Прежде чем заказывать прогноз, руководителю стоит ответить себе на три вопроса. Что вообще можно предсказать в компании, которая не банк и не маркетплейс? Хватит ли для этого данных, которые уже лежат в 1С и CRM? И как понять, что прогнозу можно верить, до того как по нему закупать товар или обзванивать клиентов? Ответим по порядку.
Что такое предиктивная аналитика простыми словами
Это прогноз на основе истории. По прошлым продажам, заказам, поломкам или поведению клиентов модель оценивает, что, скорее всего, произойдёт дальше и насколько она в этом уверена. Обычный отчёт рассказывает, сколько продали в прошлом месяце, а предиктивный пытается сказать, сколько продадут в следующем.
Сам прогноз ничего не меняет, пока по нему не принимают решение. Поэтому начинать стоит с вопроса, какое решение вы хотели бы принимать раньше, чем сейчас, например заказывать товар, пока он ещё есть на складе, или звонить клиенту, пока он не перестал покупать, и только потом выбирать, что предсказывать.
Что компания может предсказать
Почти всё, что повторяется и оставляет след в учётных системах. Вот пять показателей, с которых удобно начать:
| Что предсказать | Из каких данных | Какое решение появляется |
|---|---|---|
| Спрос на товары | продажи по дням и складам, цены, акции | сколько и когда закупить |
| Остатки и дефицит | остатки, поставки, сроки поставщиков | что заказать, пока товар не кончился |
| Загрузку цеха, склада или колл-центра | заказы, смены, выработка | сколько людей вывести на смену |
| Отток клиентов | история покупок и обращений | кому позвонить, пока клиент не ушёл |
| Отказы оборудования | ремонты, отказы, данные датчиков | какой станок обслужить раньше графика |
Для спроса есть отдельный разбор о методах прогнозирования спроса. С оборудованием история особая: кроме журнала ремонтов и отказов прогнозу нужны данные с датчиков, иначе ему не на что смотреть.
Сколько нужно данных
Столько, чтобы в истории повторилось то, что вы хотите предсказать. Если спрос сезонный, модель должна увидеть сезон хотя бы дважды, иначе она не отличит декабрьский всплеск от случайности. Если прогнозируете отток, в истории должно найтись достаточно ушедших клиентов, чтобы по ним было видно, как люди ведут себя перед уходом, потому что по пяти случаям закономерность не разглядеть.
Продажи, остатки, заказы и история клиентов и так записываются в 1С, CRM и складскую систему. Собирать их заново не нужно, достаточно свести в одну таблицу и проверить, где в них пропуски.
Почему точность 40 % может быть хорошим результатом
Разберём на условных числах. У компании 1 000 постоянных клиентов, и за квартал из них уходят 50. Модель оттока выставляет каждому клиенту оценку риска, а менеджеры успевают обзвонить 100 человек. Кому звонить?
| Кого обзваниваем | Звонков | Скольких уходящих застали |
|---|---|---|
| Всех клиентов подряд | 1 000 | 50 |
| 100 случайных клиентов | 100 | 5 |
| 100 клиентов с самым высоким риском | 100 | 40 |
Точность модели в этом примере 40 % (шесть человек из десяти в её списке уходить и не собирались). Звучит слабо, но список из ста человек находит 40 уходящих из 50 за десятую часть звонков. Случайный обзвон тех же ста клиентов застал бы пятерых.
Прогноз оценивают по тому, насколько он улучшает решение, а процент точности сам по себе мало что говорит. Модель, которая угадывает редко, может быть полезной, а модель с красивой цифрой бесполезной, если она уверенно предсказывает то, что и так все знают.
Построим прогноз спроса, остатков, загрузки или оттока на данных вашей компании.
Как проверить прогноз до того, как ему доверять
На прошлых периодах. Берут историю до начала прошлого квартала, строят по ней прогноз и сравнивают с тем, что случилось. Так модель проверяется на данных, которых она не видела, и становится понятно, как она ошибалась бы, если бы работала весь прошлый год, в какие месяцы промахивалась сильнее и почему.
Рядом с моделью ставят простой прогноз для сравнения: «как в прошлом месяце» или «как в том же месяце год назад». Если модель его не обыгрывает, запускать её рано, какой бы сложной она ни была.
С чего начать
- Выберите одно решение, которое хотите принимать раньше: закупку, график смен, обзвон клиентов или ремонт.
- Найдите историю по нему хотя бы за два года и проверьте, где в ней пропуски.
- Посчитайте простой прогноз для сравнения и проверьте модель на прошлом квартале.
- Выводите прогноз в отчёт, который люди уже открывают каждый день, чтобы он не жил отдельно от работы.
Вопросы о предиктивной аналитике
Чем предиктивная аналитика отличается от обычной?
Обычная аналитика отвечает, что произошло и почему. Предиктивная оценивает, что произойдёт дальше и с какой вероятностью, и работает на тех же данных.
Нужен ли для предиктивной аналитики ИИ?
Если под ИИ понимать чат-ботов на больших языковых моделях, то нет. Прогнозы строят статистическими моделями и машинным обучением, которые учатся на таблицах с продажами, заказами и поломками. Сложную модель подключают, когда простая уже проверена и понятно, что её есть чем улучшить.
Можно ли предсказывать поломки оборудования?
Можно, если накоплена история ремонтов и отказов и стоят датчики, которые снимают вибрацию, температуру или ток. Без датчиков прогноз опирается только на журнал ремонтов и видит меньше. Как устроена такая система, мы описали на странице о системе ТОиР.
Кто принимает решение по прогнозу?
Человек. Модель подсказывает, кому позвонить или что заказать, и показывает, насколько уверена. Закупщик или руководитель смены решает, следовать ли подсказке, и его решения потом помогают улучшить модель.
- Gartner Glossary, «Predictive Analytics» — определение предиктивной аналитики.
- Hyndman R. J., Athanasopoulos G. «Forecasting: Principles and Practice», 3-е изд., гл. 5 — простые методы прогноза и проверка точности на отложенных данных.
- ГОСТ Р ИСО 13381-1 «Контроль состояния и диагностика машин. Прогнозирование технического состояния» — какие данные нужны для прогноза отказов.
Обновлено 28 сентября 2026 · Редакция Rule 90