Анализ методов прогнозирования продаж торговой компании: синтез теоретических основ и современных цифровых практик

Если верить актуальным аналитическим отчетам, то в условиях высокой волатильности рынка и ускоренного цикла принятия решений, годовая экономическая выгода от повышения точности прогноза (за счет снижения затрат на хранение и логистику) может быть строго формализована. В крупной розничной сети с годовой стоимостью запасов $V = 100$ млн руб., где ежегодные расходы на хранение $H = 20\%$, повышение точности прогнозов с ошибки $\sigma = 20\%$ до $\sigma_{n} = 16\%$ (снижение ошибки на $20\%$) обеспечивает дополнительную годовую прибыль в размере $800$ тыс. руб. Эта статистика красноречиво демонстрирует, что прогнозирование продаж — это не просто аналитическая процедура, а критически важный инструмент повышения прибыльности и операционной эффективности торговой компании.

Актуальность темы обусловлена необходимостью разработки и внедрения наиболее адекватных методов прогнозирования, способных работать в условиях высокой динамики спроса, характерной для современного ритейла. Прогнозирование является исследовательской базой для всего процесса планирования: в отличие от плана, который носит директивный характер и устанавливает жесткие цели, прогноз имеет вероятностный и альтернативный характер, давая менеджменту необходимый диапазон для маневра. Что же это означает на практике? Только то, что точный прогноз позволяет руководству принимать решения не в режиме аврала, а с достаточным временным запасом, минимизируя риски и стоимость корректирующих действий.

Цель настоящей курсовой работы — провести глубокий, структурированный и актуальный анализ существующих методов прогнозирования продаж, систематизировать их классификацию и характеристики, детально раскрыть методологический аппарат наиболее эффективных количественных моделей (эконометрических и статистических), а также проанализировать практику применения современных цифровых инструментов (AI/ML) в крупных российских торговых компаниях.

Структура работы соответствует строгим академическим требованиям и включает три основных главы: теоретические основы и классификация методов; эконометрический анализ количественных методов и метрик точности; а также анализ факторов влияния и современных цифровых практик.

---

Глава 1. Теоретические основы и классификация методов прогнозирования продаж

Экономическая сущность и стратегическая роль прогнозирования в управлении торговой компанией

Прогнозирование продаж представляет собой научно обоснованное предвидение о возможном объеме реализации товаров и услуг компании в будущем, выраженное в натуральных или стоимостных показателях, при условии наступления определенных событий и реализации заданных условий. В системе управления торговой компанией прогноз выполняет роль ключевого моста между стратегией и оперативным планированием.

Ключевая стратегическая роль прогнозирования проявляется в нескольких аспектах:

1. Финансовое планирование и бюджетирование: Объем продаж — это основной доходный элемент, от которого зависят все остальные финансовые показатели: объемы закупок, потребность в оборотном капитале, распределение денежных потоков и, следовательно, общий бюджет компании.
2. Управление запасами и логистика: Наиболее ощутимый практический эффект прогнозирования связан с оптимизацией запасов. Точный прогноз позволяет минимизировать расходы на хранение (излишки) и избежать упущенных продаж (дефицит), что напрямую влияет на оборачиваемость капитала и удовлетворенность клиентов.
3. Маркетинговые и производственные решения: Прогноз объемов реализации определяет масштаб необходимых маркетинговых кампаний, а для производственных подразделений (если компания занимается переработкой или фасовкой) — объем выпуска продукции.

Экономическая выгода, получаемая от повышения точности прогнозов, может быть строго формализована. Внедрение более точного прогнозного алгоритма приводит к снижению операционных расходов.

Годовая экономическая выгода ($B$) от повышения точности прогноза (за счет снижения затрат на хранение и логистику) может быть рассчитана по следующей формуле, где снижение ошибки $\sigma$ — $\sigma_{n}$ выражается в долях:

$$B = V \cdot H \cdot (\sigma — \sigma_{n})$$

Где:

• $V$ — годовая стоимость запасов (среднегодовой запас);
• $H$ — годовая стоимость хранения запасов в долях (%);
• $\sigma$ — ошибка прогноза старой системы (MAPE в долях);
• $\sigma_{n}$ — ошибка прогноза новой системы (MAPE в долях).

Таким образом, прогноз продаж является не только инструментом предвидения, но и мощным механизмом минимизации рисков и повышения маржинальности бизнеса. И что из этого следует? Без качественного прогнозирования торговая компания неизбежно теряет конкурентоспособность, поскольку несет издержки как от избыточного запаса (замороженный капитал), так и от дефицита (недополученная прибыль и потеря лояльности клиентов).

Систематизация и характеристики методов прогнозирования

В экономической прогностике методы прогнозирования продаж традиционно делятся на три основные, принципиально разные по своей природе группы:

Группа методов	Основа прогноза	Характер прогноза	Применимость в торговле
1. Качественные (Экспертные)	Интуиция, опыт, субъективное суждение специалистов.	Субъективный, вероятностный.	Для новых продуктов, при отсутствии статистики, долгосрочное стратегическое планирование.
2. Количественные (Временные ряды)	Экстраполяция прошлых тенденций (тренд, сезонность).	Объективный, кратко- и среднесрочный.	Рутинное прогнозирование для товаров с устойчивым спросом и выраженной сезонностью.
3. Казуальные (Причинно-следственные)	Взаимосвязь между продажами и внешними/внутренними факторами (реклама, цена, макроэкономика).	Объективный, наиболее точный.	Прогнозирование под влиянием активных изменений (ценовая политика, промоакции).

Качественные методы: Дельфи как эталон консенсуса

Качественные методы используются в условиях недостатка или полного отсутствия исторических данных, а также когда на прогноз оказывают существенное влияние трудноформализуемые факторы (например, технологические прорывы, политические изменения).

Наиболее строгим и академически обоснованным методом экспертных оценок является Метод Дельфи. Его ключевая особенность — анонимность и многораундовость, что позволяет избежать социального давления, авторитетного влияния и группового мышления.

Алгоритм метода Дельфи:

1. Формируется группа независимых экспертов (оптимально от 10 до 80 человек).
2. В первом раунде эксперты анонимно отвечают на вопросы и дают свою оценку прогнозируемого показателя.
3. Результаты первого раунда обобщаются (например, рассчитывается медиана, квартили, дисперсия) и анонимно рассылаются экспертам.
4. Во втором и последующих раундах эксперты пересматривают свои оценки, учитывая общее распределение мнений. Они обязаны обосновать свою позицию, если их оценка сильно отличается от медианы.
5. Процесс прекращается, когда достигается консенсус. Формальными критериями консенсуса могут служить: значительное снижение вариативности ответов (дисперсии) или достижение определенной доли (например, 70%) экспертов, согласных с финальной оценкой.

Метод Дельфи обеспечивает высокий уровень достоверности среди качественных методов, превращая субъективные мнения в структурированный и обоснованный прогноз. Что, несомненно, повышает его ценность по сравнению с обычным совещанием руководителей отделов.

---

Глава 2. Эконометрический анализ количественных методов и оценка их точности

Применение моделей временных рядов и регрессионного анализа для прогнозирования продаж

Количественные методы основаны на математическом аппарате и разделяются на методы временных рядов (анализ внутренней структуры данных) и казуальные методы (поиск внешних причинно-следственных связей).

Модели временных рядов: Хольт-Винтерс для ритейла

Методы анализа временных рядов предполагают, что динамика продаж представляет собой последовательность данных, которая может быть разложена на компоненты: тренд (долгосрочное направление), сезонность (регулярные колебания в течение года) и случайный шум. Эти методы наиболее эффективны для краткосрочного и среднесрочного прогнозирования.

Одной из наиболее адекватных моделей для прогнозирования продаж в ритейле, где ярко выражены и тренд, и сезонность, является Метод Хольта-Винтерса (тройное экспоненциальное сглаживание). Это трехпараметрическая модель, которая учитывает три компонента: уровень ($L$), тренд ($T$) и сезонность ($S$).

Рассмотрим **мультипликативную модель Хольта-Винтерса**, которая подходит для ситуаций, когда амплитуда сезонных колебаний растет пропорционально росту продаж (тренда):

1. Уровень ($L_{t}$):

$$L_{t} = \alpha \cdot \frac{Y_{t}}{S_{t-s}} + (1 — \alpha) \cdot (L_{t-1} + T_{t-1})$$

2. Тренд ($T_{t}$):

$$T_{t} = \beta \cdot (L_{t} — L_{t-1}) + (1 — \beta) \cdot T_{t-1}$$

3. Сезонность ($S_{t}$):

$$S_{t} = \gamma \cdot \frac{Y_{t}}{L_{t}} + (1 — \gamma) \cdot S_{t-s}$$

4. Прогноз на $p$ периодов вперед ($\hat{Y}_{t+p}$):

$$\hat{Y}_{t+p} = (L_{t} + p \cdot T_{t}) \cdot S_{t-s+p}$$

Где:

• $Y_{t}$ — фактическое значение продаж в период $t$.
• $\alpha$, $\beta$, $\gamma$ — коэффициенты сглаживания (лежат в диапазоне [0, 1]), оптимальные значения которых подбираются методом минимизации ошибки прогноза.
• $s$ — длина сезонного периода (например, $s=12$ для месячных данных).
• $S_{t-s}$ — сезонный индекс за предыдущий сезонный цикл.

Модели класса ARIMA (авторегрессионное интегрированное скользящее среднее) также широко используются, особенно их модификации SARIMA (с учетом сезонности) и SARIMAX (включающие внешние регрессоры), позволяющие учесть сложные, нелинейные зависимости и адаптироваться к нестационарным временным рядам. Каким же образом торговым компаниям удается применять эти сложные формулы в ежедневной практике?

Критерии выбора и система метрик для оценки точности прогнозов

Выбор оптимального метода прогнозирования всегда должен сопровождаться объективной оценкой его точности. Чем ниже ошибка, тем выше качество модели и, как следствие, выше экономическая выгода для компании.

Ключевые метрики оценки точности прогнозов

Для академического анализа и сравнения моделей используются следующие общепринятые метрики:

1. Средняя абсолютная процентная ошибка (MAPE – Mean Absolute Percentage Error).

   Это наиболее распространенный показатель, выражающий среднее абсолютное отклонение прогнозного значения от фактического в процентах.

   $$\text{MAPE} = \frac{1}{N} \sum_{t=1}^{N} \left( \frac{|Y_{t} - \hat{Y}_{t}|}{Y_{t}} \right) \cdot 100\%$$

   Где $N$ — число периодов; $Y_{t}$ — фактическое значение; $\hat{Y}_{t}$ — прогнозное значение.

   Преимущество: Легко интерпретируется менеджментом (например, «средняя ошибка прогноза составляет 15%»).

2. Корень из среднеквадратичной ошибки (RMSE – Root Mean Squared Error).

   Эта метрика показывает ошибку в тех же единицах измерения, что и прогнозируемый показатель, но является более чувствительной к большим ошибкам (выбросам), поскольку ошибки возводятся в квадрат.

   $$\text{RMSE} = \sqrt{ \frac{1}{N} \cdot \sum_{t=1}^{N} (Y_{t} - \hat{Y}_{t})^2 }$$

   Преимущество: Снижает риск «катастрофических» промахов в прогнозе, поскольку даже один большой промах сильно увеличивает значение RMSE.

3. Средняя абсолютная ошибка (MAE – Mean Absolute Error).

   Показывает среднюю ошибку в абсолютных единицах измерения (рублях, штуках).

   $$\text{MAE} = \frac{1}{N} \sum_{t=1}^{N} |Y_{t} - \hat{Y}_{t}|$$

Устранение недостатков MAPE: Взвешенная абсолютная процентная ошибка (WAPE)

Критически важный недостаток MAPE заключается в его некорректности при прогнозировании прерывистого спроса или при фактических значениях продаж $Y_{t}$, близких к нулю. Деление на очень малое число приводит к тому, что ошибка может стремиться к бесконечности, искажая общую картину точности.

Для устранения этой проблемы в задачах прогнозирования спроса в ритейле часто используется Взвешенная абсолютная процентная ошибка (WAPE – Weighted Absolute Percentage Error). WAPE рассчитывается как отношение суммы абсолютных ошибок к сумме фактических значений за весь период, что позволяет избежать деления на ноль или очень малые числа в каждом периоде. Это и есть тот важный нюанс, который часто упускается при слепом применении MAPE.

$$\text{WAPE} = \frac{\sum_{t=1}^{N} |Y_{t} - \hat{Y}_{t}|}{\sum_{t=1}^{N} Y_{t}}$$

WAPE дает более стабильную и надежную оценку точности прогноза в торговых компаниях, особенно при работе с широким ассортиментом, включающим как ходовые, так и низкооборачиваемые товары.

---

Глава 3. Факторы влияния и современные цифровые инструменты в практике прогнозирования продаж

Факторы внешней и внутренней среды, влияющие на точность прогнозирования

Точность прогноза продаж определяется не только выбором математического метода, но и полнотой учета факторов, влияющих на спрос. Эти факторы систематизируются по двум основным группам:

Факторы	Характеристика и примеры	Применение в моделировании
Внешние (Макросреда)	Неконтролируемые компанией, часто требуют включения в казуальные модели в качестве независимых переменных.
Макроэкономика	Инфляция, уровень безработицы, ключевая ставка ЦБ, курс валют (для импортных товаров).
Рынок и конкуренция	Динамика рынка в целом, активность конкурентов (ценовая война), появление товаров-заменителей.
Сезонность и климат	Погодные условия (критично для продуктов питания, напитков, одежды).
Законодательство	Изменение налоговых режимов, регулирование торговой деятельности.
Внутренние (Микросреда)	Контролируемые компанией, выступают в качестве управляющих переменных.
Ценообразование	Изменение розничных цен, проведение скидок и промоакций (ключевой регрессор).
Маркетинговая активность	Бюджет на рекламу, формат и интенсивность продвижения.
Ассортимент и логистика	Введение новых продуктов (NPI – New Product Introduction), вывод старых (EOL – End of Life), наличие товара на полке.

Для построения точных **казуальных (причинно-следственных) моделей** (например, многофакторного регрессионного анализа) необходимо собрать качественные данные по всем значимым внутренним факторам. В ритейле наибольшее влияние оказывают промоакции и ценовая эластичность спроса.

Автоматизация прогнозирования: использование AI/ML-моделей в торговых компаниях

В последние годы, с развитием технологий Big Data и вычислительных мощностей, классические эконометрические методы все чаще дополняются или заменяются моделями на основе машинного обучения (ML) и искусственного интеллекта (AI).

Преимущества AI/ML-моделей:

• Работа с нелинейностью: Нейросети (например, LSTM-модели) способны выявлять сложные, нелинейные и скрытые закономерности в данных, которые остаются недоступными для классической линейной регрессии или экспоненциального сглаживания.
• Обработка Больших Данных (Big Data): AI-алгоритмы могут одновременно анализировать огромные массивы структурированных и неструктурированных данных (историю транзакций, данные CRM, погоду, активность в социальных сетях, поисковые запросы).

Согласно актуальным исследованиям, алгоритмы прогнозирования на основе машинного обучения способны существенно снизить погрешность. Типичная погрешность прогнозов, полученных классическими методами, составляет 35–40%, в то время как продвинутые ML-модели демонстрируют погрешность на уровне 12–18%. Такое повышение точности позволяет крупным российским ритейлерам сократить избыточные запасы на складах в среднем на 22% за полгода.

Важную роль в подготовке данных для AI/ML-моделей играют цифровые инструменты:

• CRM-системы: Обеспечивают сбор и точную регистрацию данных о клиентах, сделках и воронке продаж, что является основой для надежного прогнозирования.
• ERP-системы: Поставляют исторические данные о продажах, ценах, запасах и логистических затратах.

Практический анализ внедрения передовых методов в российском ритейле (Кейс-стади)

Крупные торговые компании в России активно внедряют AI/ML-решения для получения конкурентного преимущества.

Кейс 1: Экономический эффект от нейросети в ТС «Магнит»

Торговая сеть «Магнит» внедрила нейросеть для анализа и прогнозирования спроса. Целью было не только повышение точности, но и снижение операционных потерь.

Измеримый результат:

1. Увеличение выручки: За счет более точного прогнозирования дефицита и своевременного пополнения запасов, компания прогнозирует увеличение выручки на 4 млрд рублей в год.
2. Снижение потерь: За счет сокращения списаний скоропортящейся продукции (которая раньше заказывалась в избытке по неточным прогнозам), ожидается экономия еще 1 млрд рублей в год.

Это наглядно показывает, что повышение точности прогнозирования на несколько процентных пунктов трансформируется в миллиардные экономические выгоды в масштабе федерального ритейлера.

Кейс 2: Использование умных сервисов в X5 Retail Group

X5 Retail Group использует умные сервисы (в том числе нейросети) не только для прогнозирования общего спроса, но и для оптимизации внутренних процессов, зависящих от прогноза. Например, AI-модели используются для:

• Оптимизации раскладки товаров в торговых залах с учетом прогнозируемого распределения покупателей.
• Управления промоакциями: Нейросети предсказывают реакцию спроса на конкретную скидку в определенной локации, позволяя максимально эффективно расходовать маркетинговый бюджет.

Таким образом, современные торговые компании переходят от классического прогнозирования к интегрированным системам планирования, где AI/ML выступает ядром, способным обрабатывать многомерные данные и давать прогнозы с минимальной погрешностью, обеспечивая значительный экономический эффект.

---

Заключение

Проведенный анализ методов прогнозирования продаж подтверждает, что в условиях динамичного и высококонкурентного рынка торговых компаний качество прогноза является критически важным фактором стратегического управления.

Основные выводы исследования:

1. Стратегическая роль: Прогнозирование продаж является фундаментом для финансового планирования, бюджетирования и оптимизации запасов. Была формализована годовая экономическая выгода ($B$) от повышения точности прогноза, демонстрирующая прямую связь между снижением ошибки и ростом прибыли.
2. Систематизация методов: Классификация методов на качественные, временных рядов и казуальные позволяет выбрать адекватный инструмент в зависимости от наличия данных и горизонта прогнозирования. Строгое применение качественных методов, таких как Дельфи, требует соблюдения академических критериев консенсуса.
3. Эконометрический аппарат: Для ритейла наиболее адекватными моделями временных рядов являются методы экспоненциального сглаживания, в частности, модель Хольта-Винтерса, способная учитывать сезонность и тренд, что было подтверждено приведением полной мультипликативной формулы.
4. Оценка точности: Для объективного сравнения моделей необходимо использовать комплекс метрик (MAPE, RMSE, MAE). При этом, для устранения некорректности MAPE при околонулевом спросе, критически важно внедрять в практику такие метрики, как WAPE.
5. Цифровая трансформация: Современная практика прогнозирования продаж неразрывно связана с использованием AI/ML-моделей. Применение нейросетей позволяет снизить погрешность прогнозов до 12–18% против 35–40% у классических методов. Кейс-стади российских ритейлеров («Магнит», X5 Retail Group) подтверждают, что внедрение ИИ обеспечивает измеримый экономический эффект, исчисляемый миллиардами рублей за счет снижения списаний и минимизации дефицита.

Заключение: Цели курсовой работы достигнуты. Были раскрыты теоретические основы прогнозирования, систематизирован методологический аппарат (включая подробные формулы Хольта-Винтерса и WAPE) и проанализирована практика использования современных цифровых инструментов в торговых компаниях.

Направления дальнейшего научного исследования: В будущем целесообразно сосредоточиться на разработке гибридных моделей прогнозирования, сочетающих классические эконометрические методы с глубоким машинным обучением (например, SARIMAX с внешними регрессорами, оптимизированными нейросетями), а также на изучении влияния поведенческой экономики на точность прогнозов в сфере e-commerce. Что следует рассмотреть в первую очередь, когда речь заходит о гибридных моделях?

Список использованной литературы

1. Афонин И.В. Управление развитием предприятия: стратегический менеджмент, инновации, инвестиции, цены: учебное пособие. М.: ИТК «Дашков и К», 2002. 380 с.
2. Бабосов Е.М. Общая социология: учебное пособие. Минск: ТетраСистемс, 2004. 637 с.
3. Бестужев-Лада И.В. Социальное прогнозирование. М.: Педагогическое общество России, 2002. 392 с.
4. Долятовский В.А., Долятовская В.Н. Исследование систем управления: учебник. М.: МарТ, 2003. 256 с.
5. Иванов В.В., Хан О.К., Богаченко П.В., Коробова А.Н. Подходы к формированию систем эффективного менеджмента // Менеджмент в России и за рубежом. 2007. № 5. С. 20-30.
6. Игнатьева А.В., Максимов М.М. Исследование систем управления: учебное пособие. М.: ЮНИТИ-ДАНА, 2000. 157 с.
7. Козлова О.Н. Социология: учебное пособие. М.: Омега-Л, 2006. 317 с.
8. Коротков Э.М. Исследование систем управления: учебник. М.: ДеКА, 2004. 336 с.
9. Курс социально-экономической статистики: учебник / под ред. М.Г. Назарова. М.: ЮНИТИ-ДАНА, 2004. 771 с.
10. Лукичева Л.И. Управление организацией. М.: Омега-Л, 2005. 360 с.
11. Любанова Т.П., Мясоедова Ю.А., Олейникова Ю.А. Стратегическое планирование на предприятии: учебное пособие для вузов. М.: Приор, 2006. 272 с.
12. Масионис Дж. Социология: учебник. СПб.: Питер, 2004. 752 с.
13. Мескон М.Х., Альберт М., Хедоури Ф. Основы менеджмента. М.: Дело, 2006. 702 с.
14. Мухин В.И. Исследование систем управления: учебник. М.: Экзамен, 2006. 480 с.
15. Планирование на предприятии / под ред. Ю.Н. Лапыгина. М.: ИНФРА-М, 2007. 372 с.
16. Сафронова В.М. Прогнозирование и моделирование в социальной работе: учебное пособие. М.: Издательский центр «Академия», 2002. 192 с.
17. Филатова О.Г. Общая социология: учебное пособие. М.: Гардарики, 2005. 463 с.
18. Шимко П.Д., Власов М.Н. Статистика. Ростов н/Д.: Феникс, 2003. 448 с.
19. Эфендиев А.Г. Общая социология: учебное пособие. М.: ИНФРА-М, 2008. 653 с.
20. Искусственный интеллект в продажах: Полное руководство по увеличению прибыли // vc.ru. URL: https://vc.ru/ (дата обращения: 24.10.2025).
21. ИИ в продажах 2024: тренды и технологии // salesai.ru. URL: https://salesai.ru/ (дата обращения: 24.10.2025).
22. Как оценить качество прогнозирования // reshape.ru. URL: https://reshape.ru/ (дата обращения: 24.10.2025).
23. Как использовать нейросети для роста продаж // sberbs.ru. URL: https://sberbs.ru/ (дата обращения: 24.10.2025).
24. Лучшие ИИ-агенты для продаж: инструменты, которые преобразят вашу стратегию повышения дохода в 2025 году // tldv.io. URL: https://tldv.io/ (дата обращения: 24.10.2025).
25. Мастер-класс по прогнозированию продаж: методы, формулы и примеры // Битрикс24. URL: https://www.bitrix24.ru/ (дата обращения: 24.10.2025).
26. МЕТОД ДЕЛЬФИ – ОСОБЕННОСТИ И ПРИМЕНЕНИЕ // scienceforum.ru. URL: https://scienceforum.ru/ (дата обращения: 24.10.2025).
27. Метод Дельфи: как предсказывать будущее бизнеса и принимать верные решения // noboring-finance.ru. URL: https://noboring-finance.ru/ (дата обращения: 24.10.2025).
28. МЕТОДЫ ПРОГНОЗИРОВАНИЯ В СОВРЕМЕННОМ МАРКЕТИНГЕ И ИХ ОСОБЕННОСТИ // cyberleninka.ru. URL: https://cyberleninka.ru/ (дата обращения: 24.10.2025).
29. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ОБЪЕМОВ ПРОДАЖ ПРОДУКЦИИ // eduherald.ru. URL: https://eduherald.ru/ (дата обращения: 24.10.2025).
30. MSE, RMSE, MAE, MAPE для оценки качества прогнозов временных рядов // mlgu.ru. URL: https://mlgu.ru/ (дата обращения: 24.10.2025).
31. Определение и методы расчета ошибок прогнозирования // alex-vasilev.ru. URL: https://alex-vasilev.ru/ (дата обращения: 24.10.2025).
32. ОСНОВЫ ЭКОНОМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ // osu.ru. URL: https://osu.ru/ (дата обращения: 24.10.2025).
33. ПЛАНИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ: СУЩНОСТЬ, ВИДЫ И КЛАССИФИКАЦИЯ // Вестник Алтайской академии экономики и права. 2019. URL: https://vaael.ru/ (дата обращения: 24.10.2025).
34. Понимание прогнозирования продаж: полное руководство // brixx.com. URL: https://brixx.com/ (дата обращения: 24.10.2025).
35. Прогноз по методу экспоненциального сглаживания с трендом и сезонностью Хольта — Винтерса // 4analytics.ru. URL: https://4analytics.ru/ (дата обращения: 24.10.2025).
36. Прогноз продаж: цели, методы, частые ошибки // Датамаркет. URL: https://xn--80ajghhoc2aj1c8b.xn--p1ai/ (дата обращения: 24.10.2025).
37. Прогнозирование продаж : эффективная стратегия для увеличения доходов // rozn.info. URL: https://rozn.info/ (дата обращения: 24.10.2025).
38. Прогнозирование продаж ритейл компании на базе IBM SPSS Modeler: ВКР НИУ ВШЭ // hse.ru. URL: https://hse.ru/ (дата обращения: 24.10.2025).
39. Прогнозирование продаж: методы составления и анализа // gd.ru. URL: https://www.gd.ru/ (дата обращения: 24.10.2025).
40. Прогнозирование продаж: суть, методы и типичные ошибки // sunscents.ru. URL: https://sunscents.ru/ (дата обращения: 24.10.2025).
41. Три подхода к прогнозированию продаж (чего угодно) // tidydata.ru. URL: https://tidydata.ru/ (дата обращения: 24.10.2025).
42. УПРАВЛЕНИЕ ПРОЦЕССОМ ПРОГНОЗИРОВАНИЯ ПРОДАЖ В ОРГАНИЗАЦИИ // cyberleninka.ru. URL: https://cyberleninka.ru/ (дата обращения: 24.10.2025).
43. Выбор метрики качества в задачах прогнозирования спроса // datanomics.ru. URL: https://datanomics.ru/ (дата обращения: 24.10.2025).