ИИ для прогнозирования спроса

Бизнес растёт — и вместе с ним растёт сложность. Десятки SKU превращаются в тысячи, сезонность перестаёт быть предсказуемой, а поставщики больше не прощают ошибок в заявках. В этой точке большинство компаний либо держат раздутый склад «на всякий случай», либо регулярно сталкиваются с дефицитом в самый неудобный момент. Оба варианта стоят денег.

Мы в Madbrains занимаемся внедрением ИИ для прогнозирования спроса — и видели эту картину сотни раз. Проблема почти никогда не в людях и не в процессах. Проблема в инструментах: электронные таблицы и классические статистические модели просто не умеют обрабатывать то количество переменных, которое реально влияет на продажи.

Что именно влияет на спрос? Намного больше, чем кажется на первый взгляд. Температура за окном, локальный праздник, акция у конкурента, задержка поставки по смежной категории — всё это меняет поведение покупателя здесь и сейчас. AI-модель учитывает эти факторы в связке, а не по отдельности. Она видит паттерны там, где аналитик увидит лишь шум.

Техническая основа наших решений — это ансамблевые модели машинного обучения (gradient boosting, LSTM-сети, Prophet) в комбинации с собственными методами feature engineering. Проще говоря: мы не берём готовый алгоритм из открытого репозитория и не натягиваем его на ваши данные. Под каждый проект собирается архитектура, которая отвечает именно на ваш вопрос — по вашей категории, вашему рынку, вашему горизонту планирования.

Откуда берутся данные? Прежде всего — из ваших систем: 1С, SAP, собственная WMS, CRM, данные с кассовых терминалов. Дополнительно подключаем внешние источники — погодные API, данные маркетплейсов, макроэкономические индикаторы, календари событий. Всё это очищается, нормализуется и готовится к обучению модели ещё до того, как мы запустим первый эксперимент.

Горизонт прогнозирования — отдельный разговор. Одни клиенты хотят видеть спрос на 2 недели вперёд для операционной логистики. Другим нужен квартальный прогноз для переговоров с поставщиками. Третьи — стратегический взгляд на 12–18 месяцев для планирования производственных мощностей. Мы настраиваем модели под каждый из этих сценариев, и они не конфликтуют между собой: краткосрочный и долгосрочный прогноз работают параллельно.

Внедрение занимает от четырёх до восьми недель — в зависимости от сложности данных и количества интеграций. На первом этапе мы аудируем качество исторических данных: без этого любой AI-прогноз будет красивой, но бессмысленной картинкой. Затем — обучение и валидация модели на ретроспективе, подключение к вашим системам, пилот на живом потоке данных. И только после подтверждения точности — полный запуск.

Результаты, которые фиксируют наши клиенты после трёх-шести месяцев работы системы: снижение складских запасов на 20–40% без роста дефицита, сокращение write-off (списаний просроченных товаров) на 15–30%, рост точности закупочных заявок в 1,5–2 раза. Цифры варьируются — в зависимости от отрасли и стартового состояния процессов, но направление неизменно.

Важный момент, о котором часто забывают при выборе подрядчика: модель нужно поддерживать. Рынок меняется, появляются новые продукты, сдвигается поведение покупателей — и модель, обученная год назад, начинает терять точность. Мы включаем в проект регулярное переобучение и мониторинг drift-а: система сама сигнализирует, когда прогнозы начинают расходиться с реальностью.

Madbrains работает с компаниями из розничной торговли, e-commerce, производства и дистрибуции. Если ваш бизнес управляет хотя бы несколькими сотнями SKU и хранит историю продаж за два года или больше — с этим уже можно работать. Оставьте заявку, и мы проведём бесплатную оценку ваших данных: скажем прямо, какого уровня точности реально достичь в вашем случае и за какой срок.