Найти в Дзене
Когда прошлое не похоже на будущее: ограничения моделей прогнозирования в эпоху “чёрных лебедей”
Модели машинного обучения стали ключевым инструментом для прогнозирования спроса, цен и динамики рынка. Они анализируют огромные массивы данных, выявляют закономерности и помогают принимать решения быстрее и точнее, чем человек. Но в периоды нестабильности и резких изменений даже самые продвинутые алгоритмы сталкиваются с ограничениями. Это не делает их бесполезными, наоборот, важно понимать, где именно проходит граница между возможностями модели и реальностью, чтобы использовать их максимально эффективно...
1 день назад
Как автоматизация меняет производство готовой еды: кейс, который показывает будущее отрасли
Рынок готовой еды в России переживает стремительный рост. В 2024 году его объём превысил 1 трлн рублей, в 2025 году приблизился к 1,14 трлн, а к 2026 году сегмент доставки готовой еды выходит на уровень более 1 трлн рублей. С учётом HoReCa совокупный рынок оценивается в 3,8 трлн рублей и имеет потенциал вырасти до 14 трлн в ближайшие годы. Такой масштаб делает точность планирования критически важной для производителей. На фоне роста ассортимента и увеличения числа торговых точек ручное планирование через Excel перестаёт работать...
2 недели назад
ИИ для прогнозирования спроса: три реальных кейса, которые ломают ожидания
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...
2 недели назад
ИИ – пузырь, или следующая индустриальная революция? В новостях об искусственном интеллекте всё чаще появляется слово «пузырь». Бум инвестиций, стремительное и порой чрезмерное внедрение новых технологий, а также общий хайп вокруг ИИ вызывают немало сомнений. Но чтобы увидеть полную картину, важно различать эффектные демонстрации приложений и инфраструктуру, которая создаётся медленно, но последовательно. В чем разница? Сейчас большинство разговоров об ИИ сосредоточено на приложениях, таких как ChatGPT, Claude от Anthropic или Grok от xAI. Люди реагируют на громкие анонсы, обещания огромной прибыли и прогнозы о радикальном изменении привычной жизни. Этот уровень индустрии растёт стремительно, но так же быстро и теряет воздух, потому что полностью зависит от ожиданий и доминирующих нарративов. Инфраструктурный уровень, производство GPU, строительство дата‑центров, системы охлаждения, работает по другим законам. Это фундамент, на котором держится вся экосистема, и он развивается под воздействием устойчивого спроса, а не мимолётных представлений и настроений. История показывает повторяющийся сценарий Ключевые общие технологии (железные дороги, электричество, интернет) требовали больших капитальных вложений задолго до появления ощутимых экономических эффектов. То, что со стороны выглядело как «пузырь», часто было фазой установки инфраструктуры. Дорогостоящей, но необходимой для последующего роста производительности. Сегодня основными инвесторами в инфраструктуру выступают прибыльные корпорации (Microsoft, Google, Meta, Amazon), которые финансируют CapEx из операционной прибыли, а не за счёт спекулятивного долга. Это снижает системные риски. Итог Говорить о «пузыре ИИ» слишком упрощённо. Да, в отрасли хватает завышенных ожиданий и неудачных инициатив, но значительная часть инвестиций сегодня направляется в реальную, капиталоёмкую инфраструктуру. Она уже приносит ощутимую пользу и вряд ли исчезнет вместе с очередным изменением настроений на рынке. Следите за обновлениями — впереди ещё разборы практических кейсов и выводы для бизнеса в сфере Data & AI
2 недели назад
Ключевые ИИ тренды, которые будут формировать 2026 год
ИИ перестал быть «технологией будущего» - он уже меняет работу, бизнес и науку. Coursera выделяет пять направлений, которые будут определять конкурентоспособность компаний в ближайшие годы. Генеративный ИИ как стандарт цифровых экосистем GenAI интегрируется в корпоративные и потребительские продукты на уровне базовой функции. Это меняет архитектуру сервисов: поиск, создание контента, аналитика и автоматизация становятся «по умолчанию» интеллектуальными. Рост корпоративных инвестиций и пересборка...
1 месяц назад
ИИ заберет мою работу? Спойлер: нет, но ваши задачи изменятся
Один из главных страхов при внедрении искусственного интеллекта и ML-систем - это мысль: «Вот сейчас алгоритм всё посчитает за меня, и я стану не нужен». Давайте развенчаем этот миф. ИИ не заменяет эксперта, он убирает из его работы «день сурка». До внедрения умных систем 80% времени специалиста по закупкам или прогнозированию уходит на рутину: выгрузить данные из 1C, свести таблички в Excel, проверить формулы, исправить ошибки ручного ввода. На подумать времени просто не остается. Что происходит после внедрения ИИ? Вместо «оператора Excel» сотрудник превращается в архитектора решений...
1 месяц назад
Как данные помогают пищевой промышленности принимать точные решения
Пищевая промышленность работает в условиях постоянных изменений: меняются потребительские предпочтения, усиливается конкуренция, растут требования к качеству, стабильности и эффективности процессов. Исследовательский анализ данных (ИАД) используется для решения прикладных задач: от прогнозирования спроса до оптимизации производственных режимов. В материале Datanomics разбираем, как выстраивается процесс ИАД в задачах пищевого производства: какие этапы он включает и как аналитика превращается в обоснованные изменения в бизнесе...
1 месяц назад
Иерархическое прогнозирование для бизнеса простым языком
Когда компания прогнозирует спрос, она делает это сразу на нескольких уровнях: по SKU, категориям, магазинам, регионам и всей сети. И вот где начинается хаос: эти прогнозы часто не совпадают друг с другом. Сумма прогнозов по SKU не бьётся с прогнозом по категории. Прогнозы по магазинам не складываются в прогноз по региону. В итоге логистика планирует одно, закупки другое, финансы третье. И каждый уверен, что именно его цифры правильные. Как это решается В нашей статье предлагаем согласовывать прогнозы между уровнями так, чтобы они были логичны и математически непротиворечивы...
1 месяц назад
Как интегрировать AI-прогнозирование в вашу систему: 3 шага от идеи до запуска
Современные предприятия продолжают внедрять передовые технологии для оптимизации своих бизнес-процессов. Использование облачных сервисов открывает новые возможности для построения более точных и адаптивных прогнозных решений. В статье Datanomics разбираем процесс интеграции облачного сервиса прогнозирования через REST API. Этап 1. Согласование спецификации передачи данных Для обучения алгоритмов нужна история: — продажи с касс или заказы контрагентов, — акции и изменения цен, — данные о поставках...
1 месяц назад
Почему точный прогноз спроса не гарантирует корректный автозаказ для розничной сети
Множество статей посвящено проблеме прогнозирования продаж и методам её решения. Однако при интеграции прогноза в систему автозаказа возникают практические сложности. Существуют факторы, которые препятствуют формированию корректного заказа; ниже перечислены некоторые из них и обозначены возможные пути решения. К сожалению, даже точный прогноз спроса не гарантирует правильного формирования заказа. Проблема Товар поступает без установленного графика: заказ оформляется лишь тогда, когда сотрудники магазина фиксируют отсутствие товара, а поставщик отгружает продукцию в удобное для себя время...
1 месяц назад
Автозаказ Datanomics в сети «Хорошее дело»: опыт и результаты
Почти год назад сеть магазинов «Хорошее дело» внедрила сервис ИИ‑автозаказа от Datanomics. Мы встретились с Марией Лаушкиной, старшим менеджером, и Никитой Ганченковым, менеджером IT‑проектов, чтобы поговорить о том, как изменились процессы, что оказалось самым сложным и какие результаты они видят сегодня. Datanomics (D): Каждый проект начинается с конкретной боли. Какая именно проблема стояла перед вами, когда вы решили внедрить сервис автозаказа Datanomics? Мария Лаушкина (МЛ): Нам нужна была автоматизация расчёта заказов в розничных точках...
5 месяцев назад
Выбор метрики качества в задачах прогнозирования спроса
При разработке систем прогнозирования товарных номенклатур (SKU) важным является выбор правильной метрики качества модели. Результат выбора непосредственным образом влияет на ценность решения. В данной статье рассмотрим популярные метрики качества в задаче прогнозирования, их свойства, а также интерпретируемость, а также приведем примеры учета цены ошибки, которая для разных товаров может существенным образом отличаться. Покажем, как получить среднюю (интегральную) интерпретируемую оценку качества модели прогнозирования всех товаров с разными объемами продаж...
5 месяцев назад