Предиктивная аналитика и ИИ: прогноз вместо отчёта

Предиктивная аналитика прогнозирует будущие значения на основе исторических данных: спрос на товар, вероятность оттока клиента, потребность в запасах. Работает она там, где есть длинная чистая история и повторяющиеся закономерности, и не работает там, где решает единичное событие.

Разберу, какие задачи прогнозирования реально окупаются в среднем бизнесе, что для них нужно и какую роль здесь играет искусственный интеллект — без преувеличений в обе стороны.

Где прогноз даёт деньги

Первая строка окупается чаще остальных и в наиболее осязаемых деньгах. В товарном бизнесе точность прогноза спроса напрямую переводится в оборотный капитал: избыточный запас — это замороженные деньги и расходы на хранение, недостаточный — упущенные продажи и потеря позиций.

Что нужно, чтобы прогноз заработал

Требования к данным здесь строже, чем для обычной аналитики, и невыполнение любого из них делает модель бессмысленной независимо от её сложности.

Третье условие нарушается чаще прочих и незаметно. Компания меняет определение показателя, переходит на другую CRM, начинает по-другому разносить затраты — и с точки зрения модели это выглядит как резкое изменение поведения бизнеса. Она добросовестно учится на этом «изменении», а прогноз получается неверным. Поэтому перед любым прогнозированием история проверяется на разрывы методики, а не только на пропуски данных.

Роль искусственного интеллекта

Тема окружена преувеличениями в обе стороны, поэтому скажу как есть. Для большинства задач среднего бизнеса достаточно статистических методов, которые работают десятилетиями: они прозрачны, объяснимы и требуют меньше данных. Прогноз спроса с учётом сезонности и тренда строится классическими подходами и даёт приемлемую точность.

Сложные модели дают преимущество там, где влияющих факторов много и связи между ними нелинейны: прогноз оттока с учётом десятков признаков поведения, оценка вероятности сделки, рекомендации ассортимента. Цена этого преимущества — потеря объяснимости: модель показывает результат, но не говорит, почему именно так, и это создаёт проблему доверия у тех, кто должен принимать решения.

Практический порядок: начинать с простого метода, измерять его точность, переходить к сложному только если простой не даёт нужного результата. Обратный порядок — начать со сложной модели — обычно приводит к длинному проекту, результат которого невозможно объяснить руководителю. Отдельно о том, где ИИ применим в бизнесе шире прогнозирования, — в разделе про внедрение искусственного интеллекта.

Как проверить модель до внедрения

1. Разделите историюОбучите модель на данных до определённой даты, проверьте на том, что произошло после. Это честная имитация работы в реальности.
2. Сравните с текущим способомНе с идеалом, а с тем, как решения принимаются сейчас. Если сейчас планируют на глаз с разбросом вдвое, погрешность в пятнадцать процентов — большой шаг вперёд.
3. Посчитайте деньгиПереведите улучшение точности в рубли: сокращение запасов, предотвращённые дефициты, удержанные клиенты.
4. Проверьте на редких событияхКак модель ведёт себя в нетипичные периоды — праздники, акции, сбои поставок. Обычно именно там она ошибается сильнее всего.

Прогноз спроса: как это работает на практике

Разберу самую окупаемую задачу подробнее, потому что механика у неё показательна и для остальных.

На вход берётся история продаж по позициям с разбивкой по дням или неделям за два-три года. Модель раскладывает её на три составляющие: базовый уровень, тренд и сезонность. Дополнительно учитываются известные события — акции, изменения цены, дефициты, когда товара просто не было в наличии. Последнее критично: период отсутствия товара выглядит в данных как отсутствие спроса, и без пометки модель научится занижать прогноз.

На выходе получается прогноз продаж на горизонте, который соответствует сроку поставки. Дальше он превращается в решение о закупке через простое правило: заказать столько, чтобы покрыть прогнозный спрос на время поставки плюс страховой запас, размер которого зависит от того, насколько дорого обходится дефицит.

Когда прогноз не работает вообще

• Единичные крупные события. Несколько сделок в год, зависимость от тендеров — закономерности нет, учиться не на чем.
• Короткая история. Меньше двух лет для сезонных задач: невозможно отличить сезон от случайности.
• Разрыв при смене системы. История до перехода не перенесена, ряд начинается с нуля.
• Смена методики. Показатель считался по-разному в разные периоды — модель учится на артефакте.
• Структурный слом рынка. Прошлое перестало быть похожим на будущее, любая экстраполяция вводит в заблуждение.

Последний пункт заслуживает отдельного внимания, потому что он не про данные, а про ситуацию. Прогнозирование опирается на предположение, что механизмы, работавшие раньше, продолжат работать. В периоды резких изменений это предположение ложно, и модель уверенно предскажет продолжение того, что уже закончилось. В такие моменты полезнее сценарное планирование — несколько вариантов будущего с оценкой последствий, а не одна точная цифра.

Прогноз ценен не точностью, а тем, что он заставляет проговорить допущения. Модель, которая ошиблась, но показала, из-за какого предположения, полезнее интуиции, которая просто ошиблась.Владимир Герасимов

С чего начать

Порядок такой: выбрать одну задачу с понятной денежной отдачей — чаще всего это прогноз спроса по группе ходовых товаров. Проверить данные по пяти условиям. Построить простую модель и проверить её на прошлом. Посчитать, сколько денег даёт улучшение точности относительно текущего способа планирования. И только после этого решать, нужна ли автоматизация и более сложные методы.

Такой заход занимает несколько недель и стоит недорого, зато даёт честный ответ на вопрос, есть ли смысл в прогнозировании для вашей компании. Альтернативный путь — сразу заказать разработку модели — приводит к результату, который невозможно оценить: непонятно, хорош прогноз или нет, потому что не с чем сравнивать. Всё это имеет смысл строить поверх работающего контура данных: как он устроен, разобрано в статье про единый контур управления бизнесом.

Прогноз оттока клиентов

Вторая по частоте задача, особенно в бизнесах с повторяющимися продажами. Модель оценивает вероятность того, что клиент перестанет покупать, — и это даёт время вмешаться до того, как он уйдёт.

Признаки, на которых строится такая оценка, обычно простые: увеличение интервала между покупками, снижение среднего чека, сокращение ассортимента заказов, обращения в поддержку с жалобами, отсутствие реакции на рассылки. По отдельности каждый признак слабый, вместе они дают приемлемую точность.

Ценность здесь не в самой модели, а в том, что она превращает размытую задачу «работать с клиентской базой» в конкретный список: вот тридцать клиентов с высоким риском ухода на этой неделе, с ними нужно связаться. Удержание существующего клиента почти всегда дешевле привлечения нового, а без такого списка работа по удержанию идёт по остаточному принципу. Как устроена сегментация клиентской базы, разобрано в статье про аналитику продаж и клиентов.

Что важнее модели

Завершу тем, с чего стоило бы начинать любой разговор о прогнозировании. Точность модели редко является узким местом. Узким местом почти всегда оказывается одно из двух: качество исторических данных или отсутствие процесса, который превращает прогноз в действие.

Первое лечится наведением порядка в источниках — это работа, описанная в статье про аналитику данных. Второе — организационное: если прогноз спроса строится, но закупщик по-прежнему заказывает по своему усмотрению, никакая точность модели ничего не изменит. Прогноз должен встраиваться в конкретную процедуру принятия решения — с правилом, кто и как его использует, и с обратной связью, когда фактический результат сравнивается с предсказанным.

Компании, которые начинают с процесса и простой модели, получают результат быстрее тех, кто начинает со сложной модели без процесса. Это наблюдение справедливо практически для всех задач прогнозирования и объясняет, почему многие дорогие проекты в этой области заканчиваются ничем при технически корректных моделях.

Порядок работ и ожидания по срокам

Чтобы завершить картину, соберу практический план. Проверка данных на пять условий занимает несколько дней и делается до любых обещаний о результате. Построение простой модели на одной задаче — одна-две недели. Проверка на исторических данных с расчётом денежного эффекта — ещё неделя. Итого около месяца до момента, когда становится понятно, есть ли смысл продолжать.

Дальше, если результат подтверждается, идёт встраивание в процесс: определение, кто использует прогноз и как, настройка регулярного обновления, обучение тех, кто будет принимать по нему решения. Эта часть занимает столько же, сколько сама модель, и её обычно недооценивают при планировании.

Ожидание, которое стоит скорректировать заранее: прогнозирование не заменяет управленческое суждение. Оно сужает пространство неопределённости и убирает рутинные решения — какой объём заказать по стабильной позиции, к каким клиентам обратиться в первую очередь. Решения, где важен контекст, которого нет в данных, остаются за человеком, и это правильное разделение труда, а не недостаток метода.

Итог по разделу: начинать имеет смысл с проверки данных и одной задачи с понятной денежной отдачей, использовать простой метод и обязательно встраивать результат в конкретную процедуру принятия решения. Сложные модели и отдельные специалисты добавляются тогда, когда простой путь показал ограничения, а не до этого.

Такой порядок защищает от типичного сценария, при котором компания вкладывается в сложную разработку и через полгода обнаруживает, что данных не хватало с самого начала, а решения по-прежнему принимаются вручную.

Прогнозирование — надстройка над работающим учётом, а не замена ему. Компании, у которых порядок в текущих данных, получают от него отдачу; компании без такого порядка получают дорогой эксперимент.

Проверка простая: если сегодня нельзя быстро получить корректную историю продаж по позициям за два года, начинать нужно не с прогноза, а с наведения порядка в данных.

Пример постановки задачи

Чтобы разговор был предметным, приведу, как выглядит корректно поставленная задача прогнозирования. Формулировка занимает несколько строк, и если она не складывается, работать пока рано.

Четвёртый пункт — тот, что превращает расчёт в результат. Без него получается упражнение: прогноз строится, отчёт формируется, а решения принимаются прежним способом.

Функции аналитика в прогнозной работе смещаются: вместо построения отчётов о прошлом он отвечает за качество модели и за то, чтобы её результат встроился в процесс принятия решения. Технологии бизнес-аналитики здесь вторичны — определяющим остаётся состояние исторических данных.