Предиктивная
аналитика
Обычный отчёт показывает, что было в прошлом месяце. Предиктивная аналитика отвечает на другой вопрос: что случится дальше и с какой вероятностью. Например, кто из клиентов уйдёт, сколько товара понадобится через три недели, какой станок скоро встанет.
Коротко: предиктивная аналитика — модели машинного обучения, которые по истории данных прогнозируют будущее событие или число. Окупается она там, где по прогнозу можно что-то сделать: закупить, позвонить, отремонтировать. Начинать стоит с одной задачи, пилота на 8–10 недель и сравнения с тем, как прогнозируют сейчас. Наша услуга — предиктивная аналитика и анализ данных.
Чем отличается от обычных отчётов
| Отчёты и дашборды (BI) | Предиктивная аналитика | |
|---|---|---|
| Вопрос | что было и почему | что будет и с какой вероятностью |
| Результат | график, таблица | прогноз по каждому клиенту, товару, станку |
| Кто использует | руководитель смотрит раз в неделю | прогноз встроен в работу: список на обзвон, заказ поставщику |
Одно не заменяет другое. Без нормальной отчётности обычно нет и чистых данных для прогноза.
Какие задачи окупаются первыми
| Задача | Какие данные нужны | Что делают с прогнозом |
|---|---|---|
| Прогноз спроса | продажи по дням или неделям за 2+ года, акции, цены, остатки | заказ поставщику, распределение по складам |
| Отток клиентов | история покупок и обращений, тысячи клиентов | список на звонок или предложение до того, как клиент ушёл |
| Поломки оборудования | показания датчиков, журнал ремонтов | ремонт по состоянию, а не после аварии |
| Просрочка оплаты | история платежей контрагентов | условия отсрочки, ранние напоминания |
| Конверсия лидов | заявки, источники, действия в CRM | кому из менеджеров отдать лид и в каком порядке звонить |
Как это делают
Основная работа ведётся не с нейросетями, а с данными. Типовой путь:
- Выгрузки из 1С, CRM и учётных систем сводятся в одну таблицу. По пути исправляют дубли, пропуски и разные названия одного товара.
- Из сырых данных выводят то, что влияет на результат: сезонность, давность последней покупки, частоту обращений в поддержку.
- Строят модель. Для таблиц чаще всего работает градиентный бустинг, для временных рядов — специальные модели прогноза. Большие языковые модели здесь помогают с описанием и разбором данных, но сам прогноз обычно делают классические методы: они точнее и дешевле.
- Проверяют на прошлом: учат на данных до какой-то даты и смотрят, как модель угадала то, что было после. Это главный честный тест.
- Встраивают прогноз туда, где по нему действуют: в CRM, в отчёт закупщику, в Telegram мастеру.
Сколько нужно данных
Для прогноза спроса — минимум два года истории, чтобы модель увидела сезонность хотя бы дважды. Для оттока — тысячи клиентов, из которых заметная часть уже ушла: модели нужно на чём учиться. Для поломок — журнал реальных отказов: если станок не ломался ни разу, предсказывать нечего. Если данных мало, честнее начать с правил и отчётов, а прогноз отложить.
Типичные ошибки
- Прогноз есть, действия нет. Модель точно знает, кто уйдёт, но этим клиентам никто не звонит.
- Модель хвалят, но не сравнивают с тем, как прогнозировали раньше: «как в прошлом году» или «средний за три месяца». Иногда простой способ почти так же хорош.
- В обучение случайно попадает признак, который известен только задним числом. На проверке модель блестит, в работе проваливается.
- Рынок, ассортимент и цены меняются, а качество прогноза никто не отслеживает. За несколько месяцев модель тихо устаревает.
Сколько стоит и как начать
Возьмите одну задачу, где ошибка прогноза стоит денег: лишний склад, ушедший клиент, простой линии. Пилот на 8–10 недель на ваших данных покажет выигрыш против текущего способа в рублях. У нас проекты предиктивной аналитики стоят от 700 000 ₽ и занимают 8–20 недель, включая подготовку данных, модель, встраивание и контроль качества после запуска.
Коротко
Предиктивная аналитика нужна, когда по прогнозу есть что сделать. Девять десятых работы — данные и встраивание в процесс, модель — меньшая часть. Обсудить задачу: предиктивная аналитика и анализ данных.