В пищевой отрасли сезонность один из тех факторов, который незаметно, но очень сильно меняет поведение спроса. Если не учитывать сезонность, то появляются недопоставки в начале сезона, излишки в конце, перегрузка логистики и невозможность заранее спланировать сырьё.
Какие типы сезонности встречаются чаще всего
• Годовая. Классические примеры — арбузы, цитрусовые, мороженое, квас. Продажи растут и падают плавно, по предсказуемой траектории.
• Недельная. Алкоголь, снеки, товары к выходным. Пятница почти всегда выделяется.
• Суточная. Привязана к трафику: вечерние пики, дневные провалы.
• Праздничная. Короткие, но резкие всплески: зелёный горошек перед Новым годом, яйца к Пасхе, товары к 1 сентября.
Каждый тип требует своей логики обработки и своей модели.
Как встроить сезонность в прогнозы
1. Собрать достаточную историю
Для годовой и праздничной сезонности нужны минимум 2 года данных. Только так алгоритм увидит повторяющиеся циклы и сможет корректно экстраполировать их на будущее.
2. Разметить календарь
Праздники, акции, локальные события, особенности регионов — всё это влияет на спрос. Алгоритмы используют разметку, чтобы отличать обычный день от аномального.
3. Использовать модели, которые умеют работать с циклами
Современные методы прогнозирования автоматически выделяют сезонные паттерны, учитывают тренды и корректируют прогнозы под будущие даты. Это особенно важно, когда у одного SKU годовая сезонность, у другого недельная, а у третьего праздничная.
4. Отдельно обрабатывать всплески
Праздничная сезонность самая капризная. Её нельзя усреднять. Для таких товаров строят отдельные модели, которые учитывают короткие пики и быстрый возврат к базовому уровню.
5. Масштабировать подход на весь ассортимент
Ручной анализ работает только на маленьких матрицах. Когда речь идёт о 100 магазинах и сотни или тысячи SKU, сезонность превращается в сложную систему взаимосвязанных паттернов. Здесь без автоматизации менеджеры начинают зашиваться.
Что даёт корректный учёт сезонности
• стабильный уровень сервиса в начале сезона;
• отсутствие излишков в конце;
• предсказуемая нагрузка на логистику;
• возможность заранее планировать сырьё и производство;
• снижение операционных пожаров и ручных корректировок.
Подписывайтесь на наше сообщество в VK и канал в Telegram — публикуем аналитику и прикладные материалы по ИИ.