Онлайн-продажи становятся ключевым драйвером розничной торговли, общий спрос в которой почти не растёт: в 2025 году оборот розничной торговли вырос на 2,6%, а сегмент интернет-торговли - на 30%. Ритейл сегодня пребывает в фазе структурных изменений: рынок растет не за счет увеличения потребления, а за счет прироста аудитории вследствие более точной работы с ней. Как прогнозировать спрос разных возрастных групп с помощью искусственного интеллекта (ИИ), рассказал Денис Козицкий, лидер направления Сбер2B ИИ.
ИИ в прогнозировании спроса
Около 70% российских ритейлеров уже перешли к масштабированию цифровых решений на базе искусственного интеллекта (ИИ). Инновации смогут обеспечить ритейлу до 160 млрд рублей дополнительной операционной прибыли ежегодно к 2030 году, подсчитали в “Яков и партнеры” и “Нильсен”. Этот эффект ожидается в том числе за счет прогнозирования спроса в сегменте потребительских товаров.
Прогноз спроса влияет на закупки ритейлеров, управление ассортиментом, пополнение запасов, распределение товаров между складами и магазинами. Дефицит товара означает потерю выручки, а избыток — “замороженные” деньги и лишние складские расходы. Особенно важно прогнозирование спроса для планирования промо-акций: именно в них ошибка прогноза часто обходится особенно дорого, потому что акция резко меняет поведение покупателей.
В онлайн-продаже также широко применяется uplift-моделирование. Этот метод позволяет персонализировать маркетинговые акции: на основе данных о клиентах система прогнозирует реакцию на те или иные маркетинговые инструменты, позволяя выбрать наиболее эффективный.
Прогнозирование спроса в ритейле — это не отдельная аналитическая задача, а инструмент, который напрямую влияет на маржинальность, денежный поток и уровень обслуживания покупателей. Для прогнозирования спроса ритейлеры могут использовать собственные разработки или специализированные платформы, которые подключаются к системе управления предприятием (ERP), системе управления взаимоотношениями с клиентами (CRM) и другим системам компании. Внутри ERP-систем также бывают встроенные модули предсказания спроса.
Основой для прогнозирования является история продаж: учитывается даже короткая история, содержащая данные по схожим товарам, категориям, магазинам или регионам. Однако для обучения классических ИИ- моделей желательно иметь хотя бы один полный сезонный цикл продаж, а лучше — несколько.
Чем больше покупок совершено, тем более качественным будет результат прогнозирования. В сегменте B2C (business to customer) частота событий намного выше, чем в B2B- продажах (business to business), где сделки совершаются реже. Поэтому для прогнозирования в B2B-cегменте может применяться анализ вторичных продаж (sell out), то есть данные о розничных продажах B2B-покупателей. Кроме того, у B2B-ритейлеров бывает небольшое число клиентов, но долгая история cделок с каждым из них. Эта информация также позволяет делать качественный прогноз продаж.
Если речь о более тонких закономерностях, например, поведенческих особенностях разных групп B2C-клиентов, то данных нужно еще больше. Историю продаж часто дополняют такой информацией, как остатки на складах и в магазинах, отгрузки, цены, акции, возвраты и случаи отсутствия товара, и товарный справочник. Также учитываются внешние факторы: праздники, сезонность, погода и макроэкономические показатели. Если у компании есть более зрелая аналитика, добавляют и поведенческие данные: программы лояльности, посещаемость сайта, клики, просмотры, корзины покупок, повторные визиты. На основе этой информации ИИ-инструменты строят прогнозы отдельно для каждого сегмента или канала продаж.
Как ИИ работает с разными аудиториями
Ритейлеры часто прогнозируют спрос по группам аудитории, так как у разных поколений — разные модели принятия решений.
Зумеры (поколение Z (зумеры).
Поколение людей, родившихся примерно с середины 1990-х до начала 2010-х годов).
Эта группа совершает покупки импульсивно, ориентируясь на тренды, видео- контент в соцсетях и “эффект развлечения”, который создают маркетплейсы. “Окно для покупки” у этой аудитории очень короткое: если товар отсутствует в момент пикового интереса, пользователь переключается на альтернативный вариант.
Для прогнозирования спроса зумеров ИИ учитывает не только историю продаж, но и анализирует поведение от скроллинга и пауз на карточках товаров до повторных визитов и добавлений в избранное. Мониторинг трендов в соцсетях позволяет прогнозировать всплески спроса ещё до того, как они станут массовыми. ИИ-системы управления цифровыми витринами помогают тестировать различные варианты представления товаров и контента: зумеры воспринимают маркетплейс как микс социальной сети и торговой площадки, поэтому им особенно важен контент в карточке товара.
Аудитория старше 45 лет
Это поколение демонстрирует высокую ценовую чувствительность и стратегию экономии. Покупатели старше 45 лет выбирают более практичные, простые и привычные продукты.
Для прогнозирования спроса в этой категории ИИ-модели используют данные продаж за прошлые периоды в разные сезоны, цены конкурентов. Это помогает продавцам точнее планировать ассортимент и избегать избыточных запасов. Например, ИИ-модель ритейлера бытовой электроники может прогнозировать, что снижение цены смартфона на определенный процент перед праздничными выходными повысит продажи единиц без снижения общей маржи прибыли.
Корпоративные клиенты
В B2B-сегменте спрос более изменчивый на уровне отдельных клиентов, он сильнее завязан на контрактах, тендерах, циклах закупки и конкретных коммерческих отношениях. Корпоративные клиенты обычно принимают решения рационально, оценивают надежность поставок и финансовый эффект от покупки.
Для прогнозирования в этом сегменте важны данные по клиентам, история заказов, даты контрактов и воронка продаж. Бизнесу нужно понимать не только, что произойдёт, но и почему, насколько прогноз объясним с точки зрения оборота, логистики и финансового эффекта.
Что учесть ритейлеру при внедрении прогнозирования спроса
Периодичность прогнозирования спроса зависит от целей: для стратегического планирования прогноз обычно пересчитывают раз в месяц или раз в квартал, для тактических задач — раз в неделю. Для пополнения запасов часто используют ежедневное обновление прогноза, а в отдельных случаях — ещё более частую корректировку.
Для внедрения технологии, помимо данных о продажах, остатках и товарного справочника, ритейлеру необходимо определить способ выгрузки данных в модель и место, где прогноз можно безопасно развернуть. В зависимости от политики клиента, это может быть локальная установка на сервере компании или облачная среда.
Компании желательно иметь единое хранилище данных, системы складского учёта и работы с клиентами или лояльностью, а также контур планирования промо-акций и ассортимента. Однако отсутствие идеального ИТ- ландшафта не должно блокировать старт — некоторые системы прогнозирования способны работать и в локальном контуре и подключаться к существующим системам без необходимости сразу перестраивать всю архитектуру.
Для эффективной работы системы прогнозирования важно, чтобы данные, на которой обучается модель, были достаточно качественными для получения результата. Они должны быть полными, актуальными и записанными в единой форме. По мере использования ИИ-системы прогнозирования важно сравнивать прогнозы с фактами, чтобы модель совершенствовалась. Поэтапный запуск дает наиболее устойчивый результат и максимальный бизнес-эффект.
Развитие технологии
Системы прогнозирования будут постепенно переходить от модели, которая просто выдает ожидаемое число покупок, к системе, встроенной в ИИ-агента, помогающего принять решение. Прогноз будет сопровождаться объяснением факторов, оценкой риска, рекомендацией действий и сценарием развития ситуации. То есть система будет не только говорить, что спрос вырастет, но и объяснять, за счёт чего, и предлагать, как на это реагировать.
Роль человека будет смещаться от ручной работы к управлению исключениями и бизнес-решениями. Люди будут меньше собирать данные вручную, строить таблицы и пересчитывать прогнозы, и больше задавать ограничения, проверять аномалии, интерпретировать объяснения, управлять нестандартными сценариями и согласовывать решения с поставщиками, финансами и коммерческим блоком.
Системы прогнозирования спроса снимут рутинную нагрузку и оставят человеку то, что действительно требует контекста и ответственности. Человек не исчезнет из процесса, а станет руководителем более высокого уровня — тем, кто принимает решения на основе качественного прогноза, а не собирает его вручную.