Вопреки расхожему стереотипу, для запуска прогнозирования в бизнесе не нужны миллионные бюджеты и годы ожидания окупаемости. Получить ощутимый эффект можно уже через неделю, если сосредоточиться на простом: собрать и очистить минимальный набор данных, применить к нему статистические методы и встроить процессы прогнозирования в повседневную работу. Технический директор системного интегратора и разработчика Navicon Дарья Кагарлицкая рассказывает о нюансах запуска прогнозной функциональности аналитических проектов в бизнесе.
Новая роль прогнозирования
Еще десять лет назад прогнозирование в бизнесе воспринималось скорее как факультативная задача, связанная с долгосрочной стратегией и необходимостью иметь запас сценариев на случай колебаний рынка. Сегодня это отношение кардинально изменилось.
За последний год количество запросов на проекты в этом сегменте выросло примерно на треть, и это не случайный скачок. Бизнес научился собирать и хранить данные, выстраивать процессы их анализа, начал понимать, что прогноз — это не отвлеченная модель в Excel, а инструмент, который напрямую влияет на финансовый результат.
Геополитические катаклизмы действительно влияют на качество исторических данных, в связи с чем сомнения в возможности построения ML-моделей вполне обоснованы.
Тем не менее, от ML-моделей никто не отказывается — напротив, спрос на такие решения растет.
Кроме того, актуальность прогнозирования особенно заметна в условиях, когда экономика сталкивается с потрясениями: пандемия, разрывы цепочек поставок, рост ключевой ставки. Способность заранее оценить спрос, спрогнозировать объемы закупок или производства превращается в вопрос выживания. У компании может быть безупречный стратегический план, но при отсутствии гибких инструментов прогнозирования он превращается в фикцию. Именно поэтому сегодня запрос на быстрые и точные прогнозы формируют не только крупнейшие корпорации, но и средний бизнес, который еще вчера считал такую задачу избыточной.
Самое главное: прогнозирование перестало быть задачей, требующей многолетних инвестиций и сложных проектов по управлению ими. Распространено мнение, что без команды дата-сайентистов и громоздкой архитектуры построить качественный прогноз невозможно. На практике это не так.
Многие компании начинают с простых решений, основанных на статистических методах и базовых исторических данных, и уже на этом этапе видят ощутимый результат.
Кто готов к прогнозу?
Есть компании, которых можно отнести к зрелым игрокам. У них уже выстроены процессы планирования, системно собираются данные не только о собственных продажах, но и о полках, об остатках у клиентов, о промоакциях и их механиках. В России таких компаний немного — меньше 4%. Как правило, это крупные сети и онлайн-площадки, давно инвестирующие в аналитику. Для них прогнозирование — повседневная практика.
Вторая, самая многочисленная группа — компании, где процесс планирования существует, но данные собираются фрагментарно или в неполном объеме. Они знают, что такое прогноз спроса, умеют работать с показателями sell-in и sell-out, но при этом лишены доступа к полным данным по остаткам или промо. В таких условиях применение сложных алгоритмов машинного обучения не имеет смысла: модели требуют качественной истории, а без нее точность не повысится.
Зато, в качестве альтернативы, — даже аналитик без глубоких познаний в машинном обучении может использовать современную LLM для создания простейшей ML-модели. Такая схема дает прирост в точности и быстро окупается. При этом не нужно привлекать силы дата-сайентистов и тратить существенные ресурсы — время и финансы.
Наконец, есть компании, которые только начинают этот путь. У них нет систематизированной истории продаж, процессы планирования находятся на начальной стадии, хотя желание использовать передовые технологии присутствует. Но им — рано. Для них главная задача на первом этапе — не запуск сложных моделей, а создание основы: сбор и очистка данных, формирование хотя бы минимальной базы для статистического прогноза.
Именно для второй и третьей группы тема «дешевого» прогнозирования особенно актуальна. У таких компаний нет возможности тратить десятки миллионов на проекты с неопределенным горизонтом, но потребность в быстрой экономии и росте эффективности стоит остро.
И здесь важно донести простую мысль: прогнозирование — не разовая акция и не дорогая игрушка, а процесс, который можно выстроить пошагово, начиная с простых вещей и постепенно повышая уровень сложности инструментов.
Начать с малого
Первый шаг в прогнозировании всегда связан с данными. Любая модель, даже самая простая, отражает лишь то, насколько корректно подготовлена история продаж. Именно поэтому начинать имеет смысл с оценки того, что уже собрано. Даже базовый набор данных позволяет построить прогноз, который даст ощутимый прирост точности по сравнению с ручными экспертными оценками.
Начинать с малого означает проверять гипотезы и получать эффект постепенно. Не нужно сразу строить масштабное хранилище или инвестировать в интегрированные платформы. Достаточно собрать данные в легкий data lake, очистить их и применить базовые методы прогнозирования.
Качество данных всегда важнее сложности модели. Можно построить систему на основе самых модных ML-методов, но, если история продаж искажена промо-акциями или неполными данными, результат окажется бесполезным. И наоборот, простые статистические подходы на чистых данных способны обеспечить значимый рост точности, что конвертируется в сокращение складских запасов и высвобождение оборотного капитала.
Здесь уместно привести пример: компания, работающая с несколькими каналами сбыта, попробовала строить прогноз по всем направлениям сразу с помощью сложных моделей. В канале федеральных сетей точность действительно выросла, но в сегменте мелких клиентов алгоритмы не дали результата. Перейдя к простым статистическим методам именно для этого сегмента, компания повысила точность на 20% и тем самым добилась экономии, которую невозможно было получить даже с самыми современными технологиями.
Когда быстрый прогноз лучше сложного
В условиях быстро меняющегося рынка время становится критическим ресурсом. Если прогноз нужен к запуску новой партии продукции или к планированию поставок на ближайший месяц, бессмысленно ждать, пока команда специалистов соберет и обучит масштабную систему.
Именно поэтому в ряде ситуаций выбор в пользу быстрой опции оказывается ценнее дорогого и сложного. Прогноз, основанный на статистике последних периодов, обеспечивает более надежную основу для принятия решений. Его точность может быть ниже, но он соответствует реальности здесь и сейчас.
В ритейле это проявляется особенно ярко. Для крупных федеральных сетей, где продажи предсказуемы и объемы велики, оправдано использование сложных инструментов. Но в сегменте некрупных компаний или нишевых продуктов такие модели не работают: истории продаж слишком мало, промоактивности слишком хаотичны. Здесь простые методы дают больший эффект, потому что позволяют извлечь максимум из ограниченной информации.
Другой пример — компании, работающие с сезонным или подарочным ассортиментом. Если речь идет о прогнозе спроса на конкретную линейку к праздникам, важно не достичь идеальной точности, а избежать провалов с дефицитом или избыточных остатков. В таких сценариях быстрее и выгоднее использовать методы, которые обеспечат результат в течение дней, а не месяцев.
Технологии и инструменты
Технология в прогнозировании должна быть соразмерна задачам и объему данных. Начав с простого и дешевого, бизнес получает возможность двигаться дальше без риска погрузиться в бесконечные доработки. Такой прагматичный подход делает прогнозирование доступным даже для тех компаний, которые еще вчера считали его слишком дорогим и сложным.
Выбор инструментов для прогнозирования сегодня напрямую зависит от того, на какой стадии зрелости находится компания и какие задачи она решает в данный момент. Распространенное заблуждение состоит в том, что прогнозирование невозможно без внедрения дорогих корпоративных платформ, сложных хранилищ данных и целого штата аналитиков. На практике же большинство компаний начинают с того, что используют те решения, которые уже есть внутри.
В качестве основы вполне может выступать привычная BI-система. Ее возможностей достаточно, чтобы собирать данные, очищать их и запускать базовые статистические модели. Такой подход не требует масштабных инвестиций и позволяет проверить гипотезу в короткие сроки.
Принципиально важно, что прогнозирование не работает по классической модели waterfall, где проект планируется на годы вперед. Здесь подходит только итеративный подход. Сначала анализируется бизнес и поведение каналов продаж, затем готовятся данные, строится базовая модель, и уже после получения первых результатов происходит корректировка и дообучение. Такой цикл повторяется снова и снова, позволяя постепенно повышать точность прогнозов и подключать более сложные алгоритмы.
В этом контексте показателен пример компании из сферы потребительских товаров. На старте она ограничилась статистическим прогнозом по ключевым группам, не тратя время и средства на интеграцию тяжелых ML-инструментов. Результат проявился в течение первых месяцев: удалось сократить объемы избыточных остатков и оптимизировать логистику.
Уже после этого стало оправданным подключение более сложных методов, в том числе ансамблей моделей, но к этому этапу компания подошла с понятной экономикой и подтвержденным эффектом.
Бизнес-эффекты прогнозирования
С того момента, как компания начинает прогнозировать продажи, она прекращает работать «с колес« — в режиме, когда аврал из-за наплыва заказов сменяется простоями. Таким образом, компания переходит к эффективному использованию своих мощностей.
В первую очередь компании начинают иначе управлять складскими запасами. Снижение избыточных остатков означает высвобождение капитала, который раньше лежал в товарах мертвым грузом. В условиях высокой стоимости заемных средств это равносильно прямой экономии. Сокращаются и расходы на хранение: меньше площадей требуется для складирования, ниже затраты на обслуживание логистической инфраструктуры. Не менее ощутимый эффект дает оптимизация транспортных расходов. Когда прогноз точнее отражает реальный спрос, снижается количество экстренных доставок и возвратов, сокращается доля неэффективных маршрутов. По оценкам практических проектов, экономия на логистике может достигать 15%-25%. Для крупной сети или производителя это десятки миллионов рублей в год.
Прогнозирование также влияет на эффективность промо-активностей. Понимание того, как скидки или маркетинговые кампании отражаются на динамике продаж, позволяет планировать их более точно. Бизнес избавляется от привычки «стрелять в темноту» и начинает использовать бюджет там, где вероятность отклика выше. Это повышает отдачу от вложенных средств и делает маркетинговую стратегию предсказуемой.
Отдельный пласт эффектов связан с клиентским сервисом. Когда прогноз позволяет своевременно обеспечивать полку товарами, уровень удовлетворенности покупателей растет. Это снижает риск ухода клиентов к конкурентам и создает условия для устойчивого роста выручки. Здесь срабатывает простая зависимость: если товар всегда доступен, клиент возвращается.
В совокупности все эти изменения приводят к росту финансовых показателей. Улучшение прогнозирования способно добавить 1%-3% к выручке и 2%-6% к операционной прибыли. Для компаний, работающих в условиях низкой маржинальности, это разница между убыточностью и устойчивым развитием.
Риски и ограничения
Быстрые методы прогнозирования дают эффект именно потому, что они просты, но простота всегда несет риски. Главный из них связан с качеством исходных данных. Если история продаж искажена акциями, если остатки фиксируются нерегулярно, если нет понимания, какие товары выводились из ассортимента или по каким причинам менялась цена, то и прогноз окажется неточным. В лучшем случае он даст иллюзию контроля, в худшем — приведет к неверным решениям и прямым убыткам.
Другой риск — завышенные ожидания от технологий. Нередко компании рассчитывают, что одна модель способна решить все проблемы сразу. На практике прогнозирование всегда связано с вероятностной природой данных. Даже самая совершенная модель имеет погрешность, и вопрос заключается в том, насколько она допустима для конкретной отрасли и бизнес-задачи.
Нельзя забывать и о факторе скорости. Быстрые прогнозы хороши в условиях турбулентности, но, если речь идет о долгосрочных инвестиционных планах или крупных капитальных проектах, простые методы не подходят. Здесь без глубокого анализа и сложных алгоритмов не обойтись. Ошибка в прогнозе спроса на горизонте нескольких лет может стоить компании значительно дороже, чем вложения в полноценную систему.
***
Прогнозирование из привилегии крупных корпораций с определенными бюджетами и штатом дата-сайентистов становится практическим инструментом для повышения финансовой устойчивости бизнеса любого масштаба. Достаточно начать с простых прогнозных моделей, для создания которых можно использовать доступные всем LLM, и сразу получить ощутимый результат. Но важно подходить к этому процессу поэтапно, с умом — даже самая прогрессивная и сложная модель будет бесполезна, если исходные данные некачественные.
