Нейросети и аналитика: как прогнозировать спрос без магии

Прогнозирование спроса нейросетями в 2026 году — это не магия и не «нейросеть всё угадает», а конкретная математическая задача: на основе истории продаж, сезонности, промо, погоды и действий конкурентов предсказать, сколько какого товара понадобится завтра, через неделю и через месяц. Точность таких прогнозов достигает 85–92%, тогда как классический Excel и «опыт менеджера» дают 60–65% — и каждый процент ошибки означает либо замороженные деньги на складе, либо упущенную выручку от дефицита.

В среднем бизнесе ежедневно принимаются десятки и сотни решений о закупках. Если на каждое уходит 10 минут ручного анализа — это часы ежедневно, и это часы, которые можно заменить автоматическим пересчётом. Крупные сети уже работают по этой модели: система прогнозирования Ленты ежедневно обсчитывает около 15 миллионов временных рядов для 2500 магазинов, а AI-прогноз Wildberries повысил точность с 62% (Excel) до 89%. В статье разбираем, как это работает, какие методы когда применять и как внедрить прогноз спроса без команды data scientist-ов.

Ключевое отличие ИИ-прогноза от Excel — не только в точности, но и в том, как модель работает: она пересчитывает прогноз ежедневно по мере поступления новых продаж, учитывает десятки факторов, которые человек физически не может держать в голове, и не устаёт. Это означает перераспределение ролей: аналитик из ручного обработчика данных превращается в стратега, который интерпретирует прогнозы и принимает решения.

В статье пройдём весь путь: от сбора данных до выбора метода (градиентный бустинг, трансформеры или ансамбли), разберём особенности прерывистого спроса и отраслевую специфику. Отдельно остановимся на том, как обойти ошибку «прогноз по продажам, а не по спросу» — когда дефицит маскирует реальный спрос, и модель не видит истинной картины.

Компании, которые закупают товар «по опыту менеджеров», сталкиваются с двумя бедами одновременно: часть позиций лежит без движения месяцами, а по другим случаются дефициты в самый пик сезона. В итоге заморожены деньги на складе, потеряны продажи и нервы. Причина — не в плохих менеджерах, а в том, что человеческий опыт хорошо работает в стабильном мире, но начинает давать сбои, когда рынок ускоряется и данных становится слишком много. В статье разбираем, как нейросети и методы машинного обучения повышают точность прогноза спроса до 92% и как внедрить это без отдельного штата data scientist-ов.

Зачем прогнозировать спрос точнее

Классическая картина: завхоз или категорийный менеджер смотрит на статистику прошлого месяца, добавляет «на глаз» 10% к самой ходовой позиции и формирует заказ. Результат: по одним позициям излишек (деньги заморожены в товаре, склад забит), по другим — дефицит (клиент уходит к конкуренту).

Прогнозирование спроса — это не угадывание. Это математическая задача: на основе десятков факторов (история продаж, сезонность, промо, погода, действия конкурентов, тренды поисковых запросов) предсказать, сколько какого товара понадобится завтра, через неделю и через месяц. Человек физически не может удержать в голове все эти взаимосвязи. Нейросеть — может.

Что даёт бизнесу точный прогноз:

• Оптимальный склад — нет излишков и нет дефицита;
• Экономия на закупках — заказ точно под спрос, а не с запасом;
• Планирование бюджета — понятно, сколько денег нужно на закупку через месяц;
• Снижение списаний — скоропорт и сезонное не лежат до истечения срока;
• Скорость реакции — прогноз обновляется автоматически, а не раз в месяц на коленке.

Почему Excel и опыт менеджера больше не работают

Excel — отличный инструмент. Для сводной таблицы, отчёта и простых расчётов он незаменим. Но как инструмент прогнозирования он исчерпал себя по трём причинам.

Первая: Excel работает с ограниченным числом факторов. Когда нужно учесть одновременно историю продаж за 3 года, сезонность по месяцам и дням недели, праздники, промо-акции, погоду, курс валюты и действия конкурентов — количество переменных взрывается, и Excel начинает тормозить на уровне логики, а потом и производительности.

Вторая: правило «на глаз +10% к популярным позициям» хорошо работает в стабильном бизнесе, но перестаёт, как только рынок дёргается. Акция конкурента, внезапный тренд в соцсетях, аномальная погода — и ручной прогноз летит мимо, а компания остаётся с товаром, который не покупают.

Третья: Excel не пересчитывается автоматически по новым данным. Каждый отчётный период менеджер вручную обновляет таблицу, и пока он это делает, реальность уже ушла вперёд. Нейросеть же пересчитывает прогноз хоть каждый час — по мере поступления новых продаж.

Горизонт прогноза: насколько далеко вперёд смотреть

Одна из первых ошибок при внедрении — пытаться предсказать всё сразу и надолго. На практике горизонт прогноза подбирается под задачу, и от него зависит и точность, и метод.

Короткий горизонт (день-неделя) нужен для оперативных задач: сколько товара отгрузить завтра, сколько людей поставить в смену, какие закупки сделать срочно. Здесь модели работают наиболее точно — точность 90%+ достижима, потому что влияющих факторов мало и они стабильны.

Средний горизонт (месяц-квартал) — это планирование закупок, бюджета и логистики. Здесь добавляется сезонность, промо-календарь и тренды. Точность ниже — 75–88%, но этого достаточно, чтобы избежать излишков и дефицитов.

Длинный горизонт (полгода-год) — стратегическое планирование: открытие новых точек, ассортиментная матрица, найм. Здесь прогноз неизбежно грубее (60–75%), и его лучше делать ансамблем моделей с учётом макроэкономики.

Практический вывод: не пытайтесь одним прогнозом закрыть все задачи. Разные горизонты требуют разных моделей и разного отношения к точности. Начинайте с короткого горизонта — там эффект виден быстрее всего и ошибки дешевле.

Как работают нейросети в прогнозах: бустинг, трансформеры, ансамбли

Когда говорят «прогноз на ИИ», под капотом обычно не одна модель, а несколько, работающих в связке. Общий принцип такой: алгоритм получает исторические данные, учится на них находить закономерности (как менялись продажи в зависимости от дня недели, сезона, температуры, промо) и выдаёт прогноз на следующий период.

Основные подходы, которые работают в 2026 году:

• Градиентный бустинг (CatBoost, XGBoost, LightGBM) — рабочая лошадка ритейла. Учитывает десятки признаков одновременно, устойчив к выбросам и пропускам данных, даёт высокую точность на типовых задачах;
• Нейросети-трансформеры — как те, что лежат в основе GPT и им подобных. Они умеют анализировать последовательности: временные ряды продаж по дням, сезонные волны и зависимости между товарами;
• Ансамбли — объединение нескольких моделей в одну систему (например, бустинг + нейросеть). Каждая модель сильна в своём, а вместе они дают прогноз точнее, чем по отдельности.

Пример из реальной практики: система прогнозирования «Группы Лента» ежедневно пересчитывает около 15 миллионов временных рядов для 2500 магазинов и 50 распределительных центров — вручную или в Excel это невозможно физически. Ещё один кейс: AI-прогноз для Wildberries повысил точность с 62% (Excel) до 89% (градиентный бустинг), и это напрямую конвертировалось в прибыль за счёт снижения количества распродаж и дефицита.

Какие данные нужны для точного прогноза

Качество прогноза напрямую зависит от качества и полноты данных. Чем больше факторов модель учитывает, тем точнее предсказание. Минимальный набор выглядит так:

Чем длиннее исторический период и чище данные, тем точнее прогноз. Но даже с неполной историей модель начинает давать результат заметно лучше, чем ручной метод. Данные не обязательно должны быть идеальными с первого дня — модель дообучается по мере накопления новых продаж и уточняет прогноз.

Прерывистый спрос и длинный хвост: что делать

Отдельная боль — товары, которые продаются редко и нерегулярно. Запчасть для старой модели техники, редкая комплектация, узкоспециализированный товар. Спрос на них идёт «пунктиром»: неделю ноль, потом одна продажа, потом месяц тишины. Классические методы прогнозирования на таких данных ломаются.

Почему это сложно: если товар продаётся в среднем раз в две недели, любая модель видит слишком мало точек данных, чтобы уловить закономерность. Простое среднее даёт бессмысленный результат, а сложная модель переобучается на шум.

Что работает для прерывистого спроса:

• Объединение похожих товаров в группы — прогнозируем не отдельный SKU, а группу с похожим поведением спроса;
• Учёт внешних факторов — сезон, ремонтный сезон, срок службы техники — они объясняют всплески лучше истории продаж;
• Модели для разреженных данных — методы, специально разработанные под intermittent demand (Croston, SBA, TSBF);
• Более широкий доверительный интервал — прогноз честно говорит «от 0 до 5 штук», и закупщик принимает решение с учётом риска.

Важно понимать: для длинного хвоста высокая точность недостижима в принципе — данных физически мало. Задача не в том, чтобы «угадать», а в том, чтобы задать правильный уровень страхового запаса и не держать лишнее на складе.

Методы прогнозирования: что выбрать

Не существует «одной идеальной модели» для всех задач. Выбор зависит от специфики бизнеса и объёма данных.

На практике для большинства компаний стартуют с градиентного бустинга: он быстро настраивается, даёт отличный результат на типовых данных и не требует многомесячного R&D. Трансформеры и ансамбли подключают, когда задача усложняется или точность нужно поднять ещё на несколько процентов.

Отраслевые особенности: где прогноз работает лучше всего

Эффект от внедрения прогнозирования сильно зависит от отрасли. Где-то он даёт кратную экономию, где-то — умеренную. Вот где отдача максимальная.

Ритейл и e-commerce. Самый очевидный кейс: тысячи SKU, высокая частота продаж, выраженная сезонность. ИИ-прогноз здесь снижает излишки на 25–35% и повышает доступность товара. Именно поэтому крупнейшие сети (Лента, Магнит, Ozon) давно используют ML-прогнозирование.

Дистрибуция и опт. Сложная логистика, длинные цепочки поставок, большие объёмы. Прогноз помогает не держать товар в трёх складах одновременно и планировать закупки у поставщиков заранее.

Производство. Прогноз спроса определяет план производства, закупку сырья и загрузку мощностей. Здесь важна точность на среднем горизонте — месяц-квартал.

HoReCa и фреш. Скоропорт, ежедневные закупки, жёсткие сроки. Прогноз напрямую сокращает списания: заказ ровно под спрос, без излишка, который завтра испортится.

Фармацевтика. Обязательный запас, но и высокий риск списаний из-за сроков годности. Прогноз помогает балансировать между доступностью и утилизацией.

ИИ против Excel-аналитика: замена неизбежна

В большинстве компаний прогнозирование спроса — это обязанность одного-двух «аналитиков», которые на деле являются продвинутыми пользователями Excel. Они строят сводные таблицы, сводят данные из CRM и 1С, накладывают сезонные коэффициенты и выдают прогноз — обычно раз в месяц. И это работает, пока факторов немного, а рынок стабилен.

Но стоит появиться цифровому конкуренту, который использует ИИ, — и картина меняется. Машинное обучение не просто считает быстрее. Оно видит закономерности, которые человек не замечает: как меняется спрос на конкретную позицию при определённой погоде, при изменении цены конкурента на 5%, при выходе обзора у блогера. Человек-аналитик не может держать это в голове и тем более обсчитывать вручную.

Это означает, что классический формат «аналитик + Excel» уступает модели «ИИ-прогноз + контроль человека». Нейросеть делает расчёт — человек проверяет и утверждает результат. Это не сокращение людей, а перераспределение: из ручного обработчика данных аналитик превращается в стратега, который интерпретирует прогнозы и принимает решения на их основе.

Что нейросеть делает уже сейчас:

• Ежедневный пересчёт прогноза — по мере поступления новых продаж;
• Учёт десятков факторов — от сезонности до погоды и промо;
• Разбивка по SKU и дням — от 100 до 15 млн позиций одновременно;
• Автоматическое дообучение — точность растёт с каждым месяцем;
• Алармы и рекомендации — «на этой позиции будет дефицит через 3 дня».

Выгоды для бизнеса: цифры

Когда речь идёт о переходе с опыта и Excel на прогноз на ИИ, компании получают измеримые результаты. По данным открытых кейсов и практики рынка на 2026 год:

• Точность прогноза повышается с 60–65% до 85–92% — в полтора раза меньше ошибок закупки;
• Складские излишки сокращаются на 25–35% — замороженные деньги возвращаются в оборот;
• Дефициты снижаются на 30–50% — меньше потерянных продаж и ушедших клиентов;
• Списания скоропорта уменьшаются на 20–30% — товар продаётся, а не выбрасывается;
• Время на формирование заказа — с часов до нескольких минут на проверку готового прогноза.

Таблица: где выгода ощутимее всего

Как внедрить за 6 шагов

Внедрение прогнозирования на ИИ — это не «купить коробку с программой», а проект, где первые результаты видны уже через несколько недель.

1. Аудит данных — собираем историю продаж, остатки, поставки за 2–3 года;
2. Очистка и подготовка — убираем дубли, пропуски, приводим к единому формату;
3. Выбор модели — подбираем алгоритм под тип данных и особенности бизнеса;
4. Обучение и пилот — обучаем на исторических данных и прогоняем на тестовом периоде;
5. Сравнение с текущим методом — замеряем точность модели и ручного прогноза;
6. Запуск в работу и дообучение — ИИ прогнозирует, а аналитик контролирует и утверждает результат.

Ошибки и риски

Главные грабли, на которые наступают при внедрении — и как их обойти.

• Прогноз по продажам, а не по спросу — если товара не было в наличии, продаж нет, и модель не видит реального спроса; нужно чистить данные от дефицита;
• Игнорирование промо и внешних факторов — без данных об акциях и конкурентах модель даст точность не лучше Excel;
• Слишком короткая история — меньше года данных не покажут сезонность; минимум 2 года;
• Модель как «чёрный ящик» — аналитик должен понимать, почему прогноз именно такой, иначе доверия не будет;
• Запуск без пилота — сразу на все товары и без сравнения с текущим методом; правильнее стартовать с пилота на одной товарной группе.

Чек-лист перед запуском

• Собрана и очищена история продаж минимум за 2 года;
• В данных учтены промо-акции, дефициты и сезонность;
• Выбран метод прогнозирования под специфику бизнеса;
• Развёрнут сервер/среда для модели (VPS или GPU-аренда);
• Проведён пилот на одной товарной группе;
• Замерена точность и сравнена с текущим методом;
• Настроены алерты об аномалиях и перекосах прогноза.

Частые вопросы