Как учитывать «черных лебедей» при прогнозировании спроса

@Freepic



Эксперт по прогнозированию в Napoleon IT Андрей Кубрин рассказывает, что такое «черные лебеди» в контексте прогнозирования спроса, почему классические методы расчета бессильны перед ними, и какие современные инструменты помогут учесть непредсказуемость.

Концепция «черных лебедей»

Впервые концепцию «черных лебедей» детально описал известный опционный трейдер и финансовый консультант Нассим Николас Талеб в своей книге «Черный лебедь. Под знаком непредсказуемости», ставшей бестселлером. Согласно Талебу, «черными лебедями» называются события, которые невозможно предвидеть заранее и в которые до их свершения трудно поверить. Несмотря на всю неожиданность, они радикально меняют привычный уклад, а уже после случившегося находятся причины, почему оно могло произойти.

Чтобы объяснить эту идею, Талеб ссылается на исторический факт: вплоть до XVII века, пока в Австралии не были обнаружены черные лебеди, европейцы были убеждены, что лебеди могут быть лишь белыми. Открытие нового вида оказалось неожиданным и, на первый взгляд, противоречило накопленным научным данным. Однако в контексте развития географических исследований этот факт выглядит вполне логичным.

В бизнесе под «черными лебедями» понимают шоковые события, которые рушат устоявшиеся тренды спроса. Важно отметить: речь не о рядовых рыночных колебаниях, а об уникальных катаклизмах, ранее не встречавшихся. Каждый раз, когда в мире происходит нечто подобное, эксперты признают: никто этого не ожидал. Именно поэтому «черные лебеди» сеют неопределенность и хаос, ставя под сомнение модели и прогнозы.

«Черные лебеди» в прогнозировании спроса

Принципы «черных лебедей» приобретают особую значимость в сфере прогнозирования спроса. Традиционные методы прогнозирования хорошо работают при умеренных и плавных изменениях рынка. Однако «черные лебеди» могут в корне изменить отрасль и динамику спроса.

Розничная торговля пережила несколько наглядных «черных лебедей» за последнее время. Самый очевидный пример – пандемия COVID-19. Еще в начале 2020 года планы продаж строились исходя из обычных сезонных тенденций, но уже весной пандемия привела к локдаунам, паническому спросу на отдельные товары и обвалу спроса на другие. Никто не мог предсказать, что целые категории товаров, например, антисептики, маски, товары первой необходимости, взлетят в спросе на сотни процентов, а спрос на одежду или туристические услуги рухнет практически до нуля.

Другие примеры для российского ритейла включают геополитические события и санкции. В 2022 году зарубежные поставщики и бренды покинули рынок практически мгновенно, ассортимент в магазинах пришлось перестраивать на лету. Спрос на ряд импортных товаров (например, электроника определенных марок) резко переключился на альтернативы или отложился.

Почему традиционные методы прогнозирования не справляются?

Традиционные методы прогнозирования спроса, такие как трендовые, сезонные и регрессионные модели, основаны на предположении, что будущее развивается по закономерностям, выявленным на исторических данных. Они успешно справляются с прогнозированием в условиях стабильности или плавных изменений. 

Однако при наступлении «черного лебедя» возникает событие, не имеющее аналогов в прошлом, поэтому модель оказывается неспособна уловить его вероятность и масштаб. Основной недостаток традиционных подходов заключается в невозможности учитывать принципиально новые, беспрецедентные сценарии, которые не отражены в предыдущем опыте.

Именно это произошло в начале 2020 года: модели продаж на 100% опирались на business as usual, не учитывая сценарий глобальной пандемии. В результате автоматизированные системы дали сбой – их прогнозы резко разошлись с реальностью. 

Кризис показал, что многие модели спроса «больше не точны», планы закупок и производства вдруг перестали соответствовать ситуации. Алгоритмы машинного обучения, обученные на «стандартных» данных, тоже растерялись – они привыкли к историческим паттернам, а бизнес вдруг стал совсем не таким, как раньше.

Более того, традиционные цепочки принятия решений в компаниях часто не предусматривают молниеносных корректировок. Классический S&OP (Sales & Operations Planning) цикл может быть месячным, а в условиях «черного лебедя» рынки меняются ежедневно и ежечасно. Пока сигнал дойдет от магазина до планового отдела, пока пересмотрят план – ситуация может в корне измениться. Время реакции оказывается слишком долгим.

До случившегося кризиса менеджеры могут просто не поверить в возможность экстремального сценария. Даже если отдельные эксперты предупреждают (вспомним предупреждение Билла Гейтса о риске пандемии), зачастую эти сигналы игнорируются как маловероятные. Формально риски в отчетах указываются, но ни бизнес-планы, ни бюджеты на них не ориентированы.

Таким образом, традиционные методы прогнозирования спроса плохо справляются с «черными лебедями» по совокупности причин: они не умеют предвидеть беспрецедентные события, медленно адаптируются к резкой смене трендов и могут успокаивать руководителей иллюзией стабильности. Отказываться от прогнозов вовсе бизнес не может – но он должен использовать другие подходы к прогнозированию, встроить неопределенность в свою модель мышления.


@Freepic

Современные подходы к прогнозированию с учетом неопределенности

Предсказать появление «черных лебедей» практически невозможно. Однако компании могут заранее подготовиться к неожиданным событиям, внедрив современные инструменты прогнозирования. Это позволит руководству не только быстро распознать наступление нетипичных ситуаций, но и оперативно скорректировать свои планы и действия.

● ML и гибридные модели

Один из наиболее перспективных инструментов — машинное обучение и гибридные модели прогнозирования. Алгоритмы машинного обучения способны выявлять сложные зависимости и оперативно переобучаться на новых данных. Некоторые ритейлеры уже применяют гибридные подходы: например, X5 Group использует модели, которые учитывают десятки факторов, включая макроэкономические и погодные данные.

Тем не менее, важно понимать, что в ситуации беспрецедентного шока даже ИИ-алгоритмы поначалу ошибаются. ML важно использовать правильно: не как инструмент слепого предсказания, а как систему раннего предупреждения и быстрой реакции. Топ-менеджерам нужно иметь в виду, что даже самая продвинутая модель должна быть прозрачной и подконтрольной.

● Сценарное моделирование и стресс-тестирование

Другим важным инструментом становится сценарное моделирование и стресс-тестирование. Вместо того чтобы строить один точный прогноз, компании разрабатывают несколько сценариев: оптимистичный, базовый и пессимистичный, а также экстремальные варианты. Прогоняя такие стресс-сценарии через модель бизнеса, компания выявляет слабые места – где возникнут дефициты, где лишние запасы, хватит ли мощностей.

Сценарное планирование не предотвращает «черных лебедей», но позволяет компании заранее разработать конкретные планы действий. Когда у команды есть продуманная стратегия, она действует увереннее и быстрее, вместо паники и импровизации. Таким образом, неопределенность формализуется, и бизнес приобретает гибкость: если фактический спрос начал двигаться по пессимистичному сценарию – компания переключается на заранее подготовленный план Б.

Многие ритейлеры начали активно внедрять этот метод после кризиса 2020 года, создав шаблоны для различных ситуаций. К примеру, компания «Магнит» несколько лет назад оптимизировала свою логистическую сеть, прорабатывая различные сценарии совместно с ИT-консультантами. Такой проект, по сути, привил навыки сценарного подхода в планировании. В 2022 году, столкнувшись с уходом части поставщиков и изменением ассортиментной матрицы, «Магнит» сумел относительно быстро перенастроить цепочки поставок, во многом благодаря ранее созданным инструментам оптимизации и сценарного анализа.

Интеграция данных в режиме реального времени

В условиях высокой волатильности выигрывают компании, которые интегрируют в свои процессы прогнозирования данные в режиме реального времени (real-time data). 

Такой подход получил название Demand Sensing – это набор методов и инструментов, позволяющих оперативно выявлять и учитывать изменения спроса на основе текущих продаж, поведения покупателей и внешних факторов.

В отличие от традиционных прогнозов, которые опираются на исторические данные с задержкой в недели или даже месяцы, Demand Sensing работает с минимальным временным лагом. Системы непрерывно собирают и анализируют огромные объемы текущих данных, среди которых:

● ежедневные (а иногда и ежечасные) продажи;
● текущие остатки и движения товаров по складам;
● изменения погодных условий и климатических прогнозов;
● потребительские тренды и сезонные пики интереса;
● данные веб-аналитики, поисковые запросы и обсуждения в социальных сетях;
● внешние факторы, такие как новости и события, влияющие на потребительское поведение (например, масштабные промо-конкурентов или резкие изменения цен на товары-заменители).

Однако внедрение Demand Sensing требует не только технологических изменений, но и постоянной поддержки моделей прогнозирования. ИИ-алгоритмы, лежащие в основе этих систем, должны регулярно обновляться и перенастраиваться в соответствии с текущими реалиями рынка. Важную роль играет ModelOps (операционная поддержка моделей): компании необходимо постоянно контролировать точность прогнозов, выявлять дрейф данных (data drift), оперативно дообучать модели и при необходимости заменять их более подходящими.

Таким образом, Demand Sensing становится не просто дополнением к традиционным методам прогнозирования, а важнейшей частью современной системы управления спросом и цепочками поставок в условиях неопределенности.

---

Читайте также: Предсказание будущего: как использовать ML-модели и ИИ в прогнозировании спроса

---

Внедрения систем прогнозирования

На уровне топ-менеджмента принятие решений о внедрении той или иной системы прогнозирования – стратегическая задача, особенно в условиях постоянных «черных лебедей». Текущая глобальная тенденция — тесная интеграция ИИ-инструментов прогнозирования спроса с системами управления цепочками поставок (Supply Chain Management). Идеальная картина выглядит так: единая платформенная среда, где маркетинг, логистика, производство и финансы оперируют одним цифровым «источником правды». При появлении каких-то изменений (скачок цен на сырье, новая законодательная норма, промо конкурента) система автоматически пересчитывает прогноз, дает рекомендации по корректировкам заказов и даже автоматизирует часть закупок.

Но, чтобы достичь высокого уровня автоматизации, необходим комплексный подход: от грамотной интеграции данных до формирования корпоративной культуры, в которой сотрудники будут доверять математическим моделям и готовы будут применять их результаты.

Согласно опросу NVIDIA, 76% ритейлеров уже либо внедрили ИИ, либо находятся в стадии пилота: 42% компаний используют ИИ-технологии в операциях, еще 34% – тестируют пилотные проекты или оценивают их перспективы. Другая статистика от Gartner подтверждает тренд: ожидается, что к 2026 году до 80% ритейлеров будут применять ИИ в тех или иных бизнес-процессах.

Готовность инвестировать подкрепляется реальными кейсами и метриками, демонстрирующими ценность ИИ для бизнеса. По данным консалтинговой компании McKinsey, применение ИИ-алгоритмов для прогнозирования спроса снижает ошибки в цепи поставок на 20–50%, что приводит к уменьшению издержек и потерь и росту общей эффективности до 65% (за счет сокращения out-of-stock и излишних запасов).

Например, для компании Danone внедрение ИИ-модели спроса позволило сократить потерянные продажи (из-за отсутствия товара) на 30%. Гигант розничной торговли Walmart благодаря интеллектуальным системам прогноза и оптимизации запасов экономит миллиарды долларов ежегодно, добившись сокращения затрат на запасы на 10-40%.

Эпоха «черных лебедей» показала, что традиционные подходы к прогнозированию спроса уже недостаточно эффективны в условиях высокой неопределенности. Современные компании осознали необходимость в новых инструментах: машинном обучении, сценарном моделировании и Demand Sensing, которые помогают своевременно распознавать и реагировать на неожиданные события. Сегодня конкурентное преимущество получают именно те организации, которые способны быстро адаптировать свои модели прогнозирования, оперативно корректировать планы и управлять спросом на основе актуальных данных.

Таким образом, успешное прогнозирование в нестабильных условиях заключается уже не в попытках предсказать невозможное, а в системном подходе к управлению неопределенностью. Компании, внедрившие комплексные решения на основе данных и ИИ, не просто становятся устойчивее к шокам рынка, но и приобретают возможность использовать кризисы как точки роста, укрепляя свои позиции перед лицом любых непредвиденных изменений.

Андрей Кубрин, 
эксперт по прогнозированию в Napoleon IT.

Для NEW RETAIL