От прогноза спроса — к моделированию самого заказа

Следующий сдвиг — от схемы «сначала спрогнозировать спрос, потом отдельно рассчитать заказ» к моделям, которые сразу учитывают качество конечного решения.

Классическая схема выглядит так:

данные → прогноз спроса → расчёт запаса → заказ

Проблема в том, что на каждом этапе свои цели и свои ошибки. Прогнозная модель старается как можно точнее угадать спрос. А уже потом другой алгоритм учитывает сроки поставки, минимальную партию, стоимость хранения, дефицита, заказа и другие ограничения. В итоге можно получить очень точный прогноз — и при этом не самый выгодный заказ.

Поэтому в исследованиях развивается другой подход — decision-focused learning. Смысл в том, что модель обучают не только на точность прогноза, но и с учётом того, к какому заказу этот прогноз в итоге приведёт и сколько это решение будет стоить бизнесу.

Про работу исследователей Google и Carnegie Mellon Business Metric-Aware Forecasting for Inventory Management мы уже упоминали раньше. Авторы показали, что модель можно обучать не только на точность прогноза, но и непосредственно на конечные затраты по запасам. В отдельных экспериментальных сценариях улучшение целевой бизнес-метрики достигало до 45,7% для простой модели и до 54% для LSTM по сравнению с обучением только на стандартную ошибку прогноза.

Но сейчас эта логика становится заметна уже не только в исследованиях. В 2026 году Gartner прямо называет будущее планирования цепочек поставок decision-centric — ориентированным не на получение отдельного прогноза, а на создание, сравнение и выбор решений. В Critical Capabilities for Supply Chain Planning Solutions Gartner уже отдельно оценивает платформы по таким направлениям, как Decision-Centric Planning, финансовый эффект сценариев и автоматизация решений.

То же направление видно у лидеров рынка. SAP строит оптимизацию запасов одновременно вокруг уровня сервиса, неопределённости, затрат и бюджета. Kinaxis и o9 входят в число лидеров Gartner Magic Quadrant по решениям для планирования цепочек поставок. Kinaxis оптимизирует компромиссы между запасами, стоимостью, мощностями и другими ограничениями, а o9 связывает в одном контуре спрос, поставки и финансовые цели.

То есть рынок постепенно движется от логики:

«сделать хороший прогноз и передать его дальше»
к логике:
«сразу искать решение, которое лучше для бизнеса».

Это подтверждают и новые академические работы. В исследовании Deep Neural Newsvendor, опубликованном в Management Science, модель обучается сразу на том уровне спроса, который нужен для решения задачи заказа. А в работе 2026 года From Contextual Data to Newsvendor Decisions задача уже прямо ставится как переход от данных и контекста к решению по запасу.

Получается такой сдвиг:

🔹 Было: отдельно прогнозируем спрос → потом отдельно рассчитываем запас и заказ.
🔹 Продвинутая практика: оцениваем прогноз по тому, какой запас и затраты он создаёт.
🔹 Фронтир: обучаем систему сразу с учётом конечной экономической задачи — а в предельном варианте переходим от данных непосредственно к рекомендуемому заказу.

Для нас эта логика не новая. Мы давно писали, почему нужно сразу моделировать заказ, а не прогнозировать спрос и запас отдельно.

Конечная цель системы управления запасами — не самый точный прогноз сам по себе, а экономически обоснованный заказ.