GTK Forecast — прогноз спроса WB

Период данных

2025-01-01 → 2026-08-13

Строк в витрине

131,257

SKU в прогнозе

451

Точность vs спрос (стабильные мес.)

60% смещение -4%

Спрос, продажи и прогноз (помесячно, шт)

продажи (факт) спрос (с учётом дефицита) текущая (segment_aware) ML с ценой (lgbm) ансамбль what-if (подбор) пунктир — бэктест, точки — прогноз вперёд · клик по названию — скрыть/показать

🎛 Интерактивный подбор параметров (what-if) — двигайте ползунки, жёлтая линия пересчитывается вживую

Это реальный пересчёт модели, а не сдвиг линии. Два способа: двигать ползунки внизу, либо тянуть жёлтые точки прямо на графике мышью вверх/вниз — тогда бэкенд подберёт параметры под них. Если модель структурно не может попасть в точку (параметры общие на группу месяцев) — линия ляжет как можно ближе, и об этом будет надпись. WAPE показывает, лучше стало или хуже (ниже = лучше). Подобрали — скопировали JSON и отдали мне.

доля ML · янв–март i доля ML · окт–дек i доля ML · остальные i alpha_turn i спад/рост янв (turn_factor_1) i спад/рост фев (turn_factor_2) i март × (8 Марта) i амплитуда (scale) i

—

Дефицит и календарь (учтено в модели)

Скрытый спрос из-за дефицита (OOS)

+15.5% прогнозируем спрос, а не только продажи

предНГ

×1.31 к обычному дню

пред-8марта

×1.54 к обычному дню

пред-23фев

×1.19 к обычному дню

Дни недели (слабый эффект, учтён в разбивке по неделям): Пн ×1.0 · Вт ×0.99 · Ср ×1.03 · Чт ×1.01 · Пт ×0.98 · Сб ×0.96 · Вс ×1.04

Точность по моделям (WAPE vs СПРОС, среднее с июня 2025)

Модельi	WAPE (стабильные)i	WAPE (все месяцы)i	Смещениеi
ensemble	60%	60%	-4%
ml_lgbm	60%	68%	-0%
ml_blind	60%	68%	+2%
seasonal_naive_v1	—	71%	-142%
trend_damped(a=0.5)	56%	75%	+18%
segment_aware	86%	77%	+5%
segment_aware(no turn prior)	85%	89%	+23%
naive_v1	86%	92%	+25%
seasonal_trend_v2	—	115%	+2454%
seasonal_v2	120%	115%	+56%

Тюнинг: WAPE по сегментам спроса × alpha (выделена выбранная)

alphai	stablei	rampi	turni
-0.5 ✓	85.4%	55.1%	161.3%
-0.3	85.0%	53.7%	168.3%
0.0	85.5%	51.8%	181.5%
0.3	87.0%	50.4%	197.3%
0.5	88.7%	49.8%	209.2%
0.7	91.0%	49.5%	222.2%
1.0	95.7%	49.6%	244.3%

stable — рабочий режим (мар–сен); ramp — осенний рост (окт–дек); turn — спад после НГ (янв–фев, пока непредсказуем).

Бэктест по месяцам: текущая модель vs ML с ценой

Месяцi	сегментi	naivei	текущаяi	ML с ценойi	ансамбльi	смещ. анс.i	факт, штi
2025-03	stable	0%	0%	0%	0%	+0%	22351
2025-04	stable	0%	0%	0%	0%	+0%	19851
2025-05	stable	0%	0%	0%	0%	+0%	22866
2025-06	stable	0%	0%	0%	0%	+0%	24797
2025-07	stable	36%	38%	35%	35%	-12%	29615
2025-08	stable	35%	38%	34%	34%	-21%	35160
2025-09	stable	38%	40%	34%	34%	-17%	43230
2025-10	ramp	50%	50%	46%	46%	-19%	58562
2025-11	ramp	51%	43%	42%	40%	-25%	87328
2025-12	ramp	55%	57%	58%	55%	-25%	120283
2026-01	turn	184%	74%	187%	93%	+57%	37800
2026-02	turn	179%	86%	72%	68%	+5%	31530
2026-03	stable	72%	81%	67%	68%	-18%	49494
2026-04	stable	88%	95%	72%	72%	+6%	34966
2026-05	stable	93%	88%	59%	59%	-29%	37520
2026-06	stable	87%	85%	71%	71%	-9%	37076
2026-07	stable	233%	224%	107%	107%	+53%	13844

Топ-10 SKU по прогнозу спроса (сумма на горизонт)

Артикулi	Названиеi	Прогноз, штi
tgkw009	Травяные сборы	37
хвощ дубль2	Комплексные пищевые добавки	37
tr8204	Травяные сборы	37
tr8269	Комплексные пищевые добавки	37
tr3120tr3120	Подушки декоративные	37
wb2yri8uvp	Сухоцветы	37
tgk0051	Травяные сборы	37
tr8090tr8090	Травяные сборы	37
tr8272	Комплексные пищевые добавки	37
tgkw0092	Травяные сборы	37

Технические данные: источники прогноза

Какие таблицы и поля БД используются (нажмите, чтобы развернуть)

Все данные берутся из продакшен-базы gtk_site_db (которую ведёт gtk.tikhov.de) — только на чтение. Ночной ETL агрегирует их в свои витрины базы gtk_forecast. Окно анализа — с января 2025 (2024 исключён как «разгонный»). Гранулярность моделей — месяц × товар (SKU); прогноз вперёд разбивается по неделям.

1. Источники (gtk_site_db, чтение)

Таблица.поле	Что это	Как используется в прогнозе
`sale.product_id`	Товар (ключ на справочник)	Связка всех данных по SKU
`sale.date_t`	Дата продажи (UNIX)	Спрос по дням/месяцам
`sale.qty`	Количество, шт	Целевая величина — спрос
`sale.finished_price`	Итоговая цена, которую заплатил клиент	Признак «цена» в ML (эластичность)
`sale.spp`	СПП — скидка Wildberries	Признак промо/распродаж в ML
`sale.total_price, for_pay`	Суммы продажи и к перечислению	Выручка (справочно)
`warehouse__snap.(date_t, product_id, qty)`	Ежедневный остаток на складах (есть строка = был в наличии)	Коррекция спроса на дефицит (OOS): досчёт упущенных из-за стока продаж
`_spr_product.category`	Категория товара	Признак категории в ML
`_spr_product.(wb_product_art, name, brand)`	Артикул WB, название, бренд	Отображение в таблицах/отчётах
`_spr_vacation`	Производственный календарь РФ (выходные)	Замер праздников (8 Марта и т.д.); в модели — календарные множители

2. Витрины (gtk_forecast, строит ночной ETL)

Витрина.поля	Из чего	Назначение
`mart_sales_daily (d, product_id, units, revenue)`	из `sale`	Дневные продажи по SKU
`mart_stock_daily (d, product_id, qty_total)`	из `warehouse__snap`	Дневные остатки по SKU
`forecast_weekly / forecast_monthly / backtest_result`	результаты моделей	Прогнозы и метрики (своя база, в источник не пишем)

3. Производные признаки (считаются на лету)

Спрос (units_corr) = продажи, скорректированные на дни дефицита (sale + warehouse__snap).
Цена / СПП по месяцам — средние из sale.
Лаги спроса, тренд — из истории продаж.
Календарь (8 Марта ×1.54, 23 Фев ×1.19, НГ и т.д.) — измерено на наших данных.
Сегмент месяца — stable / ramp / turn.

4. Что какая модель использует

Модель	Использует
segment_aware	спрос (история) + календарь + коррекция на дефицит
ml_lgbm	лаги спроса + цена + СПП + календарь + категория + сегмент
ансамбль	маршрутизация: янв/фев/март → segment_aware, остальное → ml_lgbm

Не используется пока: финотчёт sale__wide (комиссии/логистика), платное хранение warehouse__coast, внешние драйверы WB (реклама/промо-календарь — за отдельным API).

Объяснение от AI

Нажмите кнопку, чтобы получить разбор моделей и сегментов.