Машинное обучение в прогнозировании спроса: разбираемся в подходе

Алгоритмы машинного обучения давно используются в задачах, где на целевой показатель влияет множество факторов. Бустинговые модели на основе решающих деревьев, рекуррентные нейронные сети и другие методы позволяют учитывать сложные зависимости между признаками и адаптируются под широкий спектр бизнес‑сценариев. Эти же алгоритмы могут применяться и для прогнозирования временных рядов, но с определёнными особенностями.

Что такое временной ряд и почему он требует отдельного подхода

Временной ряд — это данные, упорядоченные во времени. История погоды, курс валют, продажи товара по дням — всё это примеры временных рядов. Их ключевая особенность в том, что порядок наблюдений имеет значение. Именно упорядоченная последовательность позволяет увидеть сезонность, циклы, тренды и другие закономерности, которые невозможно обнаружить в перемешанных данных.

Для работы с такими данными существуют два больших класса методов:

• классические авторегрессионные модели, которые используют только прошлые значения ряда;
• модели машинного обучения, которые можно адаптировать под временные ряды, добавляя необходимые признаки и структуру.

Как работает классическая регрессионная задача в ML

Чтобы понять разницу, рассмотрим задачу, не связанную со временем. Допустим, нужно предсказать рост человека по признакам: пол, возраст, страна проживания, вес. Каждый признак помогает модели уточнить прогноз. Алгоритм ищет зависимости между входными параметрами и целевой переменной, и порядок строк в таблице никак не влияет на результат.

В классических регрессионных задачах, в отличие от задач прогнозирования временных рядов:

• наблюдения независимы,
• нет циклов,
• нет сезонности,
• нет временной структуры.

Поэтому классические ML‑алгоритмы работают с ними «из коробки».

Что меняется при прогнозировании временных рядов

В прогнозировании продаж или спроса ситуация другая. Порядок наблюдений становится критически важным, потому что модель должна учитывать динамику:

Чтобы ML‑модель могла работать с такими данными, их необходимо подготовить:

• упорядочить по времени,
• добавить лаги (значения за предыдущие дни),
• сформировать скользящие окна (например, средние за неделю, две, месяц),
• включить календарные признаки (день недели, месяц, праздники),
• при необходимости — внешние факторы (погода, маркетинг, цены конкурентов).

Все признаки перечисленные выше должны быть подготовлены таким образом, чтобы у них была такая же структура временных рядов, как и у прогнозируемой величины.  На каждый день у нас должны быть записи значений всех признаков (факторов), которые помогают лучше прогнозировать неизвестную нам величину.

Конкретный пример: прогнозируемая величина – продажи, факторы – погода, день недели, праздники, акции.

Как обучать модель

Предположим, мы собрали таблицу с продажами, которые мы хотим прогнозировать, и факторами, которые, по экспертному мнению, должны влиять на них. На каждый день у нас имеются значения продаж и всех факторов, которые на них могут повлиять. Тогда наш алгоритм будет представлен простой формулой:

Где у – прогноз, f – алгоритм, X – данные по момент времени t. Суть обучения модели f заключается в том, чтобы по предоставленным данным алгоритм давал наименьшую ошибку.

Для создания прогнозного алгоритма необходимо:

1. Подготовить все необходимые данные
2. Выбрать алгоритм или набор алгоритмов для прогнозирования
3. Разбить данные на обучающую и тестовую выборку
4. Обучить и настроить модель
5. Оценить метрики качества модели тестовой выборке
6. Сравнить метрики модели с метриками простых классических моделей

Зачем разбираться в методологии

Понимание того, как обучаются модели, позволяет корректно оценивать их применимость. Некоторые ограничения связаны не с алгоритмами как таковыми, а с природой данных: длиной истории, регулярностью продаж, качеством признаков, наличием внешних факторов.

О некоторых ограничениях мы рассказывали в нашей предыдущей статье Когда прошлое не похоже на будущее: ограничения моделей прогнозирования в эпоху “чёрных лебедей”

Машинное обучение хорошо справляется там, где на показатель влияет множество факторов, где важна масштабируемость и где данные достаточно богаты, чтобы модель могла увидеть закономерности. Но ML‑подходы требуют дисциплины: аккуратной подготовки признаков, регулярного обновления моделей и прозрачной инфраструктуры вокруг них.

Когда эти условия соблюдены, машинное обучение становится надёжным инструментом для прогнозирования спроса, продаж, трафика и других бизнес‑метрик. Оно не заменяет экспертизу, но позволяет опираться на данные в тех ситуациях, где интуиции уже недостаточно. Именно поэтому ML‑прогнозирование сегодня — рабочая технология, которая приносит измеримую пользу компаниям, готовым инвестировать в качество данных и инженерный процесс.

Дополнительно

Почему точный прогноз спроса не гарантирует корректный автозаказ для розничной сети

Машинное обучение для прогнозирования спроса: план внедрения

Алгоритмы вместо интуиции: как оптимизировать производственное планирование