От точечного прогноза к распределению вероятностей — 1 сентября 2026 г. в 09:01:51.277
От точечного прогноза к распределению вероятностей Начинаем серию постов о мировых фронтирах в управлении запасами. И первую тему, которую затронем, — это переход от одного точечного прогноза к работе с вероятностным распределением спроса. И если еще 5-10 лет назад об этом так много не говорили, то сегодня такой подход уже становится стандартом. В 2025 году Gartner выпустил исследование Leverage Uncertainty With Probabilistic Planning. Его тезис: планы, построенные вокруг одного прогнозного числа, слишком хрупки в условиях неопределённости. Gartner рекомендует переходить к вероятностным подходам, которые учитывают риск разных сценариев. А в стратегическом гайде по Supply Chain Planning Gartner первым из трёх способов повышения устойчивости цепочки поставок называет переход к вероятностному планированию. Тот же сдвиг виден и у лидеров рынка. Kinaxis, много лет входящий в Leaders Gartner Magic Quadrant for Supply Chain Planning, использует вероятностные подходы в планировании и мультиэшелонной оптимизации запасов. RELEX, также вошедший в Leaders Gartner в 2025 году, применяет стохастическое и вероятностное планирование для работы с неопределённостью спроса и запасов. Показательно и то, куда движутся сами модели прогнозирования крупнейших технологических компаний. У Amazon одна из ведущих моделей нового поколения — Chronos-2, foundation model для временных рядов. Она строит не только точечный, но и вероятностный прогноз и в тестах Amazon заняла первое место среди предварительно обученных моделей на одном из основных современных бенчмарков прогнозирования. У Google аналогичный пример — TimesFM-3, новое поколение foundation model для временных рядов. Модель тоже изначально поддерживает вероятностное прогнозирование: вместе с основным значением она оценивает диапазон возможных будущих значений и их вероятности. Сама постановка задачи теперь выглядит иначе, чем раньше 🔹Точечный прогноз: «На следующей неделе продадим 100 шт.» 🔹Вероятностный: «Наиболее вероятный уровень — около 100 шт., но чтобы покрыть 90% возможных сценариев, нужно учитывать спрос до 137 шт.» Теперь мы знаем не только наиболее вероятный спрос, но и риск его отклонения. Хорошо этот переход виден и в научном мире на примере M5 Competition 2020 года — крупнейшего международного соревнования по прогнозированию на данных Walmart. Впервые в рамках M-соревнований организаторы выделили отдельное направление Uncertainty: участники должны были не просто угадать одно будущее значение продаж, а построить девять квантилей для 42 840 временных рядов. То есть вероятностное прогнозирование впервые стало самостоятельной задачей, по которой отдельно сравнивали качество моделей. Следующий шаг в этом направлении — уже не просто показать диапазон возможного спроса, а использовать эти вероятности непосредственно для решения по запасам. То есть система должна оценить возможный спрос и определить, сколько товара стоит держать с учётом стоимости дефицита, излишков и требуемого уровня сервиса. Эволюция выглядит так: одно прогнозное число → распределение возможного спроса → решение по запасам с учётом вероятностей и экономики. В Forecast NOW! вероятностное прогнозирование тоже используется уже много лет. Мы одними из первых на российском рынке начали последовательно развивать и продвигать этот подход применительно к управлению запасами: прогнозировать не одну цифру спроса, а распределение возможных значений и на его основе рассчитывать необходимый уровень запаса. Подробнее о том, как это работает.