Введение

Эффективность управления товарными запасами критически зависит от качества прогнозирования спроса. Однако эмпирические исследования неизменно демонстрируют, что не существует универсальной модели, превосходящей остальные на всех типах временных рядов и горизонтах прогнозирования. Это порождает фундаментальную проблему выбора: каким образом для каждого конкретного товара (SKU) выбрать модель, которая будет одновременно точной, устойчивой и практически применимой? Разрабатываемый адаптивный фреймворк отвечает на этот вызов через трёхуровневую архитектуру, опирающуюся на три частные гипотезы. Ниже представлено их теоретическое обоснование и эмпирическая аргументация.

Гипотеза 1 . Различные сегменты ABC/XYZ требуют принципиально разных моделей прогнозирования

Логика данной гипотезы проистекает из неоднородности спроса на товары даже внутри одной организации. Товары категории A (высокая важность) с равномерным спросом (сегмент X) и товары категории C с редкими, прерывистыми продажами (сегмент Z) имеют принципиально разную статистическую природу. Следовательно, применение единой модели ко всему ассортименту заведомо неоптимально.

Эмпирические свидетельства подтверждают это положение. В исследовании Kunić et al. [5] на реальных данных сервисной компании по обслуживанию вилочных погрузчиков было показано, что ограничение моделирования только категориями AY/BY (высокая/средняя важность, сезонный или трендовый спрос) позволило снизить RMSE с величины более 22 до менее 3 по сравнению с моделированием всего ассортимента. Иными словами, сегментация выступила фильтром, радикально повышающим точность прогноза.

Аналогичный вывод сделан в работе Zizka и Kustka [7] — в рамках ABC/XYZ-классификации были идентифицированы группы товаров, для которых конкретный метод стабильно работал лучше других. В частности, метод Кростона (Croston) показывал наилучшие результаты для категорий Y или Z, в то время как линейная регрессия и скользящее среднее — для категории X. Авторы прямо заключают, что выбор метода прогнозирования «не может быть полностью универсальным — для каждого товара должна подбираться соответствующая модель с учётом типа временного ряда, оборачиваемости и важности в цепочке поставок».

Таким образом, гипотеза 1 не только подтверждается эмпирически, но и отражает консенсус в современной литературе: сегментация ABC/XYZ является необходимой предпосылкой для обоснованного выбора модели.

Гипотеза 2. Трёхуровневый отбор моделей повышает качество выбора по сравнению с выбором только по точности

Традиционный подход к выбору модели часто сводится к выбору кандидата с наименьшей ошибкой на валидационной выборке (например, по MAE или RMSE). Однако такой подход игнорирует другие аспекты, критически важные для практики — устойчивость модели к переобучению, скорость инференса, сложность и интерпретируемость. Гипотеза 2 утверждает, что последовательное применение трёх фильтров — статистической валидации, многокритериальной оценки и бизнес-компромисса — позволяет отобрать модель, которая будет не только «точной на бумаге», а надёжной в эксплуатации.

Современные исследования подтверждают ограниченность одно-метрического выбора. González и Parada [4] отмечают, что «разные метрики ошибок могут приводить к конфликтующим ранжированиям моделей, поскольку они отражают различные аспекты прогнозной эффективности». В ответ на это они предлагают Adaptive Hybrid Selector (AHS), который комбинирует несколько метрик (RMSSE, MAE, sMAPE, BIAS) и учитывает структуру спроса (частоту и вариабельность). Эмпирическая оценка на датасетах Walmart, M3, M4 и M5 показала, что AHS обеспечивает «наиболее устойчивое общее поведение» по сравнению с селекторами, основанными на одной метрике.

В работе, посвящённой многокритериальному выбору с использованием фронта Парето (Nixtla, [6]), прямо указывается: если оптимизировать только одну метрику (например, MAE), решение тривиально — выбрать наименьшее значение, однако «относительная ошибка (MAPE, sMAPE)» и другие показатели могут дать иную картину, и учёт нескольких критериев позволяет принять более сбалансированное решение. Аналогично, в исследовании на Frontiers [6] подчёркивается необходимость «многоцелевой оценки» точности, объяснительной силы и сложности модели.

Следовательно, трёхуровневый отбор, реализующий переход от «жёсткой» фильтрации по одному критерию к многокритериальному компромиссу, соответствует передовым практикам и позволяет избежать выбора модели, которая, будучи точной на исторических данных, окажется непригодной для реального использования из-за переобучения или вычислительной дороговизны.

Гипотеза 3. Мета-правила адаптации обеспечивают устойчивость системы к дрейфу данных

Любая, даже самая совершенная на момент обучения модель, со временем деградирует — меняются предпочтения потребителей, условия поставок, макроэкономическая конъюнктура. Это явление известно как concept drift (дрейф концепции) [2]. Гипотеза 3 предполагает, что проактивное управление этим процессом через формализованные мета-правила (адаптация стратегий, ротация «чемпион/претендент», калибровка весов, кризисный режим) обеспечивает устойчивость системы управления запасами.

Эмпирические данные убедительно свидетельствуют в пользу такого подхода. Alam et al. [1] в работе, посвящённой фреймворку DriftGuard, констатируют: «текущая практика предполагает ручной мониторинг и полное переобучение модели каждые 3–6 месяцев, что приводит к 12–20 % избыточных затрат на запасы». Их решение, сочетающее ансамбль методов обнаружения (включая CUSUM) с диагностикой причин и целенаправленным переобучением, достигает 97,8 % полноты обнаружения дрейфа в течение 4,2 дней и обеспечивает возврат инвестиций за счёт адресного устранения последствий.

Схожие результаты получены в исследовании Dhavarath [3] — архитектура с автоматическим обнаружением дрейфа и конвейером переобучения позволила снизить ошибку прогнозирования на 34 % и общие затраты на запасы более чем на 30 % по сравнению с базовыми подходами (EOQ, (s, S), forecasting-only). Автор подчёркивает, что именно «автоматизированные конвейеры обнаружения и переобучения поддерживают непрерывную адаптацию».

С методологической точки зрения, ценность мета-правил состоит в том, что они переводят адаптацию из реактивного режима («обнаружили проблему — переобучили вручную») в проактивный и формализованный. Детекторы вроде Page-Hinkley (для резких сдвигов) и ADWIN (для постепенных изменений) являются признанными инструментами мониторинга. Но именно надстройка в виде мета-правил позволяет системе зафиксировать дрейф, а также выбрать адекватную стратегию реагирования — переобучить модель, заменить её альтернативной из пула или активировать консервативный кризисный режим. Тем самым гипотеза 3 связывает технические средства обнаружения дрейфа с управленческой логикой, обеспечивая устойчивость или robustness всей системы.

Заключение

Проведённый анализ показывает, что все три частные гипотезы находят теоретическое и эмпирическое обоснование в современной научной литературе. Сегментация ABC/XYZ доказала свою эффективность как фильтр, радикально повышающий точность прогноза для гетерогенного ассортимента. Многокритериальный отбор, учитывающий точность, стабильность, сложность и бизнес-ограничения, соответствует лучшим практикам автоматического выбора моделей. Наконец, формализованные мета-правила адаптации переводят управление дрейфом данных из ручного в автоматизированный режим, обеспечивая устойчивость системы в динамичной среде.

Совокупность этих гипотез формирует концептуальный каркас адаптивного фреймворка, практическая реализация которого позволяет перейти от статического, эмпирического выбора моделей к системному, воспроизводимому и самонастраивающемуся процессу управления товарными запасами.

Литература:

1. Alam, S., Rahman, M. A., & Sadeqa, B. DriftGuard: A Hierarchical Framework for Concept Drift Detection and Remediation in Supply Chain Forecasting // arXiv preprint arXiv:2601.08928. 2026. https://ar5iv.labs.arxiv.org/html/2601.08928#1
2. Concept Drift: Definition, Detection & Adaptive Safety Stock. Inferensys Glossary. 2025. https://inferensys.com/glossary/autonomous-supply-chain-intelligence/dynamic-safety-stock-calculation/concept-drift
3. Dhavarath, M. Reinventing Retail Supply Chains with Autonomous AI Demand Forecasting: From Predictive Models to Self-Optimizing Inventory Systems // Journal of Tianjin University Science and Technology. 2025. Vol. 58, No. 12. DOI: 10.5281/zenodo.18052519. https://zenodo.org/records/18052519#1
4. González, A., & Parada, V. Adaptive Automatic Model Selection for Demand Forecasting under Heterogeneous Demand Patterns // arXiv preprint arXiv:2602.13939. 2026. https://browse-export.arxiv.org/pdf/2602.13939#8#1
5. Kunić, Z., Dakić, V., Radovan, A., & Furko, F. Derived Feature Engineering and ABC–XYZ Segmentation for Machine Learning-Based Forecasting of Intermittent Spare Parts Demand // Applied Sciences. 2026. Vol. 16, No. 12. P. 5804. DOI: 10.3390/app16125804. https://www.mdpi.com/2076–3417/16/12/5804/pdf?_x_output_type_b6db407c4_=embedded_pdf#7#1
6. Multi-Objective Model Selection with Pareto Frontier. Nixtla Documentation. 2026. https://nixtlaverse.nixtla.io/utilsforecast/docs/tutorials/multi_objective_model_selection.html
7. Zizka, T., & Kustka, M. Methodology for inventory management with sporadic demand in the conditions of custom production of a small and medium-sized enterprise // Acta Logistica. 2026. Vol. 15. https://actalogistica.eu/issues/2026/I_2026_15_Zizka_Kustka.pdf#3#3