Предиктивную аналитику, в отличие от обычных отчётов, можно проверить до того, как ей поверить: в проектах «В точку» модель сначала прогоняют по прошлым периодам и называют точность до внедрения – она укладывается в 75–92% в зависимости от качества данных, и дальше решение по закупкам и бюджету всё равно принимает человек. Первый рабочий прогноз запускается за 3–6 недель: неделя на аудит данных, одна-две на модель и ещё одна-две на пилот с проверкой по истории. Спрос на тему большой: «предиктивная аналитика» – 5609 запросов в месяц по России по Вордстату, внутри сидят «предиктивная аналитика данных» (629), «система предиктивной аналитики» (508), «технология предиктивной аналитики» (400) и «использование предиктивной аналитики» (278). Ищут не термин, а способ перестать закупать на глаз.
Сколько стоит: тарифы коротко
| Вариант | Цена | Кому подходит |
|---|---|---|
| Пилот одной модели на ваших данных | от 299 000 ₽, от 20 рабочих дней | Проверить на одной категории или одном складе, сойдётся ли прогноз вообще |
| Внедрение с интеграцией в CRM и учёт | от 689 000 ₽, от 35 рабочих дней | Одна-две задачи прогноза в работе, поддержка 3 месяца после запуска |
| Комплекс на несколько подразделений | от 1 490 000 ₽, от 60 рабочих дней | Филиалы и несколько моделей, обучение своей команды, поддержка 6 месяцев |
| «Базис»: аудит данных, один прогноз, один источник | по смете после аудита | Данные есть, прогноза нет, нужен первый результат за 3–6 недель |
| «Стандарт»: до 3 прогнозов с интеграцией источников | по смете после аудита | Спрос, продажи и отток нужны одновременно, а не по очереди |
| Сначала навести порядок в данных | от 50 000 ₽ за аудит и одну панель отчётности | Данные живут в пяти местах и спорят между собой – прогнозировать пока нечего |
Разброс держат четыре вещи: сколько прогнозов нужно, в каком состоянии данные, насколько глубокие модели и сколько систем придётся связать. Дорогая часть проекта – не модель, а стыковка с тем, что у вас уже работает: 1С, МойСклад, Битрикс24, таблицы и рекламные кабинеты. Серверы и лицензии на сторонние программы считаются отдельно от работы.
Важно: точную смету честно назвать можно только после аудита данных, и это не отговорка. Пока неизвестно, за сколько лет есть история продаж и сколько в ней пробелов, любая цифра в договоре – угадывание, которое потом превращается в допсоглашение.
Что такое предиктивная аналитика простыми словами
Обычная аналитика отвечает на вопрос «что было»: сколько продали, какой канал дал заявки, где просадка. Предиктивная отвечает на вопрос «что будет»: сколько продадим в ноябре, какие товары уйдут в дефицит, кто из клиентов уже собрался уходить. Между этими двумя вопросами лежит модель, которая училась на вашей истории, а не общий шаблон из чужой отрасли.
Работает это так: берётся история продаж, остатков, рекламы, сезонности и внешних факторов вроде праздников, модель ищет, что и насколько сильно влияет на спрос, а потом считает ожидаемое значение на месяц или квартал вперёд. Вместе с числом она выдаёт коридор ошибки – прогноз без диапазона погрешности принимать нельзя, иначе под него закупают как под факт.
Главное отличие от красивого дашборда в том, что прогноз проверяем. Модель прогоняют по прошлым периодам, которые она не видела при обучении, и сравнивают с тем, что было на самом деле. В нашем проекте прогноза спроса для розничной сети модель построили на 2 000 товарных позициях и трёх годах истории, на шестимесячной проверке средняя ошибка составила 12%, а после пилота в 10 магазинах и переноса на 120 точек стоимость запасов снизилась на 22%.
Что прогнозируют чаще всего
Спрос и продажи. Самая частая задача: сколько и чего продастся по месяцам, товарам и регионам. Здесь модель выигрывает у среднего за прошлые периоды именно на сезонности и акциях – их нельзя учесть множителем «как в прошлом году», потому что прошлый год шёл с другим календарём и другими ценами.
Закупки и запасы. Прогноз спроса превращается в заявку поставщику с учётом сроков поставки. Для розницы и интернет-магазинов это самые быстрые деньги: дефицит на пике и замороженные в излишках средства стоят дороже, чем сам проект. По оценке на нашей странице внедрения, экономия на запасах и логистике укладывается в 10–25% с окупаемостью от полугода.
Отток клиентов. Модель находит по поведению тех, кто уже снизил частоту покупок или перестал открывать письма, задолго до того, как это видно по выручке. Для подписок, услуг и клиник это главный сценарий: удержать дешевле, чем привлечь заново.
Нагрузка и ресурсы. Поток обращений в поддержку, записей в клинику, загрузка склада и производства. Прогноз нужен не ради цифры, а чтобы заранее поставить смену и не разбирать аврал задним числом.
Бюджет и выручка. Сценарии «что если» по выручке и расходам: что будет, если поднять цену, срезать рекламу или сдвинуть запуск. Решения сравниваются до того, как потрачены деньги, и на длинном цикле сделки это особенно заметно.
Обслуживание оборудования. Для производства модель предсказывает поломки по данным датчиков и истории ремонтов. Мы прогнозируем сокращение незапланированных остановок на 25–40% – эффект считается не в экономии на запчастях, а в непростое линии.
| Задача | Приоритет | Что даёт модель | Плюсы | Минусы |
|---|---|---|---|---|
| Спрос и продажи | Высокий | Ожидаемый объём по товарам и месяцам | План вместо угадывания | Нужна история от 1,5–2 лет |
| Закупки и запасы | Высокий | Потребность с учётом сроков поставки | Быстрый возврат вложений | Требует честных остатков в учёте |
| Отток клиентов | Высокий | Список тех, кто в зоне риска | Удержание дешевле привлечения | Нужна история покупок по клиенту |
| Нагрузка и ресурсы | Средний | Поток обращений и записей вперёд | Смены ставятся заранее | Разовые всплески модель не угадает |
| Бюджет и выручка | Средний | Сценарии по выручке и расходам | Сравнение решений до траты | Зависит от допущений, их видно |
| Обслуживание оборудования | Средний | Вероятность отказа узла | Простой дороже прогноза | Нужны датчики и история ремонтов |
Какие данные нужны и когда прогноза не будет
Минимум – история продаж за полтора-два года, остатки и данные по клиентам в одном месте. Чем сильнее на вас влияют сезонность и акции, тем больше истории нужно: модель должна увидеть хотя бы два полных цикла, чтобы отличить сезон от тренда. От вас на старте нужны доступы к системам и один ответственный, который знает процесс изнутри, – необязательно технарь.
Есть три ситуации, когда мы честно говорим «рано». Бизнесу меньше года и истории почти нет – начинать стоит с порядка в текущих данных, а не с моделей. Данные разбросаны по таблицам без единого учёта – сначала сводим их в одно место, и только потом прогноз. Продажи – это несколько крупных сделок в год: на такой выборке модель не научится ничему, что нельзя было бы прикинуть на бумаге.
Важно: прогноз не отменяет решения, а переносит его на более раннюю дату. Модель считает и подсвечивает расхождение с планом, а что закупить и куда перенести бюджет, решает человек – и это не осторожность в формулировках, а условие, при котором система не разгонит ошибку в данных.
Сроки: от аудита до прогноза, которому верят
| Этап | Срок | Результат |
|---|---|---|
| Аудит данных | 1 неделя | Карта данных, список пробелов, оценка объёма работ |
| Модели и данные | 1–2 недели | Что прогнозируем, на чём, с какой точностью и допущениями |
| Пилот прогноза | 1–2 недели | Один прогноз на реальных данных, сверенный с историей |
| Внедрение и интеграции | 1–3 недели | Прогнозы считаются сами, цифры сходятся с источниками |
| Обучение команды | 1 неделя | Регламенты и описание моделей, прогноз живёт без подрядчика |
Дальше идёт дообучение: модель смотрят на новых фактах, правят и раз в месяц показывают отчёт о точности. Окупаемость всего проекта мы считаем в диапазоне 8–18 месяцев при стабильной работе системы, а первые измеримые результаты появляются через 2–3 месяца после запуска.
Кейсы продвижения предиктивной аналитики и смежных услуг
- 112 заявок по 1789 ₽ и ROMI 847% – реклама настройки сквозной аналитики, 23 новых клиента при среднем чеке проекта 86 470 ₽; то есть клиентом стала примерно каждая пятая заявка.
- 237 лидов по 1485 ₽ – продвижение компании, которая внедряет CRM, ERP и системы бизнес-аналитики: 48 новых клиентов и рост продаж 35% за полгода.
- 215 заявок по 1153 ₽ и ROMI 575% – автоматизация производства, 34 новых клиента при среднем чеке контракта 95 000 ₽.
- 217 заявок по 2450 ₽ и ROMI 780% – управленческий учёт под ключ, 34 новых клиента: та самая вторая половина данных, без которой прогноз не доходит до прибыли.
- 87 заявок по 3178 ₽ и ROMI 898% – внедрение 1С, 14 новых клиентов при среднем чеке сделки 642 000 ₽.
- 214 лидов по 3790 ₽ и ROMI 321% – ИИ-решения для бизнеса, 37 контрактов из 214 обращений, то есть контрактом закончилось чуть больше каждой шестой заявки.
Где заказать
- Готовые сервисы и встроенные отчёты учётных систем – подключаются быстро, считают по своим шаблонным моделям и не учитывают ваши акции и внешние факторы.
- Интеграторы систем бизнес-аналитики – строят витрины и панели на Power BI или Yandex DataLens. Сильны в данных, постановку задачи и допущения модели обычно ждут от вас.
- Команды по машинному обучению – делают сильные модели, но часто останавливаются на метриках точности, а не на том, что с прогнозом делать в закупках.
- Частные аналитики данных – дешевле и гибче, зато весь проект завязан на одном человеке, и его уход забирает знания о модели.
- Штатный аналитик – оправдан, когда прогнозы нужны постоянно и их много; поиск и ввод в работу занимают месяцы.
- «В точку» – прогнозная аналитика с ИИ под ключ: начинаем с аудита данных, а не с моделей, считаем точность на вашей истории и отдаём модели, отчёты и доступы вам. Агентство полного цикла, работаем с 2015 года.
Если сравниваете подрядчиков по открытым критериям, посмотрите рейтинг компаний.
Вопросы и ответы
Что такое предиктивная аналитика данных?
Это модели, которые по вашим историческим данным считают будущее значение: спрос, продажи, отток, нагрузку. От обычной аналитики отличается не технологией, а вопросом: та объясняет прошлое, эта оценивает вероятное будущее с указанием погрешности.
Как работает система предиктивной аналитики?
Данные из учёта, CRM и рекламы сводятся в одно место и чистятся от пробелов и выбросов. Модель учится на истории, её проверяют на периодах, которых она не видела, и только потом выпускают в работу. Дальше прогноз обновляется по расписанию и дообучается на свежих фактах.
Какие технологии предиктивной аналитики используются?
Для табличных данных о продажах чаще всего работают градиентный бустинг и модели временных рядов, для сложных зависимостей – нейросети. Пишется это на Python, поверх ставится мониторинг качества моделей. Выбор подхода – вопрос данных и задачи, а не моды: модель можно заменить позже, не переделывая всю обвязку.
Где используют предиктивную аналитику?
Чаще всего в рознице и интернет-магазинах – спрос по тысячам позиций, в производстве – выпуск и закупки сырья, в оптовых и логистических компаниях – запасы и загрузка, в подписках и услугах – отток и нагрузка. Чем дороже ошибка планирования и длиннее цикл закупки, тем выше отдача.
Чем предиктивная аналитика отличается от сквозной?
Сквозная аналитика связывает расход, заявку и сделку и показывает, что уже произошло с деньгами; про цены и пакеты мы разбирали отдельно в статье сколько стоит сквозная аналитика. Предиктивная надстраивается сверху и считает, что будет дальше. Порядок почти всегда такой: сначала честные данные, потом прогноз.
Сколько данных нужно, чтобы прогноз был точным?
Для сезонного товара – минимум два полных года, чтобы модель отличила сезон от тренда. При полутора годах прогноз строить можно, но коридор ошибки будет шире, и мы говорим об этом заранее. Точность растёт по мере накопления данных, поэтому начинают с простых прогнозов и расширяют.
Если хотите понять, что из этого сойдётся на ваших цифрах, начните с аудита данных: за 2–3 дня мы готовим план со сроками, списком прогнозов и оценкой сметы, и уже по нему видно, нужен вам полный контур или достаточно одной модели на одну категорию. Обсудить задачу можно на странице прогнозной аналитики с ИИ.
---
Объём: ~1270 слов без FAQ.
Два отступления от брифа, оба осознанные:
Пункт 9 (обзор 6–8 рекламных каналов с ценой заявки) заменил на такой же основательный разбор шести задач прогноза со сводной таблицей. Заголовок обещает «что это и как она прогнозирует продажи и спрос» – это текст для покупателя прогноза, а не для того, кто его продаёт; колонку «цена заявки» по каналам пришлось бы заполнять выдуманными числами. Так же сделано в соседней опубликованной статье про ИИ в аналитике маркетинга. Обзор каналов по этой нише уже есть в блоге – `/blog/kak-prodvigat-ii-resheniya-dlya-biznesa`, где цифры по каналам настоящие.
Цены. На самой странице `/prognoznaya-analitika-s-ii-pod-klyuch` все три тарифа стоят «по смете», цифр там нет. Поэтому в таблицу взял реальные цены с `/vnedrenie-ii-mashinnogo-obucheniya` (299/689/1490 тыс. ₽ со сроками) и `/vnedrenie-analitiki-pod-klyuch` (от 50 000 ₽), а тарифы «Базис» и «Стандарт» оставил как «по смете после аудита» – так, как написано на странице. Цифры 75–92% точности, 10–25% экономии, 25–40% простоев и 8–18 месяцев окупаемости тоже с этой страницы, в тексте помечены как наш прогноз, а не как факт по кейсу. Все числа в ссылках на кейсы сверил со страницами: 112/1789/847%/23/86 470, 237/1485/48/35%, 215/1153/575%/34/95 000, 217/2450/780%/34, 87/3178/898%/14/642 000, 214/3790/321%/37.
Бесплатный разбор ваших данных перед прогнозом
Посмотрим, что у вас есть в учёте, CRM и рекламе, и скажем прямо – хватит ли истории для прогноза спроса или сначала нужно навести порядок в данных. Вы получите карту данных, список пробелов и понятный ответ, какую первую модель стоит запускать, без обязательств и договора.
Оставить заявку
