Прогноз, по которому заранее не договорились действовать, остаётся отчётом. Работают модели, построенные под одно решение, а не под дашборд. Гайд с замерами.
Содержание8 разделов
Почему прогнозы не используют
Прогноз, который не привязан ни к одному решению, делают, рассылают и тихо игнорируют. Объясняют это три причины:
-
Точечные оценки без доверительного интервала. Фраза «выручка в третьем квартале будет $4.2 млн» принимается как факт и ведёт к чрезмерным обязательствам, когда реальный диапазон - $3.4-5.0 млн.
-
Нет привязки к решению. Утверждение «спрос в следующем квартале будет на 18% выше» не говорит ничего конкретного о том, нанимать ли людей, расширять ли мощности или закупать ли больше.
-
Не та частота. Прогноз обновляется ежемесячно, когда решение требует еженедельных данных.
Работающая предсказательная аналитика исправляет все три: выдаёт вероятностный прогноз, привязанный к конкретному решению и обновляемый с его частотой.
Какой точности ждать в 2026 году
Ближе всего к честному эталону открытые соревнования по прогнозированию: там все методы проверяют на одних и тех же отложенных данных. Покрывают они не всё, и там, где они заканчиваются, эталоном служит ваша собственная база до модели:
| Задача | Что сообщать | Что говорят открытые данные |
|---|---|---|
| Прогнозирование временных рядов | MAPE или sMAPE вместе с интервалом | В M4 (100 000 рядов) лучший метод оказался почти на 10% точнее простой комбинации статистических прогнозов (Makridakis et al., 2018) |
| Спрос по позициям | Ошибка, взвешенная по продажам, доля дефицита | В M5 большая часть из 42 840 рядов Walmart была прерывистой: редкие продажи и нули |
| Оценка лидов, отток | Площадь под кривой плюс конверсия или удержание по уровням | Открытого эталона нет, сравнивайте с собственной базой до модели |
| Обнаружение мошенничества | Точность и полнота при фиксированном числе тревог | Что считать хорошим, решает доля мошенничества в ваших данных |
Из соревнований стоит вынести два урока. Простую комбинацию статистических методов трудно обойти: в M4 это не удалось ни одному из шести методов чистого машинного обучения. И при смене режима (после сбоя, при запуске нового продукта, при сдвиге рынка) точность падает, этого не избежать. Честнее расширить доверительные интервалы на переходный период, чем делать вид, что старая модель всё ещё работает.
Три первых проекта, которые отвечают за решение
1. Оценка риска оттока
Предсказать, какие клиенты с высокой вероятностью уйдут за 30, 60 или 90 дней. По этой оценке служба клиентского успеха заранее связывается с клиентами.
Модель: градиентный бустинг на признаках вовлечённости (частота входов, использование функций, тональность обращений в поддержку, история платежей).
Решение: с 10% самых рискованных клиентов менеджер связывается в течение пяти дней. Удержание тех, с кем связались, сравнивают с остальными.
2. Прогноз спроса на запасы
Предсказать спрос по позиции, неделе и точке продаж. От прогноза зависят срок и объём очередного заказа.
Модель: Prophet или LSTM-сеть с признаками сезонности, праздников и акций.
Решение: заказывать, когда прогноз на четыре недели вперёд превышает запасы на складе вместе с товаром, который уже едет. Отслеживают долю дефицита, стоимость хранения и циклы заказа.
3. Оценка лидов
Предсказать, какие входящие заявки превратятся в выручку. От оценки зависит расстановка приоритетов в отделе развития продаж.
Модель: логистическая регрессия или градиентный бустинг на признаках компании и поведения.
Решение: верхние 30% заявок получают касание в тот же день; нижние 30% - цепочку прогревающих писем; средние 40% - касание на следующий день. Конверсию каждого уровня еженедельно сравнивают с базой до модели. Если за квартал уровни не разошлись по конверсии, оценка ничего не говорит, и заявки надо снова разбирать в порядке поступления.
Доверительные интервалы обязательны
Каждый прогноз в эксплуатации должен сообщать:
- Точечную оценку (наиболее вероятное значение)
- 80-процентный доверительный интервал (10-й и 90-й процентили)
- 95-процентный доверительный интервал (2.5-й и 97.5-й процентили)
Решения нужно принимать по интервалу, а не по точке. Формулировка «нужно планировать на $3.4-5.0 млн в третьем квартале» заставляет финансы вести себя иначе, чем «третий квартал будет $4.2 млн».
Инструменты со встроенной поддержкой: Prophet (встроенные интервалы), библиотеки конформного предсказания (CrepeS, MAPIE), байесовские модели (PyMC, Stan). Избегайте моделей, выдающих точечные оценки без неопределённости.
Когда что использовать
| Метод | Когда | Плюсы | Минусы |
|---|---|---|---|
| Линейная регрессия | Базовая, мало данных | Просто, понятно | Пропускает нелинейное |
| Prophet | Временные ряды с сезонностью | Легко, устойчиво | Ограниченная настройка |
| ARIMA | Стационарные временные ряды | Статистические гарантии | Ломается при смене режима |
| Градиентный бустинг | Табличные признаки, классификация | Высокая точность, понятно | Сложна в эксплуатации |
| Трансформеры | Длинные последовательности, многомодальные | Передовая точность | Дорого тренировать и обслуживать |
| Ансамбль (среднее 3-4 моделей) | Высокие ставки | Самое устойчивое | В 3-4 раза больше вычислений |
Ошибка - сразу идти к трансформерам. Начинайте с Prophet или градиентного бустинга. Поднимайтесь выше только тогда, когда прирост точности оправдывает сложность эксплуатации.
Раннее обнаружение смен режима
Модели, обученные на данных до пандемии, провалились в начале 2020 года. Режимы меняются снова и снова.
Три сигнала, которые ловят их рано:
-
Остатки прогноза идут в одну сторону. Если фактические значения четыре периода подряд систематически ниже прогноза, режим сдвинулся.
-
Отклонение распределения признаков. Главные признаки на входе смещаются относительно обучающего распределения. Инструменты: Evidently, Whylogs, Arize.
-
Внешние сигналы. Макрособытия (изменения ставок, политические сдвиги), отраслевые события (запуски конкурентов, регуляции), внутренние (изменение цен, запуск продукта) часто предшествуют сменам режимов.
Реакция - расширять доверительные интервалы и сдвигать окно обучения, а не выкидывать модель. На переходных периодах прогноз лишь помогает решать при высокой неопределённости и ничего не предписывает.
Внедрение предсказательной аналитики за 60 дней
Недели 1-2. Выберите одно решение, на которое будет влиять прогноз. Проведите аудит существующих данных. Поставьте базовую модель (Prophet или линейную регрессию).
Недели 3-4. Обучите модель, проверьте на отложенной выборке, опишите точность с доверительными интервалами. Разверните её как ежедневную пакетную задачу, которая выдаёт прогноз и интервалы.
Недели 5-6. Подключите прогноз к процессу принятия решений. Следите за результатами решений: тем ли заявкам позвонил отдел продаж, верный ли объём заказа выставлен.
Недели 7-8. Дорабатывайте признаки и модель по результатам решений, а не по точности. Поставьте мониторинг смены режима.
К шестидесятому дню у команды один работающий прогноз, который влияет на одно конкретное решение, с задокументированной точностью, доверительными интервалами и мониторингом отклонений.
Итог
Предсказательная аналитика работает, когда модель отвечает за одно конкретное решение, сообщает доверительные интервалы и работает на частоте этого решения. Проваливается, когда прогнозы превращаются в точечные оценки для дашбордов, на которые никто не смотрит. Начинайте с базовой модели (Prophet, линейная регрессия) и самого маленького решения: один уровень риска оттока, спрос на одну позицию. Выпускайте за 60 дней. Замеряйте качество решения, а не точность прогноза.
Дальше: Аналитика данных с ИИ 2026 · Модели ML в эксплуатации · Измерение окупаемости ИИ.
Часто задаваемые вопросы
В чём разница между прогнозированием и предсказательной аналитикой?
Прогнозирование - один из видов предсказательной аналитики, направленный на временные ряды: продажи в следующем квартале, спрос в следующем месяце. Предсказательная аналитика шире: классификация (закроется ли заявка), оценка риска (откажется ли клиент), оценка вероятности (шанс мошенничества). Методология общая, вопросы разные.
Почему большинство бизнес-прогнозов не влияют на решения?
Три причины. Прогноз выдаётся точечной оценкой без доверительного интервала, и люди принимают его за истину при огромной неопределённости. Прогноз не привязан к конкретному решению: фраза про продажи в следующем квартале не подсказывает финансам, нанимать или закупать. И частота не та: прогноз обновляется ежемесячно, а решение требует еженедельных данных.
Какую модель использовать для первого прогноза?
Начинайте с базовой - линейная регрессия с признаками сезонности или Prophet. Простая база - серьёзный соперник: в соревновании M4 ни один из шести методов чистого машинного обучения не обошёл простую комбинацию статистических прогнозов. Переходить на ARIMA, градиентный бустинг или трансформеры стоит только тогда, когда базовой явно не хватает и прирост точности оправдывает сложность эксплуатации.
Что делать с падением точности после смены режима?
Три приёма: вовремя замечать смену режима через мониторинг отклонений; перенастроить окно прогнозирования так, чтобы оно брало только данные после смены, и смириться с более широкими доверительными интервалами; на переходных периодах дополнять статистические модели согласованными прогнозами людей. Притворяться, что старая модель ещё работает, - самый дорогой выбор.
Когда предсказательные модели окупают эксплуатацию?
Когда от предсказания зависит конкретное решение, где ошибка в одну сторону стоит заметно дороже, чем в другую. Оценка лидов оправдана, если неверная расстановка приоритетов стоит реальной выручки. Прогноз спроса оправдан, если отсутствие на складе обходится дороже хранения. Общие проекты в духе «предсказать будущее» без конкретного решения затрат на эксплуатацию не оправдывают - они превращаются в дашборды, на которые никто не смотрит.
