ИИ в прогнозировании спроса: от данных до результата
Чтобы понять, как нейросети предсказывают будущее, нужно разобраться, чем они питаются. Классическая история продаж составляет лишь базовый слой. ИИ анализирует многолетние данные по каждой позиции, выявляя тренды, сезонность и цикличность. Однако наиболее мощные системы выходят далеко за пределы собственной статистики компании. Они подключают внешние данные, которые существенно влияют на покупательское поведение. Погода — один из главных драйверов спроса. Нейросеть учитывает температуру, осадки, влажность и даже силу ветра, корректируя закупки сезонных товаров от мороженого до обогревателей. Например, повышение температуры в начале мая на пять градусов способно вызвать скачок спроса на прохладительные напитки на двадцать процентов, и модель должна предсказать это заранее.
Праздники и события играют не менее важную роль. ИИ различает государственные праздники, религиозные даты, школьные каникулы и даже разовые события вроде финалов чемпионатов или концертов. Причём модель учитывает не только сам день, но и «эффект плато» до и после события. Акции и промо-кампании — особый вызов для прогнозирования. Нейросеть должна понимать, как изменится спрос при скидке в тридцать процентов и не «съест» ли эта акция будущие продажи по полной цене. Современные модели строят так называемую промо-эластичность для каждого товара, определяя, насколько чувствителен спрос к скидкам и как он перераспределяется между брендами внутри одной категории.
Наконец, данные из социальных сетей и поисковых запросов становятся новым топливом для прогнозирования. Если количество упоминаний товара в TikTok резко растёт, это ранний сигнал о будущем всплеске спроса. Анализ тональности отзывов, обсуждений на форумах и частоты поисковых запросов позволяет предсказывать интерес к новинкам задолго до того, как они появятся на полках. На практике это работает как опережающий индикатор, который невозможно получить из стандартной кассовой ленты. Компании, которые пока не используют внешние источники, рискуют остаться позади, потому что конкуренты уже видят сигналы раньше.
Теперь перейдём к инструментам. На глобальном рынке доминируют несколько крупных платформ, и первая среди них — Blue Yonder, ранее известная как JDA Software. Эта система особенно сильна в ритейле и производстве. Она использует алгоритмы машинного обучения на базе облачной платформы Azure и умеет автоматически пересчитывать прогнозы в реальном времени. Ключевая особенность Blue Yonder — способность учитывать целевую рентабельность: система оптимизирует не просто точность прогноза, а итоговую прибыль, находя баланс между издержками на хранение и рисками потери продаж. Второй популярный инструмент — Oracle Demand Management Cloud. Это часть более широкой экосистемы Oracle Supply Chain Management. Данное решение сильно в интеграции с ERP-системами и финансами. Оно позволяет коммерческому директору видеть единую картину по всей цепочке поставок, а встроенные алгоритмы «что-если» помогают моделировать сценарии развития событий, например, изменение цены на сырьё или логистический коллапс.
Что касается российских аналогов, на рынке уверенно работает платформа «Форсайт» от компании «Прогноз». Это решение заточено под специфику отечественного ритейла и производства. Оно умеет работать с данными из 1С и локальных CRM, что критически важно для российских компаний. «Форсайт» использует гибридные модели, сочетая классическую статистику с нейросетями, и хорошо подходит для предприятий, где не требуется огромная международная кастомизация. Также стоит упомянуть разработки в экосистемах Сбера и Яндекса, которые активно продвигают собственные решения для прогнозирования на базе своих облачных платформ. Выбор инструмента часто зависит не от его мощности, а от того, насколько легко он встраивается в существующую IT-инфраструктуру компании.
Обратимся к реальным кейсам из ритейла. В публичном поле регулярно появляются данные о том, как крупнейшие сети сокращают излишки. Например, X5 Group внедряла систему прогнозирования на базе методов машинного обучения с акцентом на скоропортящиеся товары и категорию «фреш». Основная задача состояла в сокращении списаний по истёкшему сроку годности. Эффект, который озвучивался компанией, варьировался в диапазоне от пятнадцати до двадцати процентов снижения излишков. Это огромные деньги в масштабах страны. Достигается такой результат не столько за счёт того, что товара стало закупаться меньше, сколько за счёт умного перераспределения: товар вовремя перевозят из магазина с низкой скоростью продаж в магазин, где он будет продан в течение суток.
«Магнит» также активно инвестирует в технологии прогнозирования. Сеть использует модели, которые учитывают не только продажи в каждом конкретном магазине, но и особенности локации: наличие рядом офисных зданий, проходной метро или жилого массива. Нейросети анализируют, как меняется спрос в разных районах одного города, и выстраивают оптимальный ассортимент под каждый формат. Благодаря такому подходу компании удаётся точнее управлять товарными запасами и сокращать так называемые «мёртвые стоки» — товары, которые не продаются месяцами. Официальные заявления говорят о схожих цифрах улучшения метрики товарных запасов, что в конечном счёте высвобождает оборотные средства для закупки более ходовых позиций. Суть этих примеров не в волшебной цифре, а в системном изменении процесса: решение о закупке принимается на основе расчёта, а не интуиции.
Отдельный интерес представляет сфера e-commerce, где жизненный цикл товара часто короче, чем сезон. Ozon — один из крупнейших игроков на российском рынке, который постоянно совершенствует свои алгоритмы прогнозирования. Для товаров с коротким циклом, таких как электроника, новые коллекции одежды или сезонные аксессуары, классические методы прогнозирования по историческим данным неэффективны. Ozon использует подход, основанный на анализе поведения пользователей на платформе. Алгоритмы отслеживают динамику добавления товаров в корзину, количество просмотров страниц, частоту поисковых запросов по названию товара в первые дни после появления карточки. Это позволяет построить раннюю кривую спроса и определить потенциал товара до того, как будет сделана первая массовая закупка.
Критически важным здесь является следующий момент: Ozon не просто прогнозирует, сколько штук продастся, а постоянно обновляет прогноз по мере поступления новых данных. Если товар в первый день получил аномально высокое число заказов, нейросеть автоматически увеличивает рекомендуемый объём закупки на следующий день, и товар резервируется на складах продавцов. Это сложный процесс, в котором участвуют тысячи поставщиков, и каждому из них в личном кабинете показывается рекомендуемое количество пополнения запасов. Точность этих рекомендаций напрямую влияет на то, сколько продавцов останется на платформе и насколько она будет удовлетворять спрос конечных покупателей. В условиях жёсткой конкуренции между маркетплейсами возможность сократить излишки и при этом не потерять продажи — главное конкурентное преимущество.
Если у вашей компании нет бюджета на внедрение Blue Yonder или Oracle, не стоит отчаиваться. Начать можно с инструментов, которые уже есть под рукой, — Excel и языка программирования Python. Первый шаг — настройка прогнозирования в Excel с помощью встроенного пакета анализа. Даже простые модели экспоненциального сглаживания или сезонной декомпозиции, выполненные в Excel, способны дать улучшение по сравнению с методом «прошлый год + 5 процентов». Это позволяет автоматизировать расчёт базовых планов продаж для стабильных категорий товаров без больших вложений. Например, вы можете построить прогноз по формуле, которая учитывает сезонность и средний темп роста, и сравнить его с реальными продажами.
Второй шаг — изучение Python. Эта библиотека не требует мощного сервера и работает на обычном ноутбуке. Стоит инвестировать время в изучение библиотек pandas для обработки данных и scikit-learn или statsmodels для построения моделей. Для старта отлично подходит модель Prophet, разработанная компанией Facebook. Она специально создана для бизнес-прогнозирования, устойчива к пропускам в данных и умеет учитывать праздники и изменяющиеся тренды. Использование Prophet требует минимального кода, а результат выдаётся в виде наглядного графика с доверительным интервалом. Даже находясь в Excel, вы можете запускать Python через надстройку и получать прогнозы, которые сохраняются обратно в таблицу. Это гибридный подход: маленькая компания получает полноценный ИИ за стоимость подписки на программный пакет и несколько недель обучения аналитика.
Однако, прежде чем бросаться строить сложные модели, важно учесть подводные камни. Самый распространённый риск — переобучение модели. Это ситуация, когда нейросеть выучивает исторические данные слишком хорошо, запоминая каждый случайный всплеск продаж, который был вызван разовым событием, и начинает видеть закономерности там, где их нет. Такая модель будет отлично предсказывать прошлое, но полностью провалится в будущем, потому что реальные данные всегда содержат шум. Бороться с переобучением помогает регулярная валидация на свежих данных, которых модель не видела, а также усложнение процесса выбора модели. Не стоит стремиться к максимальной точности на историческом периоде. Гораздо важнее, чтобы прогноз был устойчивым и на других данных.
Второй критический риск — качество данных. Нейросети работают по принципу «мусор на входе — мусор на выходе». В реальных базах данных ритейла полно ошибок: человеческий фактор при приёмке товара, технические сбои касс, некорректно заведённые карточки товаров, дубли позиций. Если не провести тщательную очистку, модель будет принимать во внимание выбросы, которые в реальности не существовали. Например, одна партия товара была ошибочно оприходована дважды, создав иллюзию аномального спроса. Отличный процесс внедрения всегда начинается не с обучения алгоритмов, а с аудита данных: поиск дублей, проверка корректности сопоставления продаж и остатков, выбросов и воронок. Только после того, как данные вычищены, имеет смысл запускать обучение.
Теперь опишем словами инфографику этапов внедрения. Представьте себе горизонтальную линию времени, разбитую на шесть последовательных блоков. Первый блок — «Аудит данных», здесь происходит сбор всей необходимой информации, выявление ошибок и дублей, настройка форматов. Второй блок — «Гипотезы и выбор метрики», где команда определяет, какие показатели будет предсказывать: количество штук, денежная выручка или скорость продаж. Третий блок — «Создание бейзлайна», это простая модель на основе средних или метода наивного прогноза, которая станет отправной точкой для сравнения. Четвёртый блок — «Обучение модели» на исторических данных с учётом внешних факторов и проверкой качества на отложенной выборке. Пятый блок — «Пилотный запуск», когда модель работает параллельно с действующим процессом закупок, но решения пока принимает человек, а ИИ лишь советует. Шестой блок — «Продакшн и мониторинг», когда модель встраивается в автоматизированную систему закупок, и запускается непрерывный контроль за отклонениями, чтобы вовремя переобучать алгоритм и адаптировать модели к меняющимся условиям рынка. Каждый переход между блоками требует обсуждения с коммерческим департаментом и внимания к обратной связи от закупщиков.
Практический совет для ограниченного бюджета: не пытайтесь объять необъятное. Выберите одну товарную категорию, которая приносит наибольшие убытки от списаний или дефицита, и запустите прогноз только для неё. Это может быть молочная продукция или товары с коротким сроком годности. Сосредоточившись на узком участке и используя бесплатный Python с открытой библиотекой Prophet, вы сможете за один квартал добиться измеримого улучшения финансового результата. Полученные цифры станут основанием для просьбы о дополнительном финансировании на более масштабное внедрение. Покажите руководству разницу в процентах списаний между магазинами, использующими новый алгоритм, и контрольной группой.
Важный аспект — управление ожиданиями и сопротивлением персонала. Закупщики часто воспринимают нейросети как угрозу своему авторитету. Необходимо объяснить, что ИИ — это не замена их опыту, а страховка от ошибок, связанных с усталостью и когнитивными искажениями. Лучшая стратегия внедрения — гибридная: ИИ предлагает прогноз, а человек утверждает заказ, имея право скорректировать его вручную, если видит экстраординарные причины. Задача состоит в том, чтобы выстроить доверие к системе, а это достигается только через прозрачность алгоритмов. Если нейросеть объясняет, что она подняла прогноз на товар «X» из-за прогноза дождей на следующей неделе, это вызывает меньше вопросов, чем «чёрный ящик», выдающий цифры без аргументации.
Не забывайте про регулярность переобучения. Потребительское поведение не статично. После пандемии привычки изменились, после ухода западных брендов произошла глубинная перестройка потребительской корзины. Модель, обученная на данных двухлетней давности, сегодня может быть опасна. Рекомендуется переучивать модель минимум один раз в месяц, а для быстрых категорий — еженедельно. Это требует автоматизации пайплайна, и снова на помощь приходит Python, позволяющий запускать скрипты по расписанию без участия человека.
В заключение подчеркнём главное. Применение нейросетей в прогнозировании спроса — это не магия, а инженерная дисциплина. Она начинается с чистоты данных, проходит через этап обучения простых моделей в Excel и заканчивается автоматизированными системами, которые экономят проценты потерь, идущие в чистую прибыль. Для коммерческого директора и закупщика сегодняшний день — время делать первые шаги, осваивать инструменты и нарабатывать компетенции. Компании, которые не начали этот путь, рискуют через несколько лет обнаружить, что конкуренты видят рынок глубже, имеют меньше затовареченных складов и быстрее реагируют на изменения спроса. Лучший момент начать был вчера, второй лучший — сегодня.
Поделиться