GTK Forecast — прогноз спроса WB

Период данных

2025-01-01 → 2026-10-12

Строк в витрине

135,836

SKU в прогнозе

393

Точность vs спрос (стабильные мес.)

85% смещение +17%

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)

+15.4% 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
seasonal_naive_v1	—	71%	-142%
trend_damped(a=0.5)	56%	75%	+18%
ensemble	85%	77%	+17%
ml_lgbm	85%	84%	+20%
ml_blind	86%	84%	+23%
seasonal_trend_v2	—	115%	+2454%
segment_aware	158%	126%	+61%
segment_aware(no turn prior)	158%	137%	+77%
naive_v1	158%	140%	+78%
seasonal_v2	316%	247%	+195%

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

alphai	stablei	rampi	turni
-0.5	158.7%	55.1%	161.3%
-0.3 ✓	158.0%	53.7%	168.3%
0.0	158.4%	51.8%	181.5%
0.3	160.6%	50.4%	197.3%
0.5	163.1%	49.8%	209.2%
0.7	166.5%	49.5%	222.2%
1.0	173.3%	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%	37%	35%	35%	-12%	29615
2025-08	stable	35%	37%	34%	34%	-21%	35160
2025-09	stable	38%	39%	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%	78%	67%	67%	-21%	49494
2026-04	stable	88%	92%	72%	72%	+6%	34966
2026-05	stable	93%	90%	59%	59%	-29%	37520
2026-06	stable	87%	86%	71%	71%	-9%	37076
2026-07	stable	233%	227%	107%	107%	+53%	13844
2026-08	stable	777%	774%	225%	225%	+208%	2929
2026-09	stable	123%	126%	146%	146%	+101%	4738

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

Артикулi	Названиеi	Прогноз, штi
tr3152tr3152	Сухоцветы	127
tgkw0053	Чай	114
tr8090tr8090	Травяные сборы	101
tgkw0172	Травяные сборы	87
tgk0299	Чай	62
tr8290-2	Чай	55
tr3060tr3060	Травяные сборы	50
tr3123tr3123	Чай	49
tr8311	Чай	47
tgk0302	Чай	46

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.