Ритейлеры хотят модели ИИ с точностью прогноза за 90%. Насколько это реалистично?

Это желание понятно: точный прогноз позволяет избежать затоваривания складов, оптимизировать логистику и ценообразование. Но реальность сложнее. На спрос влияют десятки факторов с разным уровнем волатильности: от погоды и курса валют до рекламных акций конкурентов. Например, в этом году в некоторых регионах из-за дождей клубника стала водянистой, и спрос на эту ягоду упал. Учесть все это линейными моделями или Excel невозможно. Современный ИИ, особенно нейросети с долгой памятью (LSTM активно используются в компаниях с 2015 года), действительно способен работать с таким объемом данных и сложными корреляциями. Но 90% — это не магическая цифра для всех товаров и горизонтов планирования. Если прогнозируете на год — наивно ждать такой точности. Для коротких горизонтов (неделя-две) классические модели дают 70-80%, и это норма для стабильных товаров. Например, модель Б1 для прогноза спроса на непродовольственные товары из базового ассортимента демонстрирует точность до 95% в разрезе сеть-регион, а для распродаж этот показатель — порядка 70%, что является достаточно высоким.

Вы сказали, что точностью прогноза зависит от сегмента, к которому относится товар. Как это связано?

Весь категорийный ассортимент можно условно разделить на три «зоны».

• Красная – базовая матрица. Например, в продуктовом ритейле к ней относятся товары-локомотивы (хлеб, молоко). Продажи таких товаров стабильны и прогнозируются относительно легко (средневзвешенная точность 70–80%).
• Синяя зона – низкочастотные товары. Их присутствие в ассортименте обусловлено разными причинами (широта выбора, договоренности с поставщиками, искусственная каннибализация, желание быть представленным на рынке и пр.). Прогноз здесь сложен, а потенциал роста невысок. Большая часть изменений чаще будет связана не с ценой, а с бизнес-моделью (маркетинг, упаковка и пр.).
• Желтая зона – это самый интересный и перспективный сегмент развития. К нему относятся товары с нестабильным спросом, чувствительные к скидкам, акциям и даже погоде. Здесь эластичность цены максимальна. Именно в этой зоне можно существенно увеличить маржу за счет точного промо и ценообразования, а также расширить ассортиментную матрицу. Но прогнозировать сложно: спрос разрежен, зависит от случайных покупок, кросс-каннибализации (скидка на пиво «съедает» продажи водки). Для желтой зоны нужны самые продвинутые ИИ-модели, учитывающие десятки и даже сотни факторов.

В чем главная сложность внедрения ИИ для прогнозирования?

На мой взгляд, основная проблема не в технологиях, а в бизнес-культуре и визионерском взгляде на более длительные промежутки планирования внутри бизнеса. Часто ритейлеры воспринимают ИИ как «волшебную таблетку»: купил — получил график — забыл на время. А еще лучше – забыл навсегда, не создавая структурных изменений штата. Но ИИ — часть живой системы.

Нужно развивать и поддерживать инфраструктуру, включающую современные хранилища (ClickHouse, Hadoop, Greenplum, Vertica и аналоги) и системы отчетности (например, Yandex DataLens). Качественно собирать и хранить данные — по внутренним базам очень желательна глубина минимум 2 года (продажи, остатки, промо, себестоимость, описания товаров, программа лояльности и пр.). В ряде случаев критично учитывать контекст, например, если товар был в рекламе на билборде, то его эластичность к цене будет иной. 

Еще один очень важный аспект – это люди. В команде, занимающейся прогнозом спроса, должны быть эксперты data scientists и аналитики с эконометрическим бэкграундом, а не только менеджеры с опытом в ритейле и закупках или внутренние сотрудники компании, изучившие модели прогноза. Они должны понимать, что такое A/B-тесты, информационная матрица Фишера, MDE, почему остатки должны быть определенного объема и многое другое. Без этого даже самая мощная модель ИИ будет бесполезна.

И, конечно, необходимо постоянно обновлять данные, анализировать ошибки и переобучать модели. Прогноз — это динамический процесс, а не статичная картинка.

На мой взгляд, фокус должен быть на трансформации бизнеса. Ритейлер, который инвестирует в данные, инфраструктуру, компетенции команды и, главное, — в культуру работы с аналитикой, получит не просто точный прогноз. Он получит инструмент для управления маржой, снижения потерь и победы в конкурентной борьбе за каждого клиента. ИИ не волшебство, это тяжелая работа многих людей. Но она окупается.

Насколько российский ритейл готов довериться прогнозам ИИ? 

Нужно признать, что даже у крупных ритейлеров до сих пор есть предубеждение, что существует некое сакральное знание экспертов, которое нельзя оцифровать. Типичные аргументы: «Как ИИ поймет, что в этом сезоне клубника невкусная? Он учтет, что новогодние игрушки фиолетового цвета в этом году будут в моде?». Но парадокс в том, что даже вкус клубники можно измерить – через параметры состава, сахаристости, последствий дождей и пр. Модель ИИ это учтет, если дать ей соответствующие данные.

Человек же физически не способен обработать десятки факторов, влияющих на спрос: погоду, курс валют, урожайность, акции конкурентов, промо-механики, сроки годности, стоимость зерновых, китайский импорт, сезонные тренды и пр.

Именно поэтому ручные прогнозы для сложных категорий или «желтой зоны» ассортимента часто дают ошибку под 50%.

Миф о «неоцифровываемой экспертизе» часто маскирует нежелание меняться или страх, что алгоритм заменит человека. Но ИИ не заменяет людей. Это инструмент, который освободит категорийного менеджера от рутины Excel и даст время на анализ новых рынков, переговоры с поставщиками, креативные промо и пр. 

Как преодолеть сопротивление к использованию ИИ внутри компаний?

Ключ — инкрементальный, поэтапный подход и измеримость результата. Не ждите чуда сразу, а начните с пилота. Выберите конкретную категорию или сегмент (например, «желтую зону» в молочке), четко замерьте начальные показатели (текущую точность прогноза, маржу, РТО, уходимость и пр.). После внедрения модели оцените и проанализируйте результаты. Сколько дополнительной маржи принесло решение? Почему?

Если каждый шаг дает измеримую пользу (например, +2% к марже в категории за счет оптимизации скидок), доверие к ИИ растет. Крупнейшие федеральные ритейлеры уже работают именно так: их ИИ-модели управляют до 60% цен в реальном времени, потому что доказали свою эффективность в честных A/B-тестах. Без культуры data-driven и измеримости даже лучшая модель будет несостоятельна и нестабильна.

Какое будущее у ИИ в ритейле?

Сейчас мы наблюдаем активное развитие LLM (Large Language Models) — и это революция в аналитике! Представьте, что категорийный менеджер может на естественном языке спросить систему: «Почему в Южном округе падают продажи мяса? С какими товарами чаще всего вместе покупают этот сок? Какие внешние факторы сейчас сильнее всего влияют на спрос на кофе?». Модель проанализирует данные (продажи, остатки, внешние источники) и даст обоснованный ответ. 

Это демократизация аналитики: теперь не только data scientist, но и менеджер без технологической экспертизы может получать глубокие инсайты. LLM не заменят сложные прогнозные модели, но станут мощным инструментом для понимания причин, генерации гипотез и оперативной аналитики. Это следующий шаг к действительно «умному» ритейлу, где решения основаны не на интуиции конкретных сотрудников, а на данных, доступных каждому.

Но опять же сотрудники должны понимать, что и как правильно спросить у языковой модели, как построить промт и как анализировать ответ. Чтобы не было, как у Жванецкого: «Вы хотите поставить меня в тупик своими вопросами, а я вас поставлю в тупик своими ответами».