В статье рассматривается методика прогнозирования продаж в индустрии быстрого питания, основанная на раздельном моделировании базового спроса и промо-эффекта. Цель исследования заключается в повышении точности прогноза путем выделения регулярного спроса от дополнительного объема продаж, обусловленного промо-акциями. В работе предложен подход, основанный на предварительной фильтрации промо-дней из временного ряда и последующем применении экспоненциального сглаживания (модель Holt-Winters) для оценки базовых продаж. Разница между фактическими продажами и прогнозируемым базовым рядом интерпретируется как промо-эффект, что позволяет более объективно оценить влияние акций на итоговый спрос. Методология исследования включает сравнительный анализ нескольких стратегий обработки данных промо-дней: отсутствие фильтрации, полное удаление и замена значений на типичные показатели. Эксперименты, проведенные на данных сети ресторанов, показали, что стратегия замены продаж в промо-дни обеспечивает наилучший результат с WAPE около 16,7 % по сравнению с другими подходами. Полученные результаты свидетельствуют о снижении риска дефицита товара в периоды пикового спроса и повышении эффективности планирования запасов, что имеет важное практическое значение для оптимизации операционной деятельности в сфере быстрого питания.
1. Мхитарян С.В., Данченок Л.А. Прогнозирование продаж с помощью адаптивных статистических методов. Фундаментальные исследования. 2014;(9–4):818–822.
2. Лукашевич Н.С., Темиргалиев Е.Р., Баранова Т.В. Прогнозирование продаж на основе модели Хольта-Уинтерса. Вестник Карагандинского университета. Серия "Экономика". 2022;108(4):172–179. https://doi.org/10.31489/2022ec4/172-179
3. Напольская Ю.В. Многофакторный регрессионный анализ и прогнозирование розничных продаж товаров FMCG в оффлайн магазинах с использованием POS данных. Beneficium. 2024;(4):49–57. https://doi.org/10.34680/BENEFICIUM.2024.4(53).49-57
4. Михайлов Д.В. Анализ практики применения алгоритмов машинного обучения в российских розничных сетях для развития операционной деятельности и разработки маркетинговой стратегии предприятия. В сборнике: Fundamental and Applied Approaches to Solving Scientific Problems: сборник научных статей по материалам XII Международной научно-практической конференции, 28 апреля 2023 года, Уфа, Россия. Уфа: Научно-издательский центр «Вестник науки»; 2023. С. 122–141.
5. Устинов Д.А., Емельянцев Д.О., Дуров И.В., Татаренков А.С. Автоматизация ценообразования в ритейле с применением машинного обучения. Universum: технические науки. 2024;(6–1):20–26. https://doi.org/10.32743/UniTech.2024.123.6.17762
6. Бажанов Н.Н. Экспоненциальное сглаживание как метод прогнозирования временных рядов. В сборнике: Теория и практика науки третьего тысячелетия: сборник статей Международной научно-практической конференции, 07 марта 2014 года, Уфа, Россия. Уфа: Башкирский государственный университет; 2014. С. 194–196.
7. Пегачкова Е.А., Яковлева А.Г. Анализ влияния различных факторов на продажи с помощью алгоритмов машинного обучения. В сборнике: Материалы XXIII международной конференции по вычислительной механике и современным прикладным программным системам (ВМСППС'2023), 04–10 сентября 2023 года, с. Дивноморское, Краснодарский край, Россия. Москва: Московский авиационный институт (национальный исследовательский университет); 2023. С. 127–128.
8. Афанасьева Т.В. Прогнозирование локальных тенденций временных рядов в задачах анализа больших данных. Автоматизация процессов управления. 2014;(4):42–47.
9. Булгаков Ю.В. Адаптивные модели прогноза продаж. Маркетинг в России и за рубежом. 2011;(4):3–14.
10. Мхитарян С.В. Адаптивная тренд-сезонная модель прогнозирования продаж компании с учетом предполагаемых изменений темпов роста. Хроники объединенного фонда электронных ресурсов «Наука и образование». 2016;(12):4.
Быстров Александр Игоревич
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Москва, Российская Федерация
