Прогнозування попиту в нестабільній економіці

Економічна невизначеність, зміна логістичних маршрутів, нестабільність попиту та обмеженість фінансових ресурсів змушують українські підприємства переглядати підходи до корпоративного планування. Моделі прогнозування, створені для відносно стабільного економічного середовища, не завжди здатні коректно описувати діяльність під час війни. За таких обставин особливого значення набувають сценарне моделювання, контроль якості інформації та інтеграція аналітики з операційними системами підприємства.

1. Грудень 2023 року: економічне відновлення в умовах невизначеності

Наприкінці 2023 року українська економіка демонструє здатність пристосовуватися до повномасштабної війни. Підприємства перебудовують логістичні маршрути, адаптують виробництво, розвивають нові канали збуту й поступово відновлюють частину економічної активності. Водночас умови діяльності залишаються складними.

Порушення традиційних експортних маршрутів, нестача персоналу, воєнні ризики, обмежені можливості фінансування та необхідність підтримувати резервну інфраструктуру впливають на собівартість продукції та операційні плани підприємств. Показовою є зміна макроекономічних прогнозів протягом року.

В опублікованому в жовтні Інфляційному звіті Національний банк України підвищив прогноз зростання реального ВВП за 2023 рік до 4,9%. Серед чинників перегляду НБУ називав адаптацію підприємств і населення до воєнних умов, високі врожаї, розвиток альтернативних експортних маршрутів і бюджетну підтримку. Водночас тривалі безпекові ризики залишалися суттєвим обмеженням для відновлення. Це важлива обставина для корпоративної аналітики: навіть професійні макроекономічні прогнози потребують регулярного перегляду, коли змінюються вихідні умови.

Для підприємства такі зміни можуть відбуватися ще швидше.

Новий логістичний маршрут здатен змінити собівартість продукції. Втрата одного постачальника може порушити виробничий план. Відновлення роботи регіонального складу — збільшити доступність товарів і продажі. А зміна кількості працівників — вплинути на виробничу потужність.

У традиційній корпоративній аналітиці значна частина моделей орієнтується на історичні закономірності.

Прогноз попиту може будуватися на продажах попередніх років, сезонності та тенденціях ринку. Планування запасів — на середньому терміні постачання та прогнозованому обсязі замовлень. Однак під час війни історичні закономірності можуть втрачати стабільність.

Головна проблема полягає не в недостатній кількості даних, а в тому, що минулі дані вже не завжди описують умови, у яких підприємство працюватиме завтра.

Тому бізнес потребує аналітичної архітектури, здатної враховувати структурні зміни, обмеження та декілька можливих сценаріїв розвитку подій.

2. Структурний розрив: чому моделі, побудовані до війни, можуть помилятися

У статистичному аналізі структурним розривом називають зміну характеристик процесу, внаслідок якої раніше встановлені закономірності перестають діяти або істотно змінюються.

Для українських підприємств 24 лютого 2022 року стало очевидною точкою такого розриву. Але було б помилкою вважати, що всі подальші дані утворюють один стабільний період.

Протягом 2022–2023 років підприємства могли проходити декілька структурних змін: релокацію виробництва, зміну постачальників, енергетичні обмеження, відновлення окремих потужностей, перебудову експорту.

Наприклад, компанія, яка раніше постачала продукцію через морські порти, могла перейти на автомобільні та залізничні маршрути. Її історична модель логістичних витрат після цього вже не відповідатиме фактичним умовам.

Умовний приклад зміни бізнесових показників

Усі числа умовні та використовуються для пояснення аналітичної проблеми.

Якщо алгоритм прогнозування використовує середнє значення за всі три роки, результат може не відповідати жодному з фактичних операційних режимів. Проте повне виключення старих даних також не завжди виправдане.

Вони можуть містити інформацію про сезонність, поведінку клієнтів, структуру асортименту та довгострокові тенденції.

Тому доцільно не видаляти довоєнну історію, а позначати відповідні режими та використовувати їх у моделях усвідомлено.

3. Data Warehouse як основа адаптивного планування

Корпоративне сховище даних залишається ключовим компонентом управлінської аналітики. Його роль полягає не лише в консолідації фінансової або комерційної інформації, а й у створенні узгодженого історичного середовища для аналізу.

Для сценарного прогнозування необхідно поєднати дані з різних джерел:

• ERP — операційні транзакції, закупівлі, виробництво й фінанси;
• CRM — попит, клієнтські замовлення та комерційні можливості;
• WMS — фактичні складські залишки;
• TMS — маршрути, транспортні витрати й строки доставки;
• MDM — узгоджені довідники;
• системи бюджетування — фінансові плани та ліміти;
• зовнішні джерела — макроекономічні показники, валютні курси й ринкові індикатори.

При цьому недостатньо просто завантажити інформацію до однієї бази.

Необхідно забезпечити порівнянність показників, правильне трактування часових періодів та збереження історії організаційних змін.

Архітектура аналітичного планування

• ERP
• CRM
• WMS / TMS
• Зовнішні дані

Data Integration та Data Quality

ETL · CDC · нормалізація · звіряння · MDM

Корпоративне Data Warehouse

• Історія · фактичні показники · організаційні зміни · метадані
• Прогнозні моделі
• Попит і продажі
• Запаси та логістика
• Фінансові потоки
• Сценарне моделювання
• Базовий сценарій
• Несприятливий сценарій
• Сценарій відновлення
• Управлінські рішення
• Бюджети · закупівлі · виробничі плани · управління ліквідністю
• Критично важливим є розділення фактичних, прогнозних і сценарних даних.
• Наприклад, прогнозована ціна матеріалу не повинна зберігатися як фактична закупівельна ціна.
• А сценарні значення валютного курсу не повинні автоматично змінювати фінансові показники ERP.

Тому аналітична система повинна підтримувати версіонування моделей та сценаріїв.

4. Три сценарії замість одного прогнозу

Традиційна система планування часто формує один основний прогноз, який використовується для бюджету або виробничого плану. В умовах високої невизначеності такий підхід може бути недостатнім.

Доцільно використовувати щонайменше три сценарії.

Базовий сценарій відображає найбільш обґрунтований набір припущень на дату планування.

Несприятливий сценарій оцінює наслідки погіршення умов: затримок постачання, збільшення витрат, скорочення попиту чи тимчасової недоступності майданчиків.

Сценарій відновлення передбачає поступове поліпшення операційних умов, збільшення доступності ресурсів і відновлення частини ринків. Це не означає, що підприємство повинно призначати довільні ймовірності кожному сценарію.

Коли достовірної статистичної основи недостатньо, сценарії можуть використовуватися як інструмент оцінювання чутливості бізнесу до певних змін.

Приклад сценарного прогнозу

Розглянемо умовне виробниче підприємство, яке планує перший квартал 2024 року.

Показники є умовними й не становлять прогнозу для реального підприємства. Модель спрощена: без ПДВ, фінансових витрат, амортизаційних коригувань і змін оборотного капіталу. Її перевага в тому, що керівництво бачить не лише одне очікуване значення, а й діапазон можливих результатів.

Це дозволяє завчасно визначати дії.

Наприклад, у несприятливому сценарії підприємство може скоротити некритичні закупівлі, переглянути графік виробництва або збільшити резерв ліквідності.

У сценарії відновлення — підготувати додаткову виробничу зміну чи розширити запас матеріалів.

5. Прогнозування попиту під час структурних змін

Прогноз попиту є одним із найбільш поширених завдань корпоративної аналітики.

У звичайних умовах він може враховувати сезонність, попередні продажі, маркетингові кампанії, ціну й загальну ринкову тенденцію.

Під час війни до моделі можуть додаватися:

• доступність регіональних ринків;
• зміна географії клієнтів;
• переміщення виробництва;
• строки постачання;
• обмеження складських запасів;
• збої електроживлення;
• зміна транспортних маршрутів;
• доступність персоналу.

Особливо важливо розрізняти фактичний попит і реалізовані продажі. Якщо підприємство не має товару на складі, продажі зменшуються. Але це не обов’язково означає, що клієнти втратили інтерес до продукції.

Модель, яка використовує тільки фактичні продажі, може помилково інтерпретувати дефіцит як зниження попиту.

Тому бажано враховувати невиконані замовлення, відмови та періоди відсутності товарів.

Підходи до прогнозування

Для багатьох підприємств раціональним рішенням може бути не складніша модель, а якісніше підготовлена інформація.

Наприклад, додавання показника доступності товару може суттєво поліпшити інтерпретацію продажів, навіть якщо алгоритм прогнозування залишається відносно простим.

6. Практичний приклад прогнозування на Python

• Розглянемо умовний місячний часовий ряд продажів.
• Для початкової перевірки можна побудувати просту модель експоненційного згладжування.
• Наведений приклад використовує можливості бібліотеки statsmodels, доступні до грудня 2023 року.

import pandas as pdfrom statsmodels.tsa.holtwinters import (    ExponentialSmoothing)sales = pd.Series(    [        8200, 8400, 8100, 8700,        9100, 9300, 8900, 9500,        9800, 10100, 9700, 10300    ],    index=pd.date_range(        start="2023-01-01",        periods=12,        freq="MS"    ))model = ExponentialSmoothing(    sales,    trend="add",    seasonal=None)result = model.fit(optimized=True)forecast = result.forecast(3)print(forecast)

Цей код формує базовий прогноз на три місяці. Однак його не можна автоматично використовувати для фінансового планування.

Перед виробничим застосуванням необхідно оцінити:

1. Чи достатньо історичних даних.
2. Чи присутні структурні розриви.
3. Чи є сезонність.
4. Чи змінювалися ціни.
5. Чи впливали дефіцити на продажі.
6. Чи відповідає модель поточному режиму діяльності.

Для перевірки якості доцільно використовувати rolling-origin backtesting: модель навчається на доступній на певний момент історії, прогнозує наступні періоди, після чого результат порівнюється з фактичними значеннями. Це дозволяє оцінити прогноз без використання інформації з майбутнього.

У контексті війни така перевірка особливо важлива, оскільки випадкове змішування різних часових періодів може створити штучно завищену точність.

7. Управління запасами: від середнього попиту до оцінювання ризиків

Для виробничих і торговельних підприємств прогнозування попиту безпосередньо пов’язане з управлінням запасами.

За стабільних умов підприємство може розраховувати страховий запас на основі середнього попиту, його мінливості та строків постачання. Але під час війни строки доставки стають менш передбачуваними.

Наприклад, постачальник може виконувати замовлення із затримкою через зміну маршруту, нестачу транспорту чи недоступність певної інфраструктури. Тому страховий запас повинен враховувати не лише коливання попиту, а й невизначеність lead time.

У спрощеній моделі припускаємо, що добові обсяги попиту незалежні й однаково розподілені, а строк постачання у цілих днях не залежить від попиту. Тоді дисперсію сумарного попиту за строк постачання обчислюємо так:

σ²ᴅʟ = L̄ × σᴅ² + D̄² × σʟ²

де:

• \(\overline L\) — середній строк постачання;
• \(\overline D\) — середній добовий попит;
• \(\sigma_D\) — стандартне відхилення добового попиту;
• \(\sigma_L\) — стандартне відхилення строку постачання.

Тоді орієнтовний страховий запас:

\[ SS=z\sigma_{DL} \]

де \(z\) відповідає обраному цільовому рівню обслуговування за припущеннями моделі. У реальності попит і строки постачання можуть бути залежними, а їхні розподіли — далекими від нормальних.

Тому для критичних матеріалів доцільно перевіряти результати сценарним моделюванням.

Приклад політики запасів

Рішення про запас повинно враховувати одночасно вартість зберігання, ризик дефіциту та вплив на виробництво.

8. Фінансове прогнозування та управління ліквідністю

В умовах нестабільної економіки корпоративна аналітика повинна приділяти особливу увагу грошовим потокам. Прибуткове підприємство може зіткнутися з проблемами ліквідності, якщо клієнти затримують платежі, а постачальники вимагають передоплати.

Тому прогноз прибутку та прогноз руху грошових коштів необхідно розглядати окремо.

У корпоративному DWH можна інтегрувати:

• дебіторську заборгованість;
• кредиторську заборгованість;
• графіки платежів;
• прогноз продажів;
• закупівельні плани;
• фонд оплати праці;
• орендні та енергетичні витрати;
• податкові зобов’язання.

На основі цих даних формується rolling cash flow forecast.

Наприклад, підприємство може щотижня оновлювати прогноз руху коштів на наступні 13 тижнів.

Умовний приклад

Навіть якщо обидва сценарії залишають підприємство з позитивним залишком коштів, різниця може суттєво впливати на інвестиційні рішення.

Для таких моделей необхідно контролювати припущення щодо строків надходжень, оскільки номінальна сума дебіторської заборгованості ще не гарантує своєчасного отримання коштів.

9. Data Quality: неправильні дані створюють неправильні прогнози

Якість прогнозу не може перевищувати якість його інформаційної основи без додаткових перевірок та корекцій. Наприклад, якщо система отримала неповні продажі за певний місяць, модель може інтерпретувати їх як різке падіння попиту.

Якщо після релокації один склад отримав новий ідентифікатор, аналітична система може помилково вважати його новим бізнесовим об’єктом. Якщо в ERP змінилися одиниці вимірювання, модель прогнозування може отримати значення, які не можна порівнювати з історією.

Тому перед прогнозуванням потрібен окремий контроль якості даних.

Матриця Data Quality

Особливо важливо розрізняти відсутні дані та нульові значення. Наприклад, нуль продажів може означати, що підприємство не мало замовлень.

Але він також може виникнути через недоступність інформаційного джерела. Автоматичне заміщення відсутніх значень нулями здатне суттєво спотворити прогноз.

Тому необхідно зберігати метадані про повноту й стан джерел.

10. Версіонування прогнозів та припущень

У період високої невизначеності прогнози можуть змінюватися кілька разів протягом місяця. Проте підприємству важливо зберігати попередні версії.

Це дозволяє оцінити, які припущення виявилися неправильними та як змінювалася якість прогнозування.

Для цього доцільно створити окремий реєстр прогнозних моделей.

Приклад структури PostgreSQL

CREATE TABLE forecast_runs (
    forecast_id BIGSERIAL PRIMARY KEY,
    model_name VARCHAR(100) NOT NULL,
    model_version VARCHAR(40) NOT NULL,
    scenario_name VARCHAR(50) NOT NULL,
    generated_at TIMESTAMPTZ NOT NULL
        DEFAULT CURRENT_TIMESTAMP,
    training_data_cutoff DATE NOT NULL,
    assumptions JSONB NOT NULL
);

Таблиця результатів:

CREATE TABLE forecast_values (
    forecast_id BIGINT NOT NULL
        REFERENCES forecast_runs(forecast_id),
    period_start DATE NOT NULL,
    metric_code VARCHAR(100) NOT NULL,
    forecast_value NUMERIC(18, 4) NOT NULL,
    PRIMARY KEY (
        forecast_id,
        period_start,
        metric_code
    )
);

Така модель дозволяє зберігати різні сценарії, версії моделей і дати формування. Наприклад, можна порівняти прогноз, підготовлений 1 жовтня, з прогнозом від 1 грудня та фактичними показниками.

Важливо також зберігати версію вихідних даних або можливість відтворення набору, на якому навчалася модель. Без цього складно встановити, чи зміна прогнозу була спричинена новими даними, іншими припущеннями або зміною самого алгоритму.

11. Технологічна база на грудень 2023 року

Наприкінці 2023 року підприємствам доступні зрілі інструменти побудови корпоративних аналітичних платформ.

Станом на дату публікації доступний Apache Spark 3.5.0, випущений 13 вересня 2023 року. Ця версія містить розвиток Spark Connect, Structured Streaming, SQL і PySpark, зокрема функцій, пов’язаних із наближеними обчисленнями та обробкою даних.

18 грудня вийшов Apache Airflow 2.8.0, який може використовуватися для оркестрації інформаційних процесів. Для потокової інтеграції на цю дату доступний Apache Kafka 3.6.1 від 7 грудня.

Однак наявність нових релізів не означає, що підприємство повинно негайно оновлювати виробничу інфраструктуру. У контексті прогнозування основне значення мають якість даних, відтворюваність обчислень і правильне оцінювання моделей.

Для багатьох завдань можуть бути достатніми PostgreSQL, Python та наявна BI-платформа.

Розподілена обробка Spark доцільна тоді, коли цього вимагають обсяги або складність даних.

Архітектурні ролі

Важливо не використовувати складну технологію там, де достатньо простішого перевіреного рішення.

12. Практичний сценарій: планування діяльності виробничого підприємства

Розглянемо умовну українську компанію, яка виготовляє промислові комплектувальні та постачає їх кільком великим замовникам.

До повномасштабної війни підприємство використовувало річний бюджет, квартальні виробничі плани та прогноз попиту на основі історичних продажів. У 2022–2023 роках ситуація змінилася.

Частина клієнтів скоротила закупівлі. З’явилися нові замовники. Змінилися логістичні маршрути, а строки постачання окремих матеріалів стали нестабільними.

Етап 1. Інвентаризація джерел

Формується перелік критичних даних ERP, CRM, WMS та фінансових систем.

Визначаються неповні історичні періоди.

Етап 2. Сегментація історії

Дані позначаються відповідно до операційних режимів.

Наприклад, період до повномасштабного вторгнення, період релокації та період відновлення роботи.

Етап 3. Створення базової моделі

Для кожної основної товарної групи формується прогноз на наступні три місяці.

Модель порівнюється з простим базовим алгоритмом, щоб підтвердити її додаткову цінність.

Етап 4. Сценарне моделювання

Створюються три набори припущень про продажі, логістику, закупівельні ціни та доступність виробництва.

Етап 5. Фінансове узгодження

Операційні сценарії переводяться в прогноз витрат і грошових потоків.

Етап 6. Контроль Data Quality

Перевіряються повнота продажів, правильність товарних довідників, актуальність залишків і відповідність фінансових показників.

Етап 7. Регулярний перегляд

Прогноз оновлюється щомісяця, а критичні припущення — за потреби частіше.

Цей сценарій є умовним прикладом, а не описом реалізованого проєкту.

13. Дорожня карта впровадження прогнозної аналітики

Найважливіше — не починати впровадження зі складних алгоритмів машинного навчання.

Першочергово потрібно забезпечити погоджені визначення бізнесових показників і достатню якість джерел.

14. KPI прогнозної аналітики

• Для оцінювання прогнозу можна використовувати WAPE:
• \[ WAPE= \frac{\sum |A_t-F_t|} {\sum |A_t|} \times100\% \]
• де \(A_t\) — фактичне значення, \(F_t\) — прогноз.

Цей показник зручний для багатьох операційних задач, але не є універсальним. За нульової суми фактичних значень він не визначений, а для товарів із різними масштабами може приховувати проблеми малих груп.

Тому доцільно використовувати декілька метрик та аналізувати прогноз за сегментами.

15. Ризики та типові помилки

Ігнорування структурних розривів. Довоєнні закономірності не можна автоматично переносити на поточні умови.

Плутанина між продажами й попитом. Нестача товару здатна зменшити реалізовані продажі без пропорційного падіння попиту.

Неповні інформаційні джерела. Відсутність даних філії не дорівнює нульовій діяльності. Надмірна довіра до складних моделей. Алгоритм машинного навчання не гарантує кращого результату за просту модель.

Відсутність сценаріїв. Один прогноз створює ілюзію визначеності. Відсутність версіонування. Без історії припущень неможливо аналізувати причини помилок.

Витік майбутньої інформації. Використання даних, які не були доступні на момент прогнозування, штучно підвищує його точність. Недостатня участь бізнесу. Аналітична команда не завжди знає всі операційні обмеження.

Відсутність фінансової інтеграції. Прогноз обсягів не замінює оцінювання ліквідності. Підміна рішення прогнозом. Модель повинна підтримувати управлінське рішення, а не автоматично визначати його без належного контролю.

16. Компетенції Intecracy Group

Побудова корпоративної прогнозної аналітики потребує узгодженої роботи з даними, операційними системами, інфраструктурою та бізнесовими процесами.

Data Management IG (dmig.com.ua) спеціалізується на ETL, MDM, Data Quality, Data Warehouse, Data Lake, Data Governance та корпоративній аналітиці. Ці компетенції можуть застосовуватися для створення інформаційної основи прогнозування, інтеграції джерел, контролю історичних даних і забезпечення якості аналітичних моделей.

IQusion IT (iqusion.com) працює в напрямі системної інтеграції, електронного документообігу, BPM та автоматизації бізнесових процесів. Відповідні компетенції можуть бути корисними для інтеграції результатів прогнозування з процедурами бюджетування, погодження закупівель і виконання управлінських рішень.

Softline IT (softline.kiev.ua) представляє серверну й мережеву інфраструктуру, системи зберігання та інфраструктурні проєкти. Ці технологічні напрями можуть забезпечувати обчислювальну основу корпоративних DWH та аналітичних платформ.

SL Global Service (sgs4business.com) спеціалізується на хмарній інтеграції, віртуалізації та гібридній інфраструктурі. Такі підходи дозволяють розглядати гнучке масштабування аналітичних середовищ, резервування й оптимізацію ресурсів для прогнозних обчислень.

Поєднання цих компетенцій дозволяє розглядати прогнозування не як окремий математичний експеримент, а як частину корпоративного інформаційного управління.

у нестабільній економіці важливіша готовність до сценаріїв, ніж точність одного прогнозу

Наприкінці 2023 року українські підприємства продовжують адаптуватися до умов тривалої війни.

Зміна ринків, логістичних маршрутів, виробничих можливостей і фінансових умов робить традиційне планування складнішим. Моделі, побудовані на історичних даних, залишаються корисними, але потребують перегляду припущень.

Особливо небезпечно використовувати статистичні закономірності без урахування структурних змін. Тому корпоративна аналітика повинна переходити від одного прогнозного значення до системи сценарного управління.

Така система поєднує історичні дані, поточні операційні показники, зовнішні чинники та експертні припущення. Важливу роль у цьому процесі відіграє Data Warehouse. Воно забезпечує узгоджену інформаційну основу, необхідну для порівняння періодів, аналізу змін і відтворення моделей.

Не менш важливими залишаються MDM та Data Quality. Якщо корпоративні довідники суперечливі, а інформаційні джерела неповні, навіть складна математична модель може формувати непридатні результати.

Для виробничих підприємств особливого значення набувають прогнозування запасів, доступності матеріалів і строків постачання. Для торговельних компаній — аналіз попиту з урахуванням фактичної доступності товарів.

Для фінансового управління — сценарне прогнозування грошових потоків і зобов’язань. При цьому прогнозні системи повинні зберігати історію своїх припущень та дозволяти оцінювати помилки.

Без цього підприємство не зможе системно підвищувати якість планування. Головний висновок грудня 2023 року: корпоративна аналітика повинна допомагати підприємству приймати рішення за декількох можливих сценаріїв, а не створювати ілюзію точного передбачення майбутнього.

Саме такий підхід дозволяє використовувати дані для управління ризиками, підготовки альтернативних планів і підтримання фінансової стійкості.

Для Data Management IG це означає подальше посилення ролі корпоративних даних як основи стратегічного планування.

Якість аналітики визначається не кількістю алгоритмів, а здатністю підприємства отримувати достовірну інформацію, правильно її інтерпретувати та своєчасно перетворювати на управлінські рішення.