Прогнозирование спроса — одна из тех задач, где бизнес особенно рассчитывает на искусственный интеллект. Кажется логичным: если модель обучить на продажах, сезонности, погоде и сотне других факторов, она должна точно предсказывать, что и когда купят клиенты.
Но реальность оказывается сложнее. ИИ действительно помогает, но не всегда так, как ожидают компании. В статье мы разбираем три кейса, где ожидания столкнулись с ограничениями данных и природы спроса.
Хлебозавод: когда ассортимент мешает прогнозу
Производитель с более чем 700 SKU хотел ежедневный прогноз по каждой позиции. Но продажи в разрезе отдельных номенклатур оказались слишком разреженными — модель не может предсказать то, что почти не продаётся регулярно.
Решение: агрегировать данные до уровня категорий и… пересмотреть ассортимент. Иногда ML показывает не только прогноз, но и то, что ассортимент слишком раздут.
Товары для сада: погода помогает, но только в коротком горизонте
Компания ожидала прогноз на два месяца вперёд с учётом погодных условий.
Но достоверный прогноз погоды существует максимум на 14 дней. Всё, что дальше — статистика, а не реальный прогноз.
ИИ работает отлично, но только в рамках тех данных, которые действительно существуют.
Производитель алкоголя: данные конкурентов — это актив, а не бесплатный ресурс
Компания хотела учитывать продажи конкурентов, чтобы оценивать потенциал роста. Но данные конкурентов — платный цифровой актив. Их покупка резко увеличивает стоимость проекта и делает его экономически сомнительным.
Иногда лучше начать с того, что уже есть внутри компании.
Что важно помнить, внедряя ИИ‑прогнозирование
- Чётко формулируйте задачу и горизонт.
- Оценивайте качество данных — ML не исправит хаос.
- Обучайте команду, чтобы ожидания были реалистичными.
ИИ — мощный инструмент, но не волшебная палочка. Он работает лучше всего там, где данные полные, стабильные и отражают реальность бизнеса.