ОБНОВЛЕНИЕ ОКТЯБРЯ 2026 • −50%OCTOBER 2026 UPDATE • 50% OFF• Полный курс за 29 500 ₽ вместо 59 000 ₽Full course for 250 EUR instead of 500 EUR• до конца акции ends in
Demand Planning Course
Обновлён:Updated: октябрь 2026October 2026 −50% до 31 октября50% off until October 31 NEW ML: планер + ClaudeML: planner + Claude

Освойте профессию Demand Planner (прогнозирование спроса) с нуля за 8 недельMaster the Demand Planner role from scratch in 8 weeks

Практика FMCG + кейсы Nestlé, Unilever, BIC, Castrol, Starbucks. Excel / HTML-дашборды / Python. Метрики Forecast Accuracy, Bias, FVA. Новый модуль — машинное обучение на реальном кейсе: планер и ИИ-ассистент Claude строят прогноз с нуля. FMCG practice + cases from Nestlé, Unilever, BIC, Castrol, Starbucks. Excel / HTML dashboards / Python. Metrics Forecast Accuracy, Bias, FVA. New module — machine learning on a real case: a planner and the AI assistant Claude build a forecast from scratch.

Осенний запуск обновлённого курсаFall launch of the updated course
Весь курс и новый ML-модуль — за полценыThe full course and the new ML module — half price
59 000 ₽29 500 ₽Экономия 29 500 ₽ 500 EUR250 EURSave 250 EUR
  • 12 модулей, 130+ тем — меньше 230 ₽ за тему12 modules, 130+ topics — under 2 EUR per topic
  • Новый ML-модуль: 29 уроков на реальном кейсе, новые уроки — по мере выходаNew ML module: 29 lessons on a real case, new lessons as they are released
  • Шаблоны Excel, HTML-дашборды, скрипты PythonExcel templates, HTML dashboards, Python scripts
  • Один платёж • полный доступ к курсу и материаламOne payment • full access to the course and materials
Купить со скидкой 50% Get 50% off now Бесплатный модульFree module

ПрактикаHands-on

Excel • HTML • Python
Готовые шаблоны и скриптыReady templates & scripts

МетодыMethods

MA • ES • ARIMA • ML
+ Demand Sensing

МетрикиMetrics

FA • WMAPE • Bias • FVA
Как в реальном S&OPAs in real S&OP

Мы объединяем практику, методы и метрики, чтобы вы не просто изучали теорию, а сразу видели результат своей работы.We blend practice, methods and metrics, so you don't just study theory — you see results right away.

NEW Как планер с Claude построил ML-прогноз с нуляHow a planner and Claude built an ML forecast from scratch 6 шагов от сырых выгрузок до прогноза, которому верят сейлзы. Пройдите их сами →6 steps from raw exports to a forecast sales trusts. Walk through them → NEW HTML-дашборды вместо Power BIHTML dashboards instead of Power BI Один файл, открывается в браузере, без лицензий. Собирает Claude, решает планер.One file, opens in a browser, no licences. Claude builds it, the planner decides.
WMAPE19%
Bias+2%
FVA+3 п.п.+3 pp
фактactualпрогноз MLML forecastправка планераplanner override
Условный пример. Смотреть, что внутри →Illustrative example. See what's inside →
Новое в октябре 2026New in October 2026

Машинное обучение на реальном кейсе: планер + Claude строят прогноз с нуляMachine learning on a real case: a planner + Claude build a forecast from scratch

Модуль переписан заново. Это не теория «вообще», а живая история FMCG-компании (напитки: соки, газировка, вода): как планер вместе с ИИ-ассистентом прошёл путь от сырых выгрузок до прогноза, которому доверяют продажи. Все грабли — настоящие. Практика — на учебном наборе «Долина напитков» с теми же ловушками.The module has been rewritten from scratch. Not "theory in general" but the real story of an FMCG company (beverages: juices, soda, water): how a planner and an AI assistant went from raw exports to a forecast that sales trusts. Every pitfall is real. Practice runs on the "Beverage Valley" training dataset with the same traps.

ПланерPlannerставит задачу, сверяет цифры, решаетsets the task, checks numbers, decides
Claudeпишет код, ищет ошибки, объясняетwrites code, finds errors, explains
Pythonсчитает модели и точностьruns models and accuracy

Шаг 1. Собрать данные и сверить с эталономStep 1. Collect the data and reconcile it

ПланерPlannerВот выгрузки продаж за три года. Собери одну таблицу город × SKU × месяц и сверь итог с моим листом Total.Here are three years of sales exports. Build one city × SKU × month table and reconcile the total with my Total sheet.
ClaudeГотово, но итог расходится на 4,2 %: в выгрузке задвоены два месяца, а один город не попал в справочник. Показываю строки — проверьте, прежде чем идём дальше.Done, but the total is off by 4.2%: two months are duplicated in the export and one city is missing from the reference table. Here are the rows — please check before we move on.
Грабли:Pitfall: одна буква «С», набранная кириллицей в названии бренда, — и строка молча пропадает из сверки.one Cyrillic "С" typed into a brand name — and the row silently drops out of the join.
04-0204-19

Шаг 2. Продажи — это ещё не спросStep 2. Sales are not yet demand

ПланерPlannerПочему у сока 1,5 л продажи в марте упали до нуля?Why did 1.5 L juice sales drop to zero in March?
ClaudeСпрос не упал: с марта тот же сок продаётся как 1,75 л под новым кодом. Склеиваю старый и новый код в один продукт, а дни без стока помечаю — там продажи ниже спроса.Demand didn't drop: since March the same juice sells as 1.75 L under a new code. I'm gluing old and new codes into one product and flagging out-of-stock days — sales there are below demand.
Грабли:Pitfall: без склейки модель видит «смерть» старого SKU и «взрыв» нового — и прогнозирует обе ошибки сразу.without gluing, the model sees the old SKU "die" and the new one "explode" — and forecasts both errors at once.
04-0204-14

Шаг 3. Признаки — и ни одного взгляда в будущееStep 3. Features — with no peeking into the future

ПланерPlannerДобавили праздники, промо и цену — ошибка упала до 5 %. Отлично?We added holidays, promo and price — error dropped to 5%. Great?
ClaudeСлишком хорошо, чтобы быть правдой. Признак «продажи в промо» известен только задним числом — это утечка. Убираю его: честная ошибка — 22 %.Too good to be true. The "promo sales" feature is known only after the fact — that's leakage. Removing it: the honest error is 22%.
Грабли:Pitfall: праздник, который каждый год сдвигается по календарю, ломает «сезонность по месяцам».a holiday that moves across the calendar every year breaks "monthly seasonality".
04-0304-0404-0504-18

Шаг 4. Модели — сначала против «как год назад»Step 4. Models — first beat "same as last year"

ПланерPlannerВозьмём самую модную модель?Shall we take the trendiest model?
ClaudeСначала сравним с простым «как год назад». Prophet с настройками по умолчанию промахнулся сильнее него. Бустинг выиграл на всех кварталах — берём его, а ES оставляем для коротких рядов.Let's first compare with a simple "same as last year". Prophet with default settings missed by more than that. Boosting won in every quarter — we take it and keep ES for short series.
Грабли:Pitfall: любую новинку проверять на своих данных против простого бенчмарка — иначе красивый график вместо прогноза.test any new method on your own data against a simple benchmark — otherwise you get a pretty chart, not a forecast.
04-0604-0704-0804-1104-13

Шаг 5. Точность там, где принимают решенияStep 5. Accuracy where decisions are made

ПланерPlannerКакая у нас точность?What's our accuracy?
ClaudeПо стране — 92 %, но это красиво только сверху. На уровне город × SKU × месяц WMAPE — 19 %. Вот десять строк, которые дают половину ошибки, и почему.92% at country level — but that only looks good from the top. At city × SKU × month, WMAPE is 19%. Here are the ten rows that cause half the error, and why.
Грабли:Pitfall: ошибки городов взаимно гасятся в сумме по стране — склад же везёт товар в конкретный город.city errors cancel out in the country total — but the warehouse ships to a specific city.
04-0904-1704-2104-25

Шаг 6. Дашборд, правки и FVAStep 6. Dashboard, overrides and FVA

ПланерPlannerПродажи хотят +20 % на лето. Как это показать и потом проверить?Sales want +20% for summer. How do we show it and check it later?
ClaudeСобрал дашборд: прогноз ML рядом с прогнозом продаж, правка мышью по строке и журнал — кто, почему, на сколько. Через месяц FVA покажет, чья правка улучшила прогноз.I built a dashboard: the ML forecast next to the sales forecast, drag-to-edit per row, and a log — who, why, by how much. Next month FVA shows whose override improved the forecast.
Визуальная проверка обязательна:Visual check is mandatory: прежде чем отдать прогноз, планер смотрит на график каждого крупного ряда глазами.before releasing a forecast, the planner eyeballs the chart of every major series.
04-1204-2304-2404-26
Ошибка прогноза WMAPE, город × SKU × месяцForecast error WMAPE, city × SKU × month
34%

Иллюстрация: условные цифры, показывают порядок эффекта каждого шага, а не обещание точности. Ваши цифры вы получите сами — в практике каждого урока.Illustration: indicative numbers showing the order of effect of each step, not a promise of accuracy. You'll get your own numbers in each lesson's practice.

Теория простыми словамиPlain-language theoryпример с цифрами в каждом разделеa worked number example in every section
«Как это было у нас»"How it went for us"настоящие грабли проектаreal project pitfalls
Практика на файлахHands-on filesExcel с формулами и скрипт PythonExcel with formulas and a Python script
Чек-лист, тест, словарьChecklist, quiz, glossaryчтобы применить в понедельникso you can apply it on Monday

Карта модуля: 29 уроковModule map: 29 lessons

Нажмите на шаг кейса выше — подсветятся уроки, где он разобран. Новые уроки выходят партиями и сразу появляются в курсе.Click a case step above to highlight the lessons that cover it. New lessons are released in batches and appear in the course right away.
Получить курс и ML-модуль со скидкой 50% — 29 500 ₽ Get the course + ML module at 50% off — 250 EUR

Почему это важноWhy it matters

  • Неточный прогноз = убытки: лишние запасы и потерянные продажи.Inaccurate forecast = losses: excess stock and lost sales.
  • Каждый промах — замороженные деньги и падение уровня сервиса.Every miss means frozen cash and a lower service level.
  • Demand Planner — одна из самых востребованных ролей в цепях поставок в 2026 году.Demand Planner is one of the most in-demand supply chain roles in 2026.
  • FMCG, ритейл и e-commerce ищут планеров, которые умеют работать с ML и ИИ-ассистентами, а не бояться их.FMCG, retail and e-commerce look for planners who work with ML and AI assistants rather than fear them.
NestléUnileverBICCastrolStarbucksRitter Sport

Что получите на практикеWhat you'll get in practice

  • Воркбуки Excel: MA/ES/Regression, MAPE/Bias/FVA, версии прогнозов.Excel workbooks: MA/ES/Regression, MAPE/Bias/FVA, forecast versions.
  • HTML-дашборд: точность, тренды, промо, правка прогноза мышью.HTML dashboard: accuracy, trends, promo, drag-to-edit forecast.
  • Скрипты Python: Prophet, бустинг, признаки для ML, Demand Sensing.Python scripts: Prophet, boosting, ML features, Demand Sensing.
  • Шаблоны S&OP: календарь, роли, протоколы консенсуса.S&OP templates: calendar, roles, consensus minutes.
КалькуляторCalculator

Сколько денег держит ошибка прогнозаHow much cash your forecast error ties up

Высвобождается из запасаReleased from inventory
—

Оценка по правилу: страховой запас растёт пропорционально ошибке прогноза. Это ориентир для разговора с финансами, а не гарантия.Rule-of-thumb estimate: safety stock scales with forecast error. A conversation starter for finance, not a guarantee.

За время курса вы научитесьYou will learn to

Прогнозировать и визуализироватьForecast & visualize

Excel-прогнозы, HTML-дашборды: MA, ES, Regression, ARIMA/Prophet; ML и Demand Sensing.Excel forecasts, HTML dashboards: MA, ES, Regression, ARIMA/Prophet; ML & Demand Sensing.

Управлять точностьюControl accuracy

Считать WMAPE, Bias, FVA на правильном уровне и защищать цифры перед руководством.Calculate WMAPE, Bias, FVA at the right level and defend numbers to leadership.

Работать с ИИ-ассистентомWork with an AI assistant

Ставить Claude задачи, проверять его код и цифры, не отдавая решение машине.Give Claude tasks, check its code and numbers — without handing the decision to the machine.

Проводить S&OPRun S&OP

Организовать S&OP/IBP: роли, календарь, артефакты, консенсус и эскалации.Set up S&OP/IBP: roles, cadence, artifacts, consensus & escalation.

Отличать продажи от спросаTell sales from demand

Дефицит, апсайзы, смена кодов, промо — чистить историю до того, как учить модель.Stock-outs, upsizes, code switches, promo — clean history before training a model.

Объяснять прогноз бизнесуExplain forecasts to business

Из чего сложилась цифра, кто и почему её поправил, что будет, если не поправить.What built the number, who changed it and why, what happens if we don't.

Курс подойдёт, если выThis course is for you if you are

Аналитик или финансист и хотите перейти в роль Demand Planner.An analyst or finance professional moving into a Demand Planner role.

Работаете в FMCG, ритейле или e-commerce и хотите прокачать прогнозирование.In FMCG, retail or e-commerce and want to level up forecasting.

Участвуете в S&OP/IBP и хотите понимать, как строится прогноз.Part of S&OP/IBP and want to understand how the forecast is built.

Хотите применять ML без глубокого программирования — с ИИ-ассистентом.Keen to use ML without deep coding — with an AI assistant.

Планируете карьерный рост и доход от 150 000 ₽/мес.Aiming for career growth into senior planning roles.

Студент и хотите быстрее освоить профессию Demand Planner.A student who wants a fast track into demand planning.

План курсаCurriculum — 12 модулей, 130+ тем. Главные блоки:— 12 modules, 130+ topics. Key blocks:

Введение в профессию планераIntro to the planner role
Что такое Demand Planning, роли и быстрые победы в первые 30 дней.What Demand Planning is, key roles, and first 30-day wins.
Источники данныхData sources
История продаж, CRM, внешние факторы, качество данных и версии прогнозов.Sales history, CRM, external factors, data quality & forecast versions.
Методы прогнозированияForecasting methods
MA/ES/Regression, ARIMA, Prophet, LSTM, ансамбли.MA/ES/Regression, ARIMA, Prophet, LSTM, ensembles.
NEW Машинное обучение: 29 уроков на реальном кейсеMachine learning: 29 lessons on a real case
От гигиены данных и признаков до бустинга, нейросетей, MLOps и AutoML. Планер + Claude, учебный набор «Долина напитков», Excel и Python в каждом уроке. Смотреть кейс ↑From data hygiene and features to boosting, neural nets, MLOps and AutoML. Planner + Claude, "Beverage Valley" dataset, Excel and Python in every lesson. See the case ↑
Точность прогнозаForecast accuracy
MAPE, WMAPE, Bias, FVA, разбор ошибок и улучшения.MAPE, WMAPE, Bias, FVA, error analysis & improvements.
S&OP / IBP
Роли, процессы, консенсус; связь с Supply, Finance, Marketing.Roles, process, consensus; linkage with Supply, Finance, Marketing.
Финансовое измерениеFinancial dimension
P&L, cash flow, промо-эффекты, KPI.P&L, cash flow, promo effects, KPIs.
Практика и кейсы FMCGPractice & FMCG cases
Nestlé, Unilever, Castrol, BIC, Ritter Sport.
Психология планераPlanner psychology
Коммуникации, стресс, дедлайны, влияние.Communication, stress, deadlines, influence.

Файлы и шаблоныFiles & templates

Важно: материалы (Excel, PowerPoint, HTML-дашборды) доступны через Google Drive и дублируются на Яндекс.Диск. Excel-книги ML-уроков скачиваются прямо со страницы урока.Note: materials (Excel, PowerPoint, HTML dashboards) are on Google Drive, mirrored to Yandex.Disk. ML lesson workbooks download right from the lesson page.

Excel

  • MA/ES/Regression (автоподбор)MA/ES/Regression (auto-tuning)
  • MAPE/Bias/FVA + сравнение версийMAPE/Bias/FVA + version compare
  • Календарь S&OP и протоколS&OP calendar & minutes

NEW HTML-дашбордыHTML dashboards

Один файл: открывается в любом браузере, без лицензий и сервера. Собирает Claude по вашим данным — вы проверяете и решаете.One file: opens in any browser, no licences or server. Claude builds it from your data — you check and decide.

  • Forecast Accuracy / Bias / FVA
  • Прогноз ML рядом с прогнозом продаж, правка мышьюML forecast next to the sales forecast, drag-to-edit
  • Журнал правок и выгрузка в ExcelOverride log and export to Excel

Python

  • Prophet, ES, бустинг, кросс-валидацияProphet, ES, boosting, cross-validation
  • Признаки для ML + Demand SensingML features + Demand Sensing
  • Экспорт результатов в Excel/BIExport results to Excel/BI

Частые вопросыFAQ

Нужно ли уметь программировать?Do I need to code?
Нет. В ML-модуле код пишет Claude, считает Python, а вы ставите задачу, проверяете цифры и принимаете решение — как в реальном кейсе. Каждый расчёт есть и в Excel с формулами.No. In the ML module Claude writes the code, Python runs it, and you set the task, check the numbers and decide — just like in the real case. Every calculation is also in Excel with formulas.
Прогноз считает Claude?Does Claude make the forecast?
Нет. Прогноз считает модель на Python (ES, Prophet, бустинг). Claude — ассистент: пишет и объясняет код, находит ошибки в данных, собирает дашборд. Ответственность за цифру — у планера.No. The forecast comes from a Python model (ES, Prophet, boosting). Claude is the assistant: it writes and explains code, finds data errors and builds the dashboard. The planner owns the number.
На каких данных практика?What data is the practice on?
На учебном наборе «Долина напитков»: соки, газировка, вода, города и SKU — с теми же ловушками, что в реальном проекте (апсайзы, дефицит, задвоения, праздники). Данные реальной компании не публикуются.On the "Beverage Valley" training dataset: juices, soda, water, cities and SKUs — with the same traps as the real project (upsizes, stock-outs, duplicates, holidays). No real company data is published.
Сколько времени займёт курс?How long does the course take?
Основной курс рассчитан на 8 недель. ML-модуль можно проходить параллельно или после — уроки самостоятельные, в каждом свой чек-лист и тест.The core course is designed for 8 weeks. The ML module can be taken alongside or after — lessons are self-contained, each with its own checklist and quiz.
Что входит в цену со скидкой?What does the discounted price include?
Полный курс: все 12 модулей, новый ML-модуль с уроками по мере выхода, шаблоны и файлы. Один платёж, без подписки. Условия возврата — в политике возврата.The full course: all 12 modules, the new ML module with lessons as they are released, templates and files. One payment, no subscription. Refund terms are in the refund policy.
Обновление октября 2026 · −50%October 2026 update · 50% off

Начните этой осенью — за полценыStart this fall — at half price

59 000 ₽29 500 ₽ 500 EUR250 EUR
Demand Planning Course
© Все права защищены. Копирование материалов — только с разрешения правообладателя.© All rights reserved. Copying any materials is allowed only with the right holder's permission.
Елизарова Наталия Степановна • ИНН 773123215823 • г. МоскваNatalia Elizarova • Tax ID 773123215823 • Moscow
Made on
Tilda