Прогноз спроса – одна из немногих задач ИИ, где эффект быстро виден в деньгах: в наличии товара, списаниях, замороженных запасах и фонде оплаты труда. При этом многие компании годами планируют закупки в таблицах и учётной системе с ручными поправками менеджеров. Управленческий вопрос не в выборе алгоритма, а в том, какое решение будет принимать модель, кто отвечает за результат и на каких данных она будет учиться. Выводы ниже основаны на российских проектах из открытой подборки: база кейсов ИИ на platforms.su содержит более 1300 кейсов внедрения.
Где прогноз спроса даёт эффект
Автозаказ в рознице и дистрибуции
Задача: ручной прогноз не учитывает сезонность, погоду, праздники и промо. Менеджеры тратят часы в день на корректировки, а сеть одновременно страдает от пустых полок и списаний скоропортящегося товара. Что делает ИИ: модель по истории продаж и внешним факторам рассчитывает заказ по каждой позиции и магазину. Результат: большая часть заказов формируется автоматически, процесс ускоряется в разы, наличие ключевого ассортимента стабилизируется, списания снижаются. При готовых данных путь от пилота до промышленного запуска измеряется месяцами, а не годами.
Внутридневное планирование производства
Задача: собственная выпечка и готовая еда производятся одним объёмом утром, к вечеру витрины пустеют, а излишки списываются. Что делает ИИ: строит план производства по часам с учётом спроса в разное время дня, а видеоаналитика отслеживает заполнение витрин. Результат: порционное производство в течение дня и меньше списаний.
Прогноз потребления в энергетике и ЖКХ
Задача: заявки на покупку электроэнергии подаются заранее, ошибка прогноза оборачивается перезакупкой или штрафами за небаланс. Что делает ИИ: прогнозирует потребление на сутки вперёд с учётом истории и погоды. Результат: прямое снижение затрат на небалансы и более точное планирование закупок.
Прогноз нагрузки и планирование персонала
Задача: статические нормативы не работают в пиковые сезоны: то перерасход человеко-часов, то нехватка людей. Что делает ИИ: прогнозирует нагрузку по каждому магазину, ресторану или группе операторов и рассчитывает потребность в персонале. Результат: в кейсах ритейла и общепита ML-прогноз в пиковые периоды оказывался в разы точнее статических моделей, а расчёт смен сокращался с недель до часов. В контакт-центрах построение месячного расписания занимает минуты.
Логистика и склад
Задача: неточное прогнозирование спроса на перевозки ведёт к порожнему пробегу, а на складе – к лишним перемещениям и простоям. Что делает ИИ: прогнозирует спрос на транспорт по направлениям, анализирует складские процессы по данным системы управления складом. Результат: меньше порожних рейсов, быстрее сборка заказов, точнее инвентаризация.
Что отличает удачные проекты
- Данные приведены в порядок до модели. Во многих кейсах прогнозу предшествовало создание единой платформы данных: продажи, остатки, закупки и промо в одном месте. После этого подготовка аналитики сокращалась с дней до часов.
- Учтён дефицит. Продажи при пустой полке – это не спрос. Удачные проекты восстанавливают «скрытый» спрос в периоды отсутствия товара, иначе модель будет занижать заказ.
- Внешние факторы и промо-календарь. Модели в успешных кейсах учитывают от десяти до двадцати и более факторов: погоду, праздники, сроки годности, акции, особенности точки.
- Прогноз превращается в решение. Модель формирует заказ, план производства или график смен в учётной системе, а не отдельный отчёт.
- Человек работает с исключениями. Менеджер подтверждает заказы и корректирует нестандартные случаи, а система фиксирует, улучшила ли правка результат.
- Метрика – бизнес-результат. Успех оценивают по наличию товара, списаниям, оборачиваемости запасов и затратам на персонал, а не только по ошибке прогноза.
Как считать эффект
Надёжный способ – контрольная группа: часть магазинов, складов или позиций работает по новой схеме, часть – по старой, сравнение идёт в один период. Считают изменение списаний, потерянных продаж из-за отсутствия товара, объёма запасов и трудозатрат на планирование. Сравнение «год к году» без контрольной группы искажается сезонностью, промо и инфляцией.
Типовые ошибки руководителей
- Гонка за точностью прогноза. Улучшение ошибки на несколько процентов может не дать ничего, если правила заказа, кратность поставки и страховой запас остались прежними.
- Пилот на неудачной категории. Новинки и товары с редкими продажами плохо прогнозируются любым методом. Для пилота лучше брать массовые позиции с историей.
- Ручные правки поверх модели без учёта. Если менеджеры меняют заказ без фиксации причин, эффект модели невозможно измерить.
- Отсутствие владельца. Проект ведут аналитики, а за наличие и списания отвечает коммерческая служба, которая модели не доверяет.
- Ожидание, что модель заменит категорийных менеджеров. Модель снимает рутину расчёта, но решения по ассортименту, ценам и поставщикам остаются за людьми. Освободившееся время нужно сразу направить на эти задачи, иначе эффект растворится.
- Нет плана поддержки. Смена ассортимента, новые точки и изменения спроса требуют регулярного переобучения и контроля качества прогноза.
Как начать: план на 6–8 недель
- Недели 1–2. Выбрать процесс (заказ, производство, персонал) и сегмент: группу магазинов или категорию. Зафиксировать текущие показатели: наличие, списания, запасы, время на планирование.
- Недели 2–3. Ревизия данных: глубина истории продаж, данные об остатках и дефиците, промо-календарь, доступ к внешним факторам.
- Недели 3–5. Ретроспективный тест: как модель спрогнозировала бы прошлые периоды по сравнению с текущим методом.
- Недели 5–8. Пилот с контрольной группой: модель формирует рекомендации, менеджеры подтверждают, правки фиксируются.
- Неделя 8. Расчёт эффекта и решение о тиражировании, интеграции в учётную систему и распределении ответственности.
Вопросы команде или подрядчику
- Какую глубину истории и какие данные нужно предоставить, что делать с периодами дефицита?
- Какие внешние факторы учитывает модель и откуда берутся данные о них?
- Как прогноз превращается в заказ: какие правила страхового запаса, кратности и сроков поставки заложены?
- Как будет организована контрольная группа и по каким показателям считаем эффект?
- Как модель работает с новинками и позициями с редкими продажами?
- Где развёрнуто решение, как оно интегрируется с нашей учётной системой и кто отвечает за переобучение?
Итог
Прогноз спроса окупается, когда модель встроена в решение о заказе, производстве или графике смен, а эффект измеряется по наличию, списаниям и затратам на контрольной группе. Начинать стоит с порядка в данных и одного процесса с понятным владельцем. Центр компетенций ИИ проводит экспресс-диагностику готовности данных и независимую оценку пилотов прогнозирования.
Разобрать вашу задачу
За 30 минут оценим, где ИИ даст эффект в вашей компании и с чего начать.