Искусственный интеллект в прогнозировании спроса: как работают ML-модели и что делать, когда прошлое не похоже на будущее

Алгоритмы машинного обучения (Machine Learning) давно перестали быть просто технологической новинкой, сегодня это базовый инструмент оптимизации запасов, планирования продаж и управления цепочками поставок. Они помогают анализировать гигантские массивы данных и выявлять скрытые закономерности быстрее и точнее человеческой интуиции.

Однако в мире постоянных турбулентностей, от санкций и пандемий до резких шагов регуляторов, бизнес всё чаще сталкивается с ситуацией, когда традиционные модели сбоят.

Чтобы ИИ приносил реальную пользу, руководству компании важно понимать два аспекта: как именно модели приходят к своим выводам и где проходит граница их возможностей, за которой требуется прямое участие человека.

Специально для Digital4food

Как устроен движок ML-прогнозирования: доступный ликбез

Главное отличие планирования спроса от большинства других бизнес-задач заключается в том, что мы работаем с временными рядами. Здесь критически важен хронологический порядок: продажи прошлых периода связаны с будущими.

Обычные статистические модели способны учитывать только историю прошлых продаж. Машинное обучение идет намного дальше: оно сопоставляет десятки взаимосвязанных факторов.

Какую информацию учитывает алгоритм?

Чтобы алгоритм дал точный результат, данные подготавливаются и подаются в модель по трем направлениям:

1. История и динамика продаж: объемы за предыдущие дни и недели, средние показатели за месяц, средневзвешенные тренды.
2. Календарный контекст: дни недели, праздники, предпраздничные дни, сезонные пики.
3. Внешние и внутренние стимулы: уровень цен, маркетинговые акции, активность конкурентов и даже погодные условия.

В чем сила ML?

Алгоритм самостоятельно выявляет незаметные человеку взаимосвязи, например, как именно комбинация дождя в пятницу и скидки в 10% влияет на продажи конкретной категории товаров.

Когда модели дают сбой: границы применения ML

Главное допущение любого машинного обучения: будущее будет в той или иной степени похоже на прошлое. В стабильные периоды модели идеальны. Но в эпоху «чёрных лебедей», редких, непредсказуемых событий с колоссальным влиянием, система сталкивается с ограничениями.

Существует три зоны, где ML-алгоритмы бессильны без поддержки человека:

1. Запуск новинок и отсутствие истории

Если товара раньше не было в ассортименте, у алгоритма нет исторических данных. Модель не знает его сезонности и не понимает, как покупатели отреагируют на старт продаж.

2. Шоки рынка и форс-мажоры

Пандемия, закрытие границ, резкие санкционные ограничения — всё это аномалии. Статистически их предсказать невозможно, так как прецедентов в обучающих данных просто не было.

3. Нерациональные экономические сдвиги

Действия регуляторов, резкие изменения ключевой ставки или законов создают парадоксы рынка, например, рост цен на фоне падения покупательной способности. Модель видит в этом нарушение логики.

Практическое руководство: как бизнесу строить прогнозирование в условиях неопределенности

Если математика не способна предугадать «чёрных лебедей», значит ли это, что ML бесполезен? Нет. Алгоритмы обладают высоким свойством адаптивности. Как только шоковое событие произошло и появились новые первые данные, модель быстро перестраивается под новую реальность.

Чтобы выстроить устойчивую систему планирования, топ-менеджменту стоит опираться на гибридный подход и соблюдать несколько правил:

1. Перейдите на концепцию «Человек в контуре»

Оптимальная стратегия: комбинация алгоритмов и экспертного управления.

• Модель отвечает за масштабируемость, рутинный математический расчет по тысячам позиций (SKU) и объективность.
• Эксперт (категорийный менеджер/аналитик) добавляет бизнес-контекст. При наступлении форс-мажора именно человек вручную вносит ограничения, переопределяет коэффициенты и задает сценарии развития.

2. Используйте товары-аналоги для новинок

Чтобы спрогнозировать спрос на новый продукт, алгоритмам задают логику «товаров-заменителей». Модель берет жизненный цикл и сезонность похожего товара из имеющейся категории и переносит эти паттерны на новинку, пока та не накопят собственную историю продаж за первые недели.

3. Разделяйте аномалии и реальные тренды

Во время ажиотажного спроса важная задача инженерно-аналитической команды очищать исторические данные. Если всплеск продаж был единичным аномальным сбоем, его исключают из обучающей выборки, чтобы в следующем году модель не спрогнозировала повтор несуществующего пика.

4. Инвестируйте в чистоту данных и регулярность переобучения

Машинное обучение — это не статичная программа, а динамический процесс. Чем чаще модель переобучается на свежих поступающих данных, тем быстрее она выходит из состояния шока после кризисов и возвращает точность планирования на целевой.

Заключение

Не стоит ждать от моделей машинного обучения чудес, особенно в нестабильное время. ML алгоритм не Кассандра, он не предсказывает будущее, он аккуратно рассчитывает вероятности на основе фактов.

Машинное обучение хорошо справляется там, где на показатель влияет множество факторов, где важна масштабируемость и где данные достаточно богаты, чтобы модель могла увидеть закономерности. Но ML‑подходы требуют дисциплины: аккуратной подготовки признаков, регулярного обновления моделей и прозрачной инфраструктуры вокруг них. Когда эти условия соблюдены, машинное обучение становится надёжным инструментом для прогнозирования спроса, продаж, трафика и других бизнес‑метрик. Оно не заменяет экспертизу, но позволяет опираться на данные в тех ситуациях, где интуиции уже недостаточно. Именно поэтому ML‑прогнозирование сегодня — рабочая технология, которая приносит измеримую пользу компаниям, готовым инвестировать в качество данных и инженерный процесс.