От прогноза спроса — к оценке последствий собственных решений

Продолжаем разбирать международные фронтиры в прогнозировании спроса и управлении запасами. Следующий сдвиг — от обычного прогноза к оценке того, как наши собственные решения изменят спрос.

Представим: во время акции продажи товара выросли на 40%. Значит ли это, что акция сама дала +40%? Не обязательно.

В тот же период мог начаться высокий сезон, появиться дополнительная реклама, измениться выкладка, закончиться товар у конкурента. Мы видим рост продаж, но не знаем, какая его часть произошла именно из-за акции. И здесь обычного прогноза уже недостаточно. Даже если цена или промо входят в модель как факторы, она в первую очередь видит, как они были связаны с продажами в прошлом. Но решения прошлого принимались не случайно: скидки ставили на определённые товары, в определённый сезон, часто вместе с рекламой и другими изменениями.

Поэтому историческая связь ещё не говорит, какой эффект вызвало именно наше действие. Причинное моделирование спроса пытается ответить на другой вопрос:

Что изменится именно из-за нашего решения?

Например:
— сколько дополнительных продаж даст скидка;
— что произойдёт после вывода SKU из матрицы;
— куда перейдёт спрос с удалённого товара;
— не «съест» ли акция продажи соседних позиций.

Это не просто сценарий «что если», где мы сами предполагаем, что спрос вырастет на 20%. Здесь задача — оценить по данным сам эффект решения.

Почему это считается фронтиром?

Причинные методы уже активно применяются в маркетинговой аналитике. Например, в исследовании Estimating Marketing Component Effects: Double Machine Learning from Targeted Digital Promotions, опубликованном в Marketing Science, их использовали на данных более чем 1,3 млн покупателей, чтобы отделить эффект конкретных промо от остальных факторов.

Сейчас эта логика всё активнее используется и в задачах прогнозирования спроса. В работе Causal Forecasting for Pricing исследователи сравнили обычное прогнозирование с причинным подходом. Самый интересный результат проявился там, где компания меняла привычную ценовую политику: причинная модель лучше оценивала спрос при скидках, которых почти не было в истории.

В последние годы такая задача стала особенно актуальной, потому что сама среда меняется быстрее. Цены, промо, ассортимент, каналы продаж, поведение покупателей и действия конкурентов всё чаще меняются одновременно. В такой ситуации историческая зависимость «раньше при таких условиях продавалось столько-то» быстрее устаревает. И чем сильнее новые условия отличаются от прежних, тем важнее становится не просто опираться на прошлые связи, а отдельно оценивать эффект конкретного решения компании.

Крупные planning-платформы тоже движутся в эту сторону. Например, o9 связывает цену, промо, спрос, поставки и финансовые показатели в одной модели и позволяет оценивать последствия коммерческих решений. Blue Yonder отдельно работает с реакцией спроса на изменение цены и каннибализацией между товарами.

А в исследовании 2026 года Quantifying within-category spillovers in retail promotions авторы оценивали, как акция на один товар влияет на соседние SKU — через каннибализацию, конкуренцию и рост продаж связанных товаров. Важно, что они пытались отделить именно эффект промо от других факторов и оценить, как этот эффект распространяется уже не на один товар, а на всю категорию.

Получается такой сдвиг:

🔹 Было: прогнозируем будущий спрос по прошлой истории.
🔹 Продвинутая практика: учитываем цену, промо и другие факторы.
🔹 Фронтир: пытаемся оценить, какой именно причинный эффект даст конкретное решение компании — и как оно изменит спрос не только на один товар, но и на всю категорию.

Причинное моделирование не заменяет обычный прогноз. Оно особенно нужно там, где компания собирается сделать то, чего раньше не делала или делала в других условиях.