Предиктивная аналитика

Решения на опережение

Прогноз отвечает на один практичный вопрос: что произойдёт дальше и что с этим делать уже сегодня. Модель учится на ваших исторических данных - продажах, заявках, платежах, обращениях в поддержку - и выдаёт оценку: какой будет спрос на следующей неделе, кто из клиентов вот-вот уйдёт, какая сделка зависнет, где склад затоварится. Вместо отчёта о прошлом вы получаете подсказку к действию: сколько дозаказать, кому позвонить, какой платёж придержать.

За 6 лет мы внедрили прогнозные модели в розницу, оптовую дистрибуцию, сервис и онлайн-услуги в Казахстане. Типичная отдача на проектах: точность прогноза спроса по ходовым позициям 82-91 % (метрика WAPE 9-18 %), снижение неликвидных остатков на 15-30 %, удержание 8-14 % клиентов из группы риска оттока. Эти цифры мы не обещаем по умолчанию - считаем окупаемость до старта на ваших данных, и если она не сходится, проект не берём.

Работаем удалённо по всему РК. Данные обычно берём из 1С, Kaspi, Halyk (Homebank), amoCRM и Bitrix24 - то, что у вас уже накоплено и чаще всего простаивает. ИИ для бизнес-аналитики начинается не с алгоритма, а с честной ревизии этих данных: сколько их, насколько они чистые и на какие решения реально влияют.

Где даёт эффект, где рано

Простое правило: прогноз окупается там, где решений много, они повторяются и стоят денег. Разовые или штучные решения дешевле оставить человеку - модель на двух-трёх примерах в месяц не научится ничему, кроме как повторять среднее.

Что прогнозируем

Берём задачи, где ошибка стоит денег, а решений много. Под каждую - отдельная модель на ваших данных, со своей метрикой и своим адресатом внутри компании.

• Спрос по товарам и услугам - на 1-12 недель вперёд, с учётом сезона, акций и праздников. Закупщик видит, сколько заказать по каждой позиции, а не по «ощущению» прошлого месяца.
• Отток клиентов - список тех, кто с высокой вероятностью уйдёт в ближайший месяц, с причиной сигнала: упала частота заказов, вырос интервал, перестал отвечать на рассылки. Retention-команда звонит до ухода, а не вдогонку.
• Закрытие сделок в CRM - вероятность по каждой сделке в amoCRM или Bitrix24. Менеджер тратит время на сделки, что реально закроются, а «висяки» уходят в отдельную очередь.
• Риск просрочки и неплатежа - по дебиторке и рассрочкам Kaspi и Halyk. Финотдел видит, у кого высок шанс уйти в долг, и заранее меняет условия отгрузки.
• Остатки и пополнение - точка заказа и страховой запас по каждой позиции и складу. Меньше замороженных денег в неликвиде и меньше упущенных продаж из-за пустых полок.
• Динамическая цена - рекомендация по цене с учётом спроса, остатка, срока годности и цен конкурентов. Уценяем то, что зависает, и держим маржу там, где спрос стабилен.
• Нагрузка и заявки - пики обращений в поддержку и на доставку. Графики смен ставите под реальный спрос, а не наугад.
• Кассовые разрывы - прогноз остатка денег на счетах на 2-6 недель вперёд. Платёж придерживаете до того, как касса уйдёт в минус.

Список не обязан внедряться целиком. На старте берём одну задачу с понятной ценой ошибки, доводим её до результата в деньгах, и только потом добавляем следующую - так пилот окупается быстрее и команда успевает перестроить процесс.

Термины без воды

Прогнозная аналитика

Оценка будущих событий по прошлым данным. Не гадание - статистика и машинное обучение на ваших цифрах. Отвечает на вопрос «что будет», тогда как обычные отчёты отвечают «что было».

Отток (churn)

Доля клиентов, переставших покупать. Модель оттока ищет их до ухода, пока ещё можно вернуть скидкой, звонком или сменой условий.

WAPE

Средняя взвешенная ошибка прогноза в процентах. WAPE 12 % означает, что в среднем прогноз спроса отклоняется на 12 % от факта. По ней удобно сравнивать точность между товарами с разным объёмом продаж.

Скоринг

Оценка объекта числом, обычно от 0 до 100: вероятность покупки, ухода, просрочки. Помогает расставить приоритеты - кому звонить первым, какую сделку вести плотнее.

Горизонт прогноза

На сколько вперёд считаем - неделя, месяц, квартал. Чем дальше горизонт, тем выше ошибка, поэтому закупку считаем на недели, а тренды и бюджет - на кварталы.

Сезонность

Повторяющиеся всплески и спады: праздники, зарплатные дни, лето, Наурыз. Модель учитывает их, чтобы не путать сезонный рост с настоящим изменением тренда.

Точка заказа

Уровень остатка, при котором пора пополнять позицию, чтобы не уйти в дефицит до прихода поставки. Модель считает её отдельно для каждого SKU с учётом сроков доставки.

На каких данных работает

Прогноз настолько хорош, насколько хороши данные под ним. Минимум для спроса - история продаж по позициям хотя бы за 12 месяцев, чтобы модель увидела хотя бы один полный сезонный цикл. Для оттока и скоринга сделок нужна не столько длина истории, сколько объём событий: около 1000 клиентов с историей покупок или 500 закрытых сделок с понятными статусами «выиграно/проиграно».

Идеальных данных не бывает почти ни у кого, и это нормально. Чаще всего мы видим типовой набор проблем: продажи в 1С, а клиентская база в amoCRM, и они не сведены по одному ID; один товар заведён под тремя артикулами; возвраты и оптовые отгрузки лежат вперемешку с розницей; периоды дефицита выглядят как «падение спроса», хотя на самом деле товара просто не было на полке. Каждая такая мелочь искажает прогноз, поэтому подготовка данных - это не формальность, а большая часть проекта.

Отдельно смотрим на внешние факторы, которые двигают спрос в РК: акции и распродажи, зарплатные и пенсионные дни, праздники и длинные выходные, курс валют для импортных позиций, погода для сезонных товаров. Часть из них вы знаете заранее (календарь акций, праздники) - их модель использует как «известное будущее» и считает точнее. Чего модель знать не может - резкого изменения закона, ухода крупного поставщика, форс-мажора, - то остаётся зоной ответственности человека, и мы это честно проговариваем.

Готовые сервисы или своя модель

Мы не топим за один вариант. Если задачу закрывает готовый сервис или даже грамотная формула в 1С - так и скажем, это честнее и дешевле для вас. Своя модель оправдана там, где ошибка прогноза стоит ощутимых денег и где типовые решения не учитывают вашу специфику: рассрочки Kaspi, оптовые и розничные каналы в одной базе, длинный цикл сделки. Нередко итог - связка: числовая модель считает прогноз, а LLM объясняет его команде человеческим языком.

Интеграции и данные в РК

Прогноз бесполезен в отдельном дашборде, который никто не открывает. Поэтому результат заводим туда, где команда уже работает. Рекомендации по закупке и точки заказа отдаём в 1С, скоринг сделок и метки оттока - в amoCRM или Bitrix24, списки клиентов из группы риска присылаем в WhatsApp или Telegram ответственному менеджеру. Данные забираем из тех же источников: выгрузки 1С, кабинеты Kaspi (Магазин, Pay, рассрочки) и Halyk Homebank, экспорт из CRM, при необходимости - Google-таблицы и учётные системы, которые уже стоят у вас.

Данные клиентов и платежей - чувствительная зона, поэтому работаем по закону РК «О персональных данных»: берём только то, что нужно для задачи, обезличиваем где возможно, фиксируем, кто и зачем имеет доступ. По согласованию модель и хранилище разворачиваем на вашей стороне или на сервере в Казахстане, чтобы данные не уходили за периметр без явного решения. Если для скоринга требуются персональные данные клиентов - заранее проговариваем основания обработки и согласие.

Реалии бизнеса в РК учитываем сразу: ИП и ТОО с разной детализацией учёта, ЭСФ и счета-фактуры как источник данных по отгрузкам, рассрочки Kaspi и Halyk как фактор риска неплатежа, двуязычие рус/каз в текстовых данных. Это та локальная конкретика, из-за которой шаблонный зарубежный сервис часто промахивается, а модель на ваших данных - нет.

Готовы ли ваши данные

Перед стартом проверьте по списку. Чем больше галочек - тем точнее прогноз и короче запуск. Пустые пункты - не приговор, а просто работа для этапа аудита.

• ☑ История продаж или заявок минимум за 12 месяцев
• ☑ Данные в одном месте или выгружаемы: 1С, CRM, Kaspi-кабинет, Halyk
• ☑ Позиции и клиенты опознаются по ID или артикулу, без дублей
• ☑ Возвраты, опт и розница различаются в выгрузке, а не свалены вместе
• ☑ Известны прошлые акции, праздники, периоды дефицита - модель учтёт всплески и провалы
• ☑ Понятно, кто принимает решение по прогнозу: закупщик, РОП, финдиректор
• ☑ Есть метрика успеха: остатки, оборачиваемость, удержание, выручка, маржа
• ☑ Решений по этой задаче реально много и они повторяются

Если половина пунктов пустая - это типичная стартовая точка, а не повод откладывать. Аудит на старте покажет, что чинить в первую очередь, а где данные уже рабочие и можно сразу считать пилот.

Ориентиры по цене и срокам

ROI считаем на ваших цифрах. Грубый пример для дистрибуции: склад на 200 млн ₸, из них около 18 % зависает в неликвиде. Снижение неликвида даже на 20 % высвобождает порядка 7 млн ₸ оборотных средств плюс экономит на списаниях и хранении. На таком масштабе пилот за 700 тыс. ₸ окупается за один-два сезона - и это консервативная оценка. Для маленького оборота арифметика обратная, поэтому мы и начинаем с аудита, а не с продажи модели.

Где обычно спотыкаются

Самая частая ошибка - ждать от модели стопроцентной точности и разочаровываться при первом промахе. Прогноз - это не пророчество, а смещение шансов в вашу пользу: он не угадает каждый день, но в среднем по сотням позиций ошибётся заметно меньше, чем человек с интуицией. Поэтому метрику успеха мы фиксируем заранее (например, WAPE и уровень неликвида) и сравниваем модель не с идеалом, а с тем, как вы решали раньше.

Вторая ловушка - внедрить прогноз, но не поменять процесс. Если закупщик по привычке заказывает «как всегда», а список клиентов из группы риска никто не обзванивает, эффекта не будет, какой бы точной ни была модель. Поэтому на внедрении мы не просто отдаём цифры, а встраиваем их в ежедневную работу и договариваемся, кто и по какому сигналу действует.

Третье - забыть про дрейф данных. Ассортимент меняется, появляются новые каналы, поведение клиентов смещается, и модель, обученная год назад, потихоньку устаревает. Без регулярной калибровки точность сползает незаметно. Мы следим за ней на сопровождении и переобучаем модель при смене сезона или ассортимента - это дешевле, чем разово «внедрить и забыть», а потом гадать, почему прогноз перестал попадать.

Как это выглядит на практике

Интернет-магазин на Kaspi, около 4 тысяч SKU, держал запас «на глаз»: ходовые позиции периодически кончались в пик акций, а сезонные зависали до уценки. Из истории заказов и кабинета Kaspi за полтора года мы собрали модель спроса с горизонтом на 4 недели, разметили распродажи и праздничные дни. На проверке по прошлым периодам WAPE по топовым позициям вышел около 13 %. Дальше - рекомендации по заказу прямо в выгрузку для закупщика и сигнал в Telegram, когда позиция подходит к точке заказа. За сезон доля неликвида снизилась примерно на четверть, а дефицит по ходовым товарам в акции стал редкостью.

Производитель-дистрибьютор из РК работал с отсрочками платежа и регулярно ловил кассовые разрывы. Мы собрали прогноз поступлений по дебиторке на 6 недель вперёд на основе истории платежей в 1С и поведения клиентов по рассрочкам. Финансист стал видеть провалы заранее и сдвигать собственные платежи или подключать овердрафт до того, как касса уходила в минус. Параллельно скоринг риска неплатежа подсветил несколько клиентов, которым отгрузку перевели на предоплату.

Важная деталь в обоих случаях: модель не приняла ни одного решения сама. Она убрала рутину и слепые зоны - что заказать, кому позвонить, какой платёж придержать, - а контракты, переговоры и итоговый выбор остались за людьми. Так и должно быть: ИИ для бизнес-аналитики усиливает команду, а не подменяет её.

Этапы работы

Цены и характеристики

Ответы на частые вопросы