что позволяет планировать cash flow без сюрпризов».

FAQ

Сколько стоит внедрен��е AI-прогнозирования спроса для Ozon?

Стоимость зависит от подхода. Разработка собственной модели обойдется от 400 тысяч до 2 миллионов рублей и займет 2–4 месяца. Использование готовых SaaS-платформ обойдется в 15–50 тысяч рублей в месяц. Для магазинов с оборотом до 5 млн рублей в месяц готовые решения окупаются за 1–2 месяца.

Какие данные нужны для обучения модели прогнозирования?

Минимальный набор: история продаж за 12–24 месяца, данные об остатках, цены и их изменения, рейтинг карточек, количество отзывов, позиции в поиске. Чем больше история, тем точнее прогноз. Для новых товаров используются данные по аналогичным позициям.

Можно ли прогнозировать спрос для товаров с нулевой историей продаж?

Да, для этого применяется кластеризация. Модель находит товары со схожими характеристиками (цена, категория, сезонность) и переносит их динамику на новый товар. Точность такого прогноза ниже — около 25–30% MAPE, но это лучше, чем закупка вслепую.

Как быстро окупается AI-прогнозирование на практике?

В среднем — за 6–10 недель. Основной эффект дает сокращение упущенных продаж и ускорение оборачиваемости склада. В описанном кейсе система окупилась за 7 недель только за счет сокращения штрафов и высвобождения оборотных средств.