Комментарии 2
Я бы еще добавил, что стоит очень внимательно относится к функции прогнозирования. Чаще всего я встречал простой перенос "что было в прошлом месяце, то будет и в следующем", т.е. это копирование 1 точки на данных.
Очень часто при этом мы имеем дело с сезонностью, где есть некоторая кривая, состоящая из низкого сезона, высокого сезона и роста/спада между ними. Естественно, что попытка прогноза копированием одной точки данных работает отвратительно, представляясь как некоторое значение внутри сезонов роста/спада и одинаково плохо подходит, что к высокому сезону, что к низкому. В ваших категориях такие позиции будут съезжать в Y и Z, что, выражаясь языком бизнеса: "мы не можем угадать, почему так хаотично колеблется". Но вообще-то можем угадать, если иметь усредненный график движения сезона. Это приводит нас к более сложной функции прогнозирования, что требует повышенной квалификации персонала, работающего с такими данными (в противном случае, сотрудники не понимают инструмент и начинают относиться к нему как к черному ящику), но в целом возможно.
У вас хорошая идея про отдельную маркировку нового товара. Я бы еще добавил, что абсолютно также надо маркировать любые нерыночные вмешательства в движение: выводимый из ассортимента товар, маркетинговые стимулирующие продажи акции, ввод/вывод товаров-аналогов.
Про маркировку Вы совершенно правы. В моем случае, например выводимый из ассортимента товар уже был отмаркирован признаком_категорией, и я его не учитывал в расчетах классификации, отбирая только те категории, которые были нужны.
Прогнозирование - отдельная тема. Можно создавать сложные алгоритмы, но по практике, часто закупщики опираются на свое экспертное чутье)) И у хорошего закупщика период оборачиваемости всегда в порядке и коэффициент доступности на высоте)
ABC-XYZ анализ на Python. Управление ассортиментом и схемами поставок