Узнайте сумму кредита от 2 минут без сбора документов

Узнайте сумму кредита от 2 минут без сбора документов

Узнать сумму
РассылкиИдеи для бизнесаБизнес с нуляМаркетплейсыВопросы–ответыЛайфстайлСправочник
РассылкиИдеи для бизнесаБизнес с нуляМаркетплейсыВопросы–ответыЛайфстайлСправочник

Машинное обучение: переоцененный тренд или спасательный круг для бизнеса?


Представьте, что вы идёте в ближайший магазин рядом с домом, чтобы купить любимую шоколадку. Приходите, видите пустую полку, расстраиваетесь и уходите в другое место.

Этого не видно, но магазин тоже расстроился, — только что он потерял прибыль с шоколадки и, возможно, лояльность своего клиента. А что, если это — огромная сеть из 1000 торговых точек по всей стране? И в каждой происходит такой сюжет?

Неприятная ситуация для бизнеса, которую можно было бы избежать или свести к минимуму, если бы что-то предсказало магазину ваш приход за конкретным товаром в конкретный день при конкретных обстоятельствах.

Одно из таких «что-то» — машинное обучение. Эта технология так понравилась компаниям, что, по опросу PricewaterhouseCoopers, охватившему 1000 предприятий из 9 секторов бизнеса, 86% из них планируют внедрить ML-технологию как основную.

Постараемся разобраться, зачем прогнозировать спрос и как работают ML-технологии. Чтобы тема из разряда «непонятно, но очень интересно» перешла в разряд «понятно, надо попробовать».

А зачем вообще прогнозировать

Пример с шоколадкой поверхностный, но отражает суть — бизнесу необходимо прогнозировать спрос, чтобы эффективно управлять своими ресурсами.

С точным прогнозированием можно оптимизировать запасы и планировать производство. Это, в свою очередь, повышает лояльность аудитории или партнёров, если речь идёт о B2B-секторе, так как товары всегда будут доступны в нужное время. Кроме того, прогнозирование помогает в финансовом планировании и бюджетировании. В итоге компания может эффективно управлять цепочками поставок, снижать операционные затраты и развиваться. Проще говоря, — бизнесу выгодно знать, что, где и когда лучше продавать. Но как это происходит?

Тут есть несколько вариантов:

  • качественные методы прогнозирования — основаны на мнении и опыте экспертов. Полезны, когда исторических данных нет;
  • количественные методы прогнозирования — основаны на анализе исторических данных и применении статистических моделей для предсказания тенденций, сюда же можно отнести использование эконометрических моделей.

Но технологии развиваются, а вместе с ними и способы, которые используются в прогнозировании.

Так появился следующий вариант — метод машинного обучения, — технология, в которой используются алгоритмы для анализа больших объёмов данных и выявления сложных зависимостей.

Естественно, крупные корпорации присмотрелись к такому новшеству. Например, IKEA разработала свой инструмент для прогнозирования, который называется Demand Sensing — «Предсказание спроса».

Работает всё на базе искусственного интеллекта и анализе массивов данных. Demand Sensing использует до 200 типов данных для того, чтобы искать и сопоставлять различные факторы, которые влияют на спрос. В результате такого внедрения точность прогнозов IKEA выросла с 92% до 98%.

Это значит, что магазины бренда теперь точнее планируют запасы и избегают ситуаций, когда нужные товары отсутствуют. Либо наоборот, накапливаются излишки, которые занимают место на складе.

Ещё интересный пример с Amazon, который использует машинное обучение для прогнозирования спроса, анализируя данные о покупках и просмотрах своих клиентов. Так во время пандемии компания добавила в свои модели данные о распространении болезни, количестве заболевших и макроэкономические показатели. В итоге Amazon смог быстро отреагировать на неожиданный рост спроса на туалетную бумагу, продажи которой увеличились на 213%.

Есть также пример из нашей практики в Riverstart: мы внедрили ML-модель прогнозирования спроса для крупной FMCG компании, увеличив её выручку на 2% и прибыльность маркетинговых кампаний на 7%.

Технология интересная, но как она работает на самом деле? Откуда берутся такие результаты?

Магия машинного обучения: как всё работает

Машинное обучение — это технология, которая выявляет сложные зависимости и может использоваться для анализа больших объемов данных. В контексте прогнозирования спроса ML анализирует исторические данные о продажах, поведении клиентов, макроэкономических показателях и других факторах, чтобы предсказывать будущее поведение покупателей и изменения на рынке.

Представьте Диму — владельца магазина игрушек. В прошлом году перед Новым годом Дима заказал определённое число популярных позиций, но их оказалось меньше, чем нужно.

К середине декабря полки опустели, а Дима потерял потенциальных клиентов и прибыль, но случайно прочитал этот материал и решил попробовать ML-технологии, чтобы предсказать спрос и избежать такой ситуации в будущем.

Прогноз спроса
Прогноз спроса

Этапы прогнозирования спроса

Этапы прогнозирования спроса

Что Диме предстоит сделать?

  1. Дима собирает данные о продажах за последние несколько лет, включая информацию о том, какие игрушки люди покупали в разное время года, в зависимости от праздников, акций и даже погоды.
  2. Инженеры проверяют данные на ошибки и дубликаты, нормализуют их, чтобы привести в единый формат.
  3. Дима с помощниками загружает подготовленные данные в программу машинного обучения.
  4. Модель машинного обучения анализирует подгруженный массив и выявляет паттерны. Например, она может заметить, что продажи плюшевых слоников резко возрастают за две недели до Нового года.
  5. На основе анализа модель прогнозирует, что в этом году спрос на плюшевых слоников будет ещё выше, потому что, ко всему прочему, выявлен дополнительный фактор — увеличение рекламного бюджета производителей игрушек.

Наступает декабрь, Дима замечает, что прогнозы были точны: за две недели до Нового года спрос на плюшевых слонов действительно вырос, но Дима подготовился.

В результате Дима не только избежал потерь, но и увеличил прибыль своего магазина, так как клиенты находили нужных слоников именно у него.

*Все совпадения вымышлены, хоть и реалистичны.

Описали то, как работает ML-технология с «видимой» стороны. Теперь разберёмся, что скрывается внутри ML.

Что под капотом у машинного обучения

В этом разделе постараемся подробно описать механизмы работы ML-технологии в прогнозировании спроса. Спойлер: чтобы понять, как работает один способ прогнозирования, будем сопоставлять его с другими, так легче понять основные принципы.

Итак, есть два основных способа предсказывать будущий спрос:

  • эконометрическая модель;
  • модель машинного обучения.

Выбрали эти две модели, потому что они наиболее популярные и представляют собой два разных подхода к прогнозированию.

Эконометрика похожа на составление формулы для прогноза: математические модели и переменные, которые влияют друг на друга. То есть для точного прогноза важно правильно определить формулу и параметры этих взаимосвязей.

Как работает эконометрика. Эконометрика использует заранее заданную формулу и статистический анализ, чтобы предсказать спрос на основе нескольких ключевых факторов.

ML прогнозирование
ML прогнозирование

Пример эконометрической модели с переменными

Пример эконометрической модели с переменными

ML-технология больше похожа на обучение на примерах — кинули данные, модель начинает в них рыскать и искать корреляции, находит и делает прогнозы. То есть забросили новый параметр и смотрим результат, на что он влияет и влияет ли вообще.

Как работает машинное обучение. Машинное обучение анализирует большой объём данных и самостоятельно находит зависимости, чтобы сделать точные прогнозы, учитывая множество факторов.

Машинное обучение
Машинное обучение

Отмеченные кружочки — репрезентация того самого обучения «на лету», когда мы вносим какой-то параметр, и система начинает строить связи и искать совпадения

Отмеченные кружочки — репрезентация того самого обучения «на лету», когда мы вносим какой-то параметр, и система начинает строить связи и искать совпадения

Модель машинного обучения анализирует огромные массивы данных. Чем больше данных, — тем лучше будет прогноз. Чтобы на примере показать разницу, мы подготовили таблицу, в которой сравнили эконометрическую модель и модель машинного обучения.

Сравнение способов прогнозирования спроса
КритерийЭконометрическая модельМодель машинного обучения (ML)
Принцип работы
Основывается на статистических методах, использует исторические данные и фиксированные факторы, влияющие на спрос.
Архитектура нейросетей позволяет выявлять сложные нелинейные связи в данных автоматически.
Параметры для анализа
Ограниченный набор фиксированных факторов: цены, количество продаж, сезонность и т. д.
Может использовать до нескольких сотен различных факторов: погода, социальные события, экономические показатели и т. д.
Гибкость модели
Требуется ручная настройка факторов и регулярная переоценка.
Автоматическая адаптация к изменениям в данных без необходимости переоценки факторов.
Точность прогнозов
Может быть ограничена из-за фиксированной структуры модели и меньшего количества учитываемых факторов.
Высокая точность за счёт способности анализировать множество факторов и выявлять сложные взаимосвязи.
Затраты на разработку и внедрение
Высокая стоимость обслуживания и корректировки.
Низкие затраты на обслуживание благодаря автоматическому обучению и адаптации.
Требования к данным
Критерий един — требуются неразряженные, нормализованные данные.

В случае, если данные «рваные» или «неполные», нейросеточные методы требуют меньшей инженерной работы, в отличие от эконометрических моделей.
Критерий един — требуются неразряженные, нормализованные данные.

В случае, если данные «рваные» или «неполные», нейросеточные методы требуют меньшей инженерной работы, в отличие от эконометрических моделей.
Скорость обработки данных
Низкая скорость и ограничения по скорости внедрения дополнительных факторов.
Высокая скорость обработки большого объёма данных.
Применимость
Идеальна для крупных компаний с большими объемами данных и сложными требованиями к прогнозированию и большими командами инженеров.
Эффективна как для крупных компаний, так и для небольших.
Специалисты
Требуются специалисты в области статистики и эконометрики.
Требуются специалисты в области data science и машинного обучения.
Примеры использования
Крупные корпорации, технологические гиганты, компании с большими объемами данных и сложными бизнес-процессами.
Средний и крупный бизнес, традиционные розничные сети.

Пришло время разобраться в основном принципе, по которому отбираются данные.

Здесь лучше получится объяснить на примере работы с сигналами.

Итак, представьте, что данные, с которыми мы работаем, — это сигналы, которые передают информацию. Так можно понять, какие паттерны и закономерности скрыты в этих «сигналах», чтобы потом использовать эту информацию для анализа и прогнозирования.

Чтобы вы не воображали неведомые схемы, прикладываем график на примере продаж в сети супермаркетов.

Тренды рынка от ИИ
Тренды рынка от ИИ

График с растущим трендом, периодической сезональностью и шумом

График с растущим трендом, периодической сезональностью и шумом

На графике видно три аспекта:

  1. Тренд, который показывает направление изменений данных. Например, в течение нескольких лет объём продаж сети супермаркетов постепенно увеличивается. Это происходит благодаря расширению ассортимента, привлечению новых покупателей и укреплению лояльности существующих.
  2. Сезональность — периодические изменения в данных, связанные со временем года или другими циклическими событиями. В период праздников спрос на продукты питания резко возрастает из-за увеличения потребительского спроса на подарки, банкеты и семейные посиделки.
  3. Шум — непредсказуемые факторы или случайные колебания, которые влияют на данные. Иногда продажи неожиданно снижаются из-за разных факторов: природные катаклизмы или популярный блогер, который решил выпустить хвалебный отзыв о конкретном продукте из супермаркета.

Cистема дифференцирует тренд, сезональность и шум, чтобы понять, в чём причина изменений.

На примере работы с сигналами можно понять как машинное обучение позволяет бизнесу эффективно прогнозировать спрос, а внедрение технологии помогает управлять ресурсами и адаптировать бизнес к изменениям на рынке, порой даже очень неожиданным.

Несмотря на то, что ML-технологии становятся всё популярнее, корпорации вкладывают большие деньги в развитие этого направления. Но всё-таки решение о внедрении таких сложных технологий зависит от конкретных потребностей и возможностей бизнеса.

T-API: автоматизируйте процессы, чтобы сотрудники занимались важной работой, а не рутиной

Предложение от Т-Банка

T-API: автоматизируйте процессы, чтобы сотрудники занимались важной работой, а не рутиной

  • Получение выписок и баланса счетов по своей компании и клиентам Т-Банка
  • Выставление счетов в личном кабинете, информация об оплате в вашей CRM
  • Управляйте платежными поручениями прямо из своей CRM или бухгалтерии
Узнать больше

АО «ТБанк», лицензия №2673

Андрей Никонов
Андрей Никонов

Какие методы прогнозирования используете вы?


Больше по теме

Бизнес в кармане: когда пора делать мобильное приложение

В эпоху цифровизации мы наблюдаем настоящий бум разработки мобильных приложений. Кажется, каждая компания стремится запустить свое приложение, следуя модной тенденции. Но стоит ли поддаваться этому тренду?

Новости

Добавьте почту

Мы отправим вам приглашение на мероприятие

Продолжая, вы принимаете политику конфиденциальности и условия передачи информации