От точности прогноза — к качеству решений — 11 сентября 2026 г. в 08:07:50.281
От точности прогноза — к качеству решений Долгое время в прогнозировании спроса логика была простой: чем ниже ошибка прогноза, тем лучше модель. Улучшили точность на несколько процентов — значит, улучшили планирование. Это второй фронтир, который мы разбираем в серии про то, куда движется современное управление запасами и прогнозирование спроса. В прошлый раз говорили о переходе от точечного прогноза к вероятностному. Теперь — о следующем сдвиге: от точности прогноза к качеству решения. Сегодня международный фронтир смещается именно в эту сторону. Вопрос уже не только в том, насколько точно мы предсказали спрос, а в том, к каким запасам, уровню сервиса и финансовому результату этот прогноз привёл. Хорошее подтверждение этого сдвига — исследование Forecast accuracy and inventory performance: Insights on their relationship from the M5 competition data, опубликованное в 2025 году в European Journal of Operational Research — одном из ведущих международных журналов в области исследования операций. Авторы использовали данные M5 Competition на реальных продажах Walmart и оценивали методы не только по точности прогноза, но и по стоимости хранения запасов, потерянным продажам и совокупным затратам. Главный вывод: наиболее точный прогноз не всегда обеспечивает лучший экономический результат в управлении запасами. Особенно это проявляется, когда стоимость потерянных продаж выше стоимости хранения, при коротких периодах пересмотра и сроках поставки, а также для товаров с прерывистым спросом. То есть более точная модель по стандартным метрикам ещё не гарантирует, что компания будет держать правильный объём запасов и получать лучший финансовый результат. Ещё дальше идёт работа исследователей Google и Университета Карнеги — Меллона Business Metric-Aware Forecasting for Inventory Management. Обычно модель учат просто снижать ошибку прогноза. Авторы предложили при обучении учитывать, во что эта ошибка обходится бизнесу: недопрогноз ведёт к дефициту и потерянным продажам, перепрогноз — к лишнему запасу и затратам на хранение. В экспериментах обучение с учётом этих затрат улучшало итоговый результат до 45,7% для простой модели и до 54% для LSTM по сравнению с обучением только на точность. Это не означает, что любой компании такой подход автоматически снизит затраты на 50%. Но работа хорошо показывает направление развития: модель можно оптимизировать не только под точность прогноза, но и под конечный экономический результат. Эта же логика уже появляется и в рекомендациях Gartner. В исследовании Harness Forecast Error to Improve Supply Planning Outcomes (2025) Gartner прямо пишет, что компании ведут проигрышную борьбу, пытаясь добиться «идеального» прогноза. Вместо этого ошибку прогноза нужно воспринимать как естественную часть неопределённости и учитывать её при принятии решений. А в исследовании How to Monetize Forecast Accuracy Improvements (2026) Gartner идёт ещё дальше: агрегированные показатели вроде MAPE недостаточны для оценки экономического эффекта. Улучшение прогноза нужно переводить в деньги — прежде всего по тем товарам и решениям, где это действительно создаёт ценность для бизнеса. Та же логика видна и у крупных платформ планирования. SAP описывает эффект управления запасами через снижение запасов, повышение уровня сервиса и высвобождение оборотного капитала, то есть через бизнес-результат, а не только через точность прогноза. В итоге сдвиг выглядит так: Было: данные → прогноз → измерили ошибку → пытаемся сделать прогноз ещё точнее. Становится: данные → прогноз и оценка неопределённости → решение по запасам → дефицит / излишки / уровень сервиса / оборотный капитал / прибыль → оцениваем конечный результат. Точность прогноза никуда не исчезает. Но она перестаёт быть конечной целью. В Forecast NOW! мы говорим об этом уже давно. Ещё раньше мы подробно разбирали, почему повышение точности прогноза не гарантирует повышения прибыли. Хороший прогноз — это тот, который помогает принять лучшее экономическое решение.