Предиктивная аналитика: инструкция по применению ИИ при прогнозировании

Представьте ситуацию: крупный производитель регулярно сталкивается с проблемой при продажах скоропортящихся продуктов питания. Их доставляют в торговые точки в согласованных объёмах, но часто та или иная часть товара остаётся нераспроданной и идёт под списание. При сокращении поставок продукции на полке не хватает. В итоге компания постоянно теряет часть дохода.

Как исправить ситуацию? С помощью прогнозной аналитики на основе ИИ. Вместе с экспертами из Сбер Бизнес Софт разбираемся, как её внедрить и от чего зависит точность прогнозирования.

Предиктивная (прогнозная, предсказательная) аналитика на основе ИИ — технология, которая с помощью накопленных данных, машинного обучения и искусственного интеллекта проводит анализ и строит прогнозы. Этот инструмент востребован практически во всех сферах, например:

• ретейл — для прогнозирования спроса и распределения товаров;
• промышленность — для снижения времени простоя оборудования;
• логистика — для расчёта времени доставки грузов;
• финансовая сфера — для расчёта платежей по кредитам.

По прогнозам Reports Insights Consulting, глобальный рынок предиктивной аналитики до 2030 года вырастет в 3,2 раза по сравнению с 2022 годом — до 44,3 млрд долларов.

«Прогнозирование нужно всем, однако его окупаемость зависит от оборотов компании, — отмечают эксперты Сбер Бизнес Софт. — Чаще всего к нам обращается средний, крупный и крупнейший бизнес».

Пример использования «Прогноза спроса»

От чего зависит точность прогнозов с применением ИИ?

Основные факторы:

• качество, состав и глубина данных компании;
• качество данных из открытых источников по рынку и конкурентам;
• горизонт и детализация прогнозирования;
• используемая модель прогнозирования;
• количество параметров, которые модель учитывает при анализе;
• глобальные внешние факторы.

Кейс: прогнозирование с помощью ИИ в «Абрау-Дюрсо»

Сбер Бизнес Софт разработал для компании инновационную ИИ-модель для долгосрочного годового планирования продаж и краткосрочного планирования на 10 недель.

Внедрение было разбито на три основных этапа:

• разработка ИИ-модели по предиктивной аналитике спроса для отдельной товарной группы на основе внутренних данных компании;
• создание ИИ-моделей прогнозирования спроса на весь ассортимент компании;
• улучшение всех реализованных прогнозных моделей за счёт расширения используемых ими параметров (сведения о динамике рынка, обезличенные данные о поведении покупателей и так далее).

По итогам реализации первого этапа ИИ-модель показала результаты, превзошедшие ожидания производителя. По оценкам экспертов компании, итоговая система позволит в два раза улучшить качество как долгосрочных, так и краткосрочных прогнозов на продукцию, что существенно снизит издержки хранения и списания испорченных товаров и повысит прибыльность бизнеса.

Компаниям, только начинающим внедрять у себя инструменты прогнозной аналитики, стоит обратить внимание на три аспекта.

Культура данных. Предиктивная аналитика основывается на исторических данных, которые есть у компании и на открытом рынке. Точность прогноза напрямую зависит от умения их собирать, хранить и анализировать. Например, если ID-номер в системе принадлежал разным товарам, работа с данными будет некорректной: информация о товарах объединится и прогноз окажется неверным.

Предмет прогнозирования. Важно учитывать оборачиваемость товаров. По продуктам, спрос на которые нестабилен (скажем, комплектующая деталь от промышленного оборудования), модели сложно понять зависимости, поэтому её прогноз может быть неточным. Все данные вроде бы есть, но событий с товаром довольно мало. Данные по изделиям, пользующимся стабильным массовым спросом, как правило, можно собрать легко, и качество прогноза по ним будет выше.

Открытость компании. Не всегда заказчики готовы раскрывать данные полностью. Иногда в распоряжении разработчиков моделей прогнозирования есть статистические данные о товаре, но сам он не называется. «Это сильно влияет на качество модели. Если аналитики не узнают, что это за продукт, то не смогут его кластеризовать, объединить с другими товарами, — объясняют эксперты Сбер Бизнес Софт. — Прежде всего это касается новинок, продажи которых прогнозируются по схожей продукции». Чтобы обеспечить высокое качество аналитики, Сбер Бизнес Софт со всеми клиентами подписывает соглашение о неразглашении, никак не переиспользует данные и после завершения работы удаляет их.

Как приступить к умному прогнозированию

Обычно внедрение системы предиктивной аналитики разбивают на несколько стандартных этапов.

1. Определение цели анализа.
2. Сбор данных.
3. Анализ данных и выявление закономерностей.
4. Разработка модели.
5. Развёртывание модели в среде компании.

Эксперты Сбер Бизнес Софт рекомендуют действовать пошагово, стартовав с пробного этапа и постепенно, с учётом получаемого эффекта, масштабируя модель.

Начните с пилотного запуска. Прежде чем приступить к полномасштабному развёртыванию системы аналитики, можно сперва опробовать технологию. Для этого Сбер Бизнес Софт проводит пилотные запуски: прогнозная модель разрабатывается для какой-либо отдельной группы товаров или локации. Такие пилоты требуют незначительных расходов и позволят оценить влияние современного прогнозирования на бизнес-показатели компании.

Используйте индивидуальную модель. Пока большинство компаний используют готовые решения и инструменты с классическими моделями — прогнозная модель уже есть, в неё только нужно загрузить данные заказчика. Однако эффективнее другой подход — разработка персональной прогнозной модели, которая учитывает весь набор данных организации, поведение её клиентов, внешние факторы и другие переменные. В этом случае она показывает прогнозы максимальной точности.

Регулярно обновляйте модель. Со временем методология прогнозирования улучшается, информации становится всё больше, накапливается опыт. Однако сама модель постепенно может терять в качестве: меняется поведение покупателей, состав товаров, сам рынок. Чтобы модель всё это учла, её нужно переобучить и заново запустить в среде заказчика. Периодичность таких обновлений зависит прежде всего от вида бизнеса и особенностей операционной деятельности компании.

Привлеките эксперта для оценки данных. «На данный момент ИИ не готов полностью заменить человека. Поэтому всё ещё необходимо, чтобы эксперт внутри компании также проверял данные и следил за их динамикой», — поясняют эксперты Сбер Бизнес Софт. Большого штата аналитиков это не требует, замечает они. Обычно это один специалист внутри компании.