Машинное обучение в E-commerce: предсказание кассовых разрывов

Какие данные кормят модель: чеклист

Точность прогноза определяется не алгоритмом, а полнотой признаков. Перед стартом проекта мы проверяем наличие следующих массивов:

• История продаж за 2-3 года с детализацией до позиции чека и временной метки. Год истории дает грубую сезонность, три года — устойчивые паттерны.
• Маркетинговый календарь. Все акции, скидки, рекламные включения с датами и бюджетами. Без этого модель считает всплеск продаж аномалией, хотя это была ваша акция.
• Складские остатки и движения. Иначе модель выучит «спад спроса» там, где был Out-of-Stock: товара просто не было на полке.
• Цены и изменения цен. Свои и конкурентов, где доступно. Эластичность спроса — один из сильнейших признаков.
• Внешние факторы. Календарь праздников, погода, курсы валют — все, что статистически связано с вашим спросом.
• Платежный календарь. Даты списаний, зарплат, налогов, отсрочек поставщиков — именно он превращает прогноз продаж в прогноз кассовых разрывов.

Если половина списка отсутствует — первый этап проекта это сбор недостающих данных. Это нормально: лучше месяц на подготовку признаков, чем модель с точностью 60% на выходе.

Отдельный блок — качество разметки промо-периодов. В половине компаний никто не может точно сказать, когда именно начиналась и заканчивалась акция и какой механизм скидки применялся. Модель, обученная на таких данных, навсегда останется слепой к главному рычагу ритейла. Поэтому на этапе Feature Engineering мы восстанавливаем маркетинговую хронику по CRM, рекламным кабинетам и перепискам — это ручная работа, но без нее прогноз промо-периодов не работает. Стоимость восстановления окупается первым же корректным планом закупок под крупную акцию.

Excel-план против ML-прогноза: где проходит граница применимости

Планирование в Excel работает до определенного масштаба: одна товарная группа, десятки SKU, стабильный сезонный профиль. Опытный закупщик с хорошей интуицией в этом режиме конкурирует с алгоритмом. Граница наступает при сотнях SKU, омниканальных продажах и промо-активностях — человек физически не способен удержать в голове пересечение сотен факторов по каждой позиции.

Ключевое различие не в точности, а в скорости реакции и стоимости ошибки. Excel-план пересматривается раз в месяц; ML-модель пересчитывает прогноз ежедневно, а по ключевым позициям — внутри дня, учитывая вчерашние продажи как новые данные. При горизонте 30-90 дней backtesting на исторических данных показывает точность выше 90%, тогда как ручные планы регулярно промахиваются на 20-40% по отдельным позициям. Именно этот разброс и генерирует одновременно замороженные запасы и внезапные кассовые дыры.

Честная рекомендация: если у вас меньше 50 SKU и один канал продаж — не платите за ML, наведите порядок в учете. Предиктивная аналитика начинает окупать себя там, где комбинаторика факторов превышает человеческие возможности: сотни позиций, акции, несколько складов, маркетплейс плюс розница. В этом режиме алгоритм высвобождает до 20% оборотного капитала из излишних запасов и возвращает до 15% выручки, которая раньше терялась в Out-of-Stock.

Сколько стоит внедрение предиктивной аналитики?

Проект делится на два блока: инженерия данных (сбор и очистка истории, построение пайплайнов) и обучение моделей с выводом в BI. Итоговая сумма зависит от числа источников и количества SKU, при этом MVP на ключевой товарной группе запускается за 4-6 недель. Окупаемость считается от высвобожденного оборотного капитала: если модель разблокирует 10-20% средств из излишних запасов, проект возвращается за месяцы даже без учета предотвращенных кассовых разрывов. Точный расчет мы делаем на ваших исторических данных до подписания договора.

Для контекста масштаба проблемы: по нашему опыту, в среднем ритейл-компании от 15% до 25% оборотных средств стоят мертвыми грузом на полках — позиции, купленные «по интуиции» и не продающиеся месяцами. Даже частичное разблокирование этих денег перекрывает стоимость аналитического контура целиком, поэтому финансовый блок обычно соглашается быстрее, чем коммерческий.

Как быстро модель выходит на рабочую точность?

Первые прогнозы модель дает сразу после обучения, но мы не отдаем их в бой без backtesting: прогоняем алгоритм на известных прошлых периодах и сравниваем с фактом. Выход на точность выше 90% по агрегированным группам занимает первые недели эксплуатации, дальше система дообучается на свежих данных автоматически. Первые два месяца финансовый директор работает в режиме «прогноз плюс контроль», затем — только по прогнозу. Мы фиксируем метрику MAPE в договоре и отвечаем за нее деньгами.

Горизонт планирования тоже наращивается поэтапно: первые 2-3 недели система прогнозирует неделю вперед с высокой достоверностью, затем месяц, и только после стабилизации — горизонт 60-90 дней, на котором принимаются решения о кредитных линиях и контрактных закупках. Попытка начать сразу с дальнего горизонта без отладки ближнего — типичная причина недоверия финдира к аналитике: одна грубая ошибка на старте дискредитирует систему на месяцы.

Что делать, если история продаж короткая или искажена?

Типичная ситуация: компания год на рынке, полгода торговала в убыток со скидками — история есть, но обучаться на ней опасно. Решения три. Первое — иерархическое прогнозирование: модель учится на агрегатах (категории, бренды), где статистика плотнее, а вниз до SKU спускает оценки через распределение. Второе — использование внешних прокси: динамика категории, поискавый спрос, цены конкурентов. Третье — холодный старт с ручными коридорами: модель прогнозирует диапазон, закупщик задает границы, система учится на его корректировках. Через несколько месяцев накопления собственной истории модель полностью вытесняет ручные поправки.

Важно понимать, что искаженную историю не всегда нужно чистить — иногда ее нужно правильно разметить. Период распродажи по заниженным ценам — не «шум», а отдельный режим спроса со своей эластичностью. Мы маркируем такие периоды флагами, и модель учит три кривые спроса вместо одной усредненной: обычный, промо и распродажный. Это резко повышает точность именно в те недели, когда деньги крутятся интенсивнее всего — и когда ошибка прогноза бьет по кассе сильнее всего.