ИИ-прогнозирование спроса продают как кнопку «включить и забыть», но по опубликованному кейсу epsilonmetrics.ru на 30 000 SKU (аптечная сеть 200+ точек и розница товаров для дома 50+ точек на 1С:УТ) единая модель на весь ассортимент давала ошибку прогноза (MAPE) 18%, при этом скрывая, что по аптечным товарам ошибка была всего 8%, а по товарам для дома доходила до 27%. По прогнозу Gartner (пресс-релиз, сентябрь 2025), к 2030 году 70% крупных организаций будут использовать ИИ-прогнозирование спроса, но переход на цифру, а не на управляемый процесс, чаще всего и создаёт разочарование. Ниже: как измерять точность прогноза, пять типичных ошибок внедрения из реального кейса и алгоритм, который снижает риск закупить лишнее или не довезти нужное.
Почему ИИ-прогноз разочаровывает при внедрении
Первая причина, самая частая: одна модель ставится на весь разнородный ассортимент. В упомянутом кейсе спрос на аптечные товары устойчив и сезонен предсказуемо, а спрос на товары для дома резко зависит от промоакций и праздников, и усреднённая модель одинаково плохо описывает оба паттерна. Вторая причина: модель интерпретирует нулевые продажи при дефиците товара на складе как «спрос упал», а не как «товара не было», и после этого сама занижает будущие закупки, усиливая дефицит по кругу. Третья причина: модель без регулярного переобучения теряет точность на 30-40% за 3-6 месяцев из-за естественного дрейфа данных (изменение ассортимента, цен, поведения покупателей), а переобучение редко закладывают в бюджет проекта заранее.
Модель: как измерять точность прогноза до внедрения и после
Стандартная метрика точности прогноза спроса, MAPE (Mean Absolute Percentage Error, средняя абсолютная процентная ошибка): она показывает, на сколько процентов в среднем прогноз отклоняется от факта. MAPE 18% в целом по ассортименту, это недостаточная информация для решения: нужно смотреть MAPE отдельно по каждой товарной категории или домену, потому что усреднённая цифра маскирует провал в конкретном сегменте, как в примере с товарами для дома (27% против 8% по аптеке). Точность также нужно замерять отдельно на новых товарах без истории продаж (холодный старт) и на позициях с частыми перебоями поставок, потому что именно там модель ошибается больше всего.
Алгоритм: как внедрять прогнозирование спроса без завышенных ожиданий
Шаг 1. Разделить ассортимент на домены с разной природой спроса. Товары с устойчивым регулярным спросом, товары, чувствительные к промо и сезону, и новые позиции без истории требуют разных моделей или хотя бы разных настроек одной модели, а не одного усреднённого прогноза.
Шаг 2. Замерять MAPE по каждому домену отдельно, а не только в целом по компании. Общая цифра точности может выглядеть приемлемо, пока не видно, что она держится за счёт одного сильного сегмента при провале другого.
Шаг 3. Явно обработать периоды дефицита в исторических данных. Нулевые продажи из-за отсутствия товара на складе нужно исключать или помечать отдельно, иначе модель обучится считать дефицит нормальным уровнем спроса и будет закупать меньше нужного.
Шаг 4. Заложить регулярное переобучение модели в план и бюджет. Модель без переобучения теряет точность не через год, а через несколько месяцев, и это не единоразовый проект, а постоянная операционная задача с ответственным и календарём.
Шаг 5. Оставить интерфейс ручной корректировки для аномальных случаев. Ребрендинг, логистический сбой у поставщика, разовая крупная акция, ни одна модель не предскажет это по историческим данным, и решение должно остаться за человеком для 3-5% нетипичных ситуаций, а не быть полностью автоматическим.
Иллюстрация: эффект после разделения моделей по доменам
По данным опубликованного кейса epsilonmetrics.ru: до разделения ассортимента на домены единая модель на 30 000 SKU показывала MAPE 18% в среднем по всей компании, но эта цифра маскировала провал по домену «товары для дома» (промо-чувствительный спрос), где реальная ошибка достигала 27%. После перехода на трёхуровневый ансамбль моделей с раздельными настройками по доменам итоговая точность составила 11% в среднем: 8% по устойчивому аптечному домену и 14% по домену товаров для дома. Разница между 18% (со скрытым провалом) и 11% (с видимой и управляемой картиной по каждому домену), это не абстрактный процент, а прямое снижение объёма как замороженных в излишках денег, так и упущенной выручки от дефицита.
Типичные ошибки при внедрении ИИ-прогнозирования спроса
| Ошибка | Последствие | Что делать вместо этого |
|---|---|---|
| Одна модель на весь разнородный ассортимент | Провал по сложным категориям маскируется хорошим результатом по простым | Разделять ассортимент на домены с разной природой спроса |
| Нулевые продажи из-за дефицита считаются падением спроса | Модель занижает будущие закупки, дефицит усиливается по кругу | Помечать и корректировать периоды дефицита в исторических данных отдельно |
| Новые товары без истории прогнозируются как обычные | Ошибка максимальна именно на новых позициях (холодный старт) | Прогнозировать новые товары по аналогам до накопления собственной истории |
| Модель не переобучается регулярно | Точность падает на 30-40% за 3-6 месяцев из-за дрейфа данных | Заложить регулярное переобучение в операционный план и бюджет |
| Полное доверие к прогнозу без ручной корректировки | Модель не учитывает разовые события (акции, сбои поставок, ребрендинг) | Оставить интерфейс экспертной корректировки для аномальных случаев |
Ограничения
Точное прогнозирование требует достаточной истории данных: в упомянутом кейсе использовались ежедневные продажи, остатки и возвраты за 4 с лишним года, плюс более 240 атрибутов товаров и данные о ценах конкурентов, погоде и праздниках. Компания без сопоставимого объёма исторических данных получит менее точный прогноз, и это ограничение данных, а не недостаток модели. Метод также требует постоянной операционной поддержки (MLOps: мониторинг точности, переобучение, обработка аномалий), а не разового внедрения, поэтому стоимость владения выше, чем стоимость первого проекта внедрения, о которой обычно говорят при продаже решения.
Практический итог
ИИ-прогнозирование спроса снижает ошибку закупок только при условии раздельного подхода к разным доменам ассортимента и постоянного контроля точности по каждому сегменту, а не общей цифры точности по компании. Единая модель на весь ассортимент, самая частая ошибка внедрения, маскирует провал в сложных категориях средним результатом по простым. Первый шаг перед любым внедрением: разбить ассортимент на 2-3 домена с явно разной природой спроса и оценить, какой объём исторических данных есть по каждому.
Частые вопросы
Сколько исторических данных нужно для ИИ-прогнозирования спроса?
В опубликованных кейсах речь идёт о 3-4 годах ежедневной истории продаж, остатков и возвратов. Меньший период снижает точность, особенно для сезонных категорий, где модели нужно увидеть несколько полных сезонных циклов, чтобы отличить сезонность от случайных колебаний.
Как ИИ-прогнозирование спроса связано со списаниями на складе?
Точный прогноз снижает как дефицит, так и избыточные закупки, которые превращаются в списания при истечении срока годности или устаревании. Подробнее про сами списания и их причины: списания на складе: как снизить потери.
Заменяет ли ИИ-прогноз ручное планирование закупок полностью?
Нет, по опубликованным кейсам 3-5% прогнозов остаются аномальными и требуют ручной корректировки: акции, сбои поставок, ребрендинг товара. Полностью автоматический прогноз без интерфейса для таких случаев теряет точность именно в моменты, которые сильнее всего влияют на бизнес.
С чего начать, если в компании ИИ-прогнозирования пока нет?
Не с выбора платформы, а с оценки качества и объёма исторических данных и с разделения ассортимента на домены с разной природой спроса. Без этой подготовительной работы любая модель, даже самая современная, получит на входе смешанные данные и даст усреднённый, малополезный результат.
Похожие материалы: