Предиктивная аналитика простыми словами: задачи, методы, данные и порядок внедрения

Что такое предиктивная аналитика простыми словами

Предиктивная аналитика это прогноз будущих событий по прошлым данным. Модель смотрит, как вели себя продажи, оборудование или клиенты раньше, учитывает внешние факторы и выдает оценку: сколько продадим, когда сломается, кто уйдет.

Обычная отчетность отвечает на вопрос «что было». Директор видит, что в марте списали на 2 млн рублей продукции, но эти деньги уже потеряны. Предиктивная аналитика отвечает на вопрос «что будет» и дает время действовать: закупить меньше, перенести ремонт на выходные, позвонить клиенту до того, как он ушел к конкуренту.

Важная деталь: прогноз сам по себе денег не приносит. Деньги приносит решение, которое по нему принимают. Поэтому система предиктивной аналитики это не только модель, а цепочка от данных до действия в процессе.

Если нижние слои не готовы, верхним не на чем работать. Чаще всего проект упирается не в выбор алгоритма, а в то, что продажи лежат в одной базе, остатки в другой, а справочники товаров в них не совпадают.

Какие задачи решает предиктивная аналитика

Четыре задачи покрывают большую часть того, за что платит средний бизнес.

Прогноз спроса и продаж. Сколько единиц каждого товара продадим в каждой точке на каждый день или неделю. Из прогноза следуют закупки, производственный план, запасы на складе, график смен. Это самая массовая задача: по запросу «прогнозирование спроса» в Wordstat около 4 тысяч показов в месяц, почти столько же, сколько по самой «предиктивной аналитике».

Предсказание поломок оборудования. Предиктивное обслуживание оборудования это ремонт по фактическому состоянию. Датчики вибрации, температуры, давления и тока показывают, как ведет себя узел, модель замечает отклонения, которые обычно предшествуют отказу. По оценке Deloitte, в среднем предиктивное обслуживание повышает производительность на 25%, сокращает поломки на 70% и снижает затраты на обслуживание на 25%. Это усредненная оценка консультантов, а не гарантия для конкретного завода.

Отток клиентов. Модель оценивает вероятность, что клиент перестанет покупать или не продлит договор: по частоте покупок, среднему чеку, обращениям в поддержку, просрочкам оплаты. Менеджер получает короткий список тех, кому нужно позвонить на этой неделе.

Качество продукции. По параметрам процесса (температура, скорость линии, партия сырья, смена) модель предсказывает вероятность брака до того, как партия ушла на склад. Это ближе к производству, и данных здесь нужно больше всего.

Методы предиктивной аналитики: что выбрать без перегруза

Методов десятки, но для бизнес-задач хватает трех семейств. Выбор зависит от объема данных и числа факторов, а не от моды.

Временные ряды

Классические статистические модели (экспоненциальное сглаживание, ARIMA и их родственники) смотрят на один ряд: продажи товара по дням. Они видят тренд, сезонность, дни недели. Подходят, когда рядов немного, история короткая или нужно быстро получить разумную базовую линию. Хорошее бесплатное введение в эти методы и в оценку точности есть в учебнике Хайндмана «Forecasting: Principles and Practice».

Градиентный бустинг

Ансамбль деревьев решений (LightGBM, XGBoost, CatBoost) учится сразу на всех товарах и точках и легко принимает внешние факторы: цену, акции, погоду, праздники, остатки. Для прогноза спроса в рознице и общепите это сейчас рабочий стандарт. Показательный пример: в международном соревновании M5 участники прогнозировали продажи Walmart по 42 840 рядам. Практически все топ-50 команд использовали LightGBM, все они улучшили точность лучшего статистического бенчмарка более чем на 14%, а победитель на 22,4% (Makridakis и соавторы, International Journal of Forecasting, 2022).

Бустинг хорош и для оттока клиентов, и для прогноза брака: везде, где данные лежат таблицей с десятками признаков.

Нейросети

Нейросети нужны, когда данных много и они сложные: сигналы с датчиков с высокой частотой, тексты отзывов, изображения. В предиктивном обслуживании они разбирают вибрацию и звук, в прогнозе спроса помогают учесть отзывы и неочевидные связи между товарами. Цена: больше данных, дольше обучение, сложнее объяснить результат.

На практике мы почти всегда начинаем с простой модели как точки отсчета, потом пробуем бустинг и только при явном выигрыше идем в нейросети. Если сложная модель не обыгрывает простую в рублях, ее не стоит внедрять.

Какие данные нужны и сколько истории

Для прогноза спроса хватает того, что уже есть почти у любой компании:

• продажи по товару, точке и дню, а лучше по чекам;
• остатки, чтобы отличить «не было спроса» от «не было товара на полке»;
• цены и акции, иначе модель примет всплеск от скидки за рост спроса;
• календарь: праздники, выходные, школьные каникулы, дни зарплат;
• внешние факторы: погода, события рядом с точкой, отзывы.

Сколько истории нужно: минимум два полных года, чтобы модель дважды увидела сезонность. Три года лучше. Для новых товаров истории нет, их прогнозируют по похожим позициям и уточняют по первым неделям продаж.

Для предсказания поломок картина другая. Нужна телеметрия с оборудования и журнал ремонтов, где записано, что именно сломалось и когда. Модели нужно увидеть достаточно отказов, а на хорошем заводе их мало. Если датчиков нет, первым шагом будет их установка и сбор данных, а модель появится позже. Об этом честнее сказать до старта, чем продать красивый пилот.

Персональные данные клиентов для задач оттока мы обезличиваем до того, как они попадут в модель, а чувствительные данные держим на моделях в контуре заказчика. Работаем под NDA.

Как мерить точность и переводить ее в рубли

«Точность 90%» звучит убедительно, но ничего не говорит о деньгах. Нужны три вещи.

1. Понятная метрика ошибки. Для спроса обычно берут среднюю процентную ошибку (MAPE) или взвешенную по объему (WAPE): она честнее, потому что ошибка на ходовом товаре важнее ошибки на позиции, которая продается раз в неделю. Подробно метрики разобраны в главе учебника Хайндмана о точности. Отдельно смотрят смещение: систематически ли модель завышает или занижает прогноз. Завышение дает списания, занижение дает пустые полки.

2. Сравнение с тем, как прогнозируют сейчас. Базой служит не ноль, а текущий способ: «как в прошлом году плюс 10%» или опыт закупщика. Эффект это разница между ошибкой текущего способа и ошибкой модели.

3. Цена ошибки. Сколько стоит каждая лишняя единица (себестоимость списания, хранение) и каждая недостающая (упущенная маржа).

Пример расчета, условные цифры: сеть магазинов продает скоропортящейся продукции на 500 млн рублей в год, списания 6%, то есть 30 млн рублей. Если прогноз снижает списания на треть, это 10 млн рублей в год до учета дефицита. Если пилот стоит несколько сотен тысяч рублей, окупаемость понятна до старта. Если списания 0,5%, проект может не окупиться, и лучше искать другую задачу.

Для оборудования считают так же: сколько стоит час простоя линии, сколько аварийных остановок было за год, какую их долю модель могла бы предупредить.

Кейсы: рестораны и промышленность

Прогноз продаж блюд для сети ресторанов

Наш проект для сети ресторанов: система прогнозирует продажи каждого блюда. Модель учится на истории продаж за 3 года и учитывает погоду, отзывы в интернете и праздники. Кухня закупает и готовит под прогноз, а не «на глаз».

Результат: точность прогноза 90%+, пищевых отходов на 20% меньше. Проект занял 6,5 месяца. Главная работа была не в модели, а в данных: свести продажи из разных систем по блюдам и аккуратно учесть дни, когда блюдо снимали из меню.

Предсказание поломок и энергооптимизация в промышленности

Институт ИИ МФТИ в альманахе «ИИ в промышленности» 2026 года собрал российские кейсы с эффектом в рублях, мы подробно разобрали его в статье про ИИ в промышленности. Два кейса прямо про предиктивную аналитику:

• Предсказание поломок на ЧерМК Северстали. Модель следит за конвейерами горячекатаных рулонов. По данным альманаха, простой сократился на 7 часов, эффект 65 млн рублей.
• Энергетическая оптимизация установки. Модель подбирает режимы, при которых установка тратит меньше энергии. До 5% экономии энергии, 90 млн рублей в год. Это оценка МФТИ для типового обрабатывающего предприятия, а не результат конкретной компании.

Видно, что самые крупные суммы дает не предсказание поломок, а прогнозы в планировании: сколько и когда производить, закупать и везти. Авторы альманаха оговаривают, что не все заявленные цифры удалось проверить независимо, поэтому это ориентир масштаба, а не обещание.

Как внедрить предиктивную аналитику: порядок действий

Для компании без своей команды данных начинать стоит с задач, где эффект виден быстрее всего: прогноз спроса и закупок, прогноз продаж для производственного плана, отток клиентов. Данные для них уже лежат в 1С, кассе и CRM. Предсказание поломок и энергооптимизация дают крупный эффект, но требуют датчиков и долгой истории.

1. Найти, где теряются деньги. Списания, дефицит, простои, брак, уходящие клиенты. Нужна сумма потерь за год, хотя бы примерная. На бесплатном разборе процесса (30-40 минут) мы начинаем именно с этого.
2. Проверить данные. Есть ли история за 2-3 года, совпадают ли справочники, есть ли остатки и акции. Здесь же видно, что придется дособрать.
3. Посчитать эффект в рублях до старта и зафиксировать метрику, по которой сравним «было» и «стало».
4. Пилот на одном участке. Одна категория товаров, одна группа точек или одна линия. Срок пилота фиксируем после разбора, стоимость от 300 000 ₽, точная цена фиксируется после разбора и зависит от числа систем (1С, CRM, MES) и участков.
5. Встроить прогноз в процесс. Прогноз должен попадать туда, где принимают решение: в заказ поставщику, в план производства, в задачу менеджеру. Отдельный отчет, который никто не открывает, денег не приносит.
6. Масштабировать то, что подтвердилось, и переобучать модель на свежих данных.

Готовая система или своя модель

Система предиктивной аналитики бывает коробочной: модуль прогноза в учетной системе или отдельный сервис для ритейла. Это разумный выбор, когда задача типовая, например прогноз продаж в магазинах с обычным ассортиментом, а данные уже чистые.

Своя модель нужна, когда важны факторы, которых нет в коробке: погода и отзывы для ресторанов, стоимость переналадок для производства, специфика сырья. В проекте для сети ресторанов именно погода, отзывы и праздники дали модели то, чего не видно в одной истории продаж. Вторая причина: данные, которые нельзя отдавать во внешний сервис. Тогда модель работает в контуре заказчика.

Простой тест перед выбором: возьмите последние три месяца, попросите поставщика коробки и подрядчика сделать прогноз на них «задним числом» и сравните ошибку в рублях. Это дешевле, чем выбирать по презентациям.

Подробнее про этапы, сроки и бюджеты ИИ-проектов в целом в статье про внедрение ИИ в бизнес. Если прогноз нужен для производственного плана, смотрите разбор планирования производства с ИИ.

Типичные ошибки

• Начинать с технологии, а не с потерь. «Давайте внедрим нейросеть» без суммы потерь заканчивается красивой моделью без эффекта.
• Учить модель на продажах без остатков. Если товара не было на полке, продажи нулевые, и модель решит, что спроса нет. Прогноз будет заниженным и закрепит дефицит.
• Не учитывать акции и цены. Всплеск от скидки модель примет за рост спроса и закажет лишнее после акции.
• Мерить точность в процентах, а не в рублях. Модель может быть точной на мелочи и ошибаться на ходовых позициях, где каждая ошибка дорогая.
• Не сравнивать с текущим способом. Без базы непонятно, сколько дала модель, и проект невозможно защитить перед собственником.
• Оставить прогноз в отдельном отчете. Если закупщик продолжает заказывать по привычке, эффекта не будет. Нужны правила: когда человек может поправить прогноз и как это фиксируется.
• Обучить один раз и забыть. Меняется ассортимент, цены, поведение клиентов. Модель нужно регулярно переобучать и следить, не растет ли ошибка.
• Ждать предсказания поломок без датчиков. Без телеметрии и журнала отказов модели не на чем учиться. Сначала сбор данных, потом прогноз.

Частые вопросы