Про що:
Кав'ярня щоранку випікає 50 круасанів. Але в понеділок половина лишається на вітрині, а в суботу вони закінчуються до обіду. Як вирішити, скільки пекти щодня? Для цього недостатньо самої інтуїції, а потрібні дані про минулі продажі, день тижня, погоду тощо. Так працює предиктивна аналітика. Що це, чим корисно бізнесу та як збирати дані правильно — розповідаємо.
Зміст
Що таке предиктивна аналітика
Як працює прогноз
Прогнозування попиту
Прогноз поведінки клієнтів
Вибір місця для нового магазину
Обмеження предиктивної аналітики
З чого почати аналітику
Що таке предиктивна аналітика
Предиктивна, або прогнозна, аналітика — це метод аналізу історичних даних, який допомагає передбачити майбутні події. Наприклад, скільки товарів компанія продасть наступного тижня або хто з поточних клієнтів, найімовірніше, піде до конкурента.
Залежно від завдань виділяють чотири типи аналітики:
- описова — показує, що сталося, наприклад продажі за останній квартал впали на 8%;
- діагностична — допомагає з’ясувати причини. Наприклад, продажі зменшилися, бо доставка подорожчала і загальна вартість товарів зросла;
- предиктивна — прогнозує, що буде далі. Наприклад, якщо нічого не змінити, у наступному кварталі продажі впадуть ще;
- прескриптивна — рекомендує, що робити. Наприклад, запропонувати безплатну доставку для замовлень від певної суми.
Важливо розуміти, що прогноз не гарантує результату. Залежно від завдання він може мати вигляд конкретного числа («у суботу продамо 45 круасанів»), діапазону («від 40 до 50 круасанів») або ймовірності («клієнт припинить купувати з імовірністю 70%»). Прогноз допомагає ухвалювати рішення, але не замінює їх.
Чим предиктивна аналітика відрізняється від звичайного прогнозу
Власниця кав'ярні може заперечити: «Я й так знаю, що в суботу продаю більше круасанів, ніж у понеділок». Вона спирається на власний досвід і припускає, що в суботу продасть близько 50 круасанів, а в понеділок — 25.
Але на продажі впливає не лише день тижня. Наприклад, наступної суботи обіцяють дощ, у районі заплановане відключення світла з 10:00 до 14:00, а в сусідньому парку відбудеться ярмарок. Врахувати всі ці чинники одночасно складно. Натомість аналітична модель може проаналізувати доступні дані та спрогнозувати, що цього дня кав'ярня продасть приблизно 38 круасанів.
Різниця стає ще помітнішою, коли товарів і торгових точок багато. Наприклад, щодня потрібно вирішувати, скільки замовити кожної з 20 позицій для п'яти кав'ярень. Робити це вручну довго й складно, а модель може розрахувати очікуваний попит на кожен товар у кожній точці.
Як працює прогноз
Повернімося до прикладу кав'ярні. Припустімо, власниця закладу вирішила більше не пекти круасани навмання, а прогнозувати попит на них. Ось як це працює.
- Дані збирають та готують до аналізу. Потрібно зібрати інформацію про щоденні продажі за останній рік, погоду, свята, акції та відключення світла. Потім перевірити дані на помилки й пропуски.
- Навчають модель. Алгоритм аналізує дані та шукає закономірності. Наприклад, у дощ можуть купувати менше круасанів, у п'ятницю ввечері — більше, а перед святами попит зростає. Модель може виявити й менш очевидні зв'язки, які складно помітити людині.
- Перевіряють точність. Модель тестують на історичних даних, які не використовували для її навчання. Наприклад, пропонують спрогнозувати продажі за минулий тиждень і порівнюють результат із фактичними показниками. Якщо похибка завелика, модель доопрацьовують.
- Використовують прогноз. Щовечора власниця кав'ярні переглядає очікуваний попит і вирішує, скільки круасанів спекти наступного дня. Згодом модель можна оновлювати на основі нових даних та перевіряти, чи покращується точність прогнозів.
Для різних завдань використовують різні підходи:
- Аналіз часових рядів — допомагає прогнозувати показники на основі їхніх змін у часі, зокрема сезонних і тижневих коливань. Його використовують для прогнозування продажів, кількості замовлень або навантаження на колцентр.
- Регресія — допомагає оцінити числовий показник залежно від інших чинників. Наприклад, спрогнозувати попит на морозиво з урахуванням температури повітря.
- Класифікація — визначає, до якої категорії найімовірніше належить певний випадок. Наприклад, чи має клієнт високий ризик відмовитися від послуг компанії або чи поверне позичальник кредит.
Для прогнозу використовують статистичні методи та алгоритми машинного навчання. Складніші моделі можуть враховувати більше чинників, але не завжди дають точніші результати. Багато залежить від якості даних і конкретного завдання.
Прогнозування попиту
Прогнозування попиту — один із найпоширеніших способів застосувати прогнозну аналітику. Помилки в прогнозі часто призводять до втрат. Замовите молоко із запасом — і частину доведеться списати. Замовите впритул — і ввечері покупці підуть до конкурента. Що точніший прогноз, то менше змарнованої сировини й порожніх полиць.
Наскільки точнішим може стати прогноз із ШІ, показує огляд логістичної компанії DP World, де зібрано досвід компаній, які вже користуються такими системами. За словами представників бізнесу, помилок у прогнозах стало до 50% менше, а продажів, втрачених через відсутність товару, на 65% менше.
Іноді модель знаходить зв'язки й закономірності, про які ніхто не здогадувався. Walmart, аналізуючи продажі перед ураганами, помітив, що, крім ліхтариків, люди масово скуповують полуничне печиво Pop-Tarts. Попит на нього зростав приблизно всемеро, тож мережа почала завозити його в магазини заздалегідь.
Українські ритейлери теж упроваджують такі системи прогнозування з ШІ. За словами голови Асоціації ритейлерів України Андрія Жука, у великих компаніях інструменти зі штучним інтелектом окуповуються приблизно за 12–18 місяців.
Прогноз поведінки клієнтів
Окрім попиту на товари, предиктивна аналітика допомагає передбачати поведінку клієнтів і потенційних покупців.
- Відтік клієнтів. Мобільні оператори, банки та онлайн-сервіси з підпискою оцінюють, хто з клієнтів може найближчим часом відмовитися від їхніх послуг. Сигналами можуть бути зниження активності, часті звернення до підтримки або неоплачені рахунки. Клієнтам із високим ризиком відтоку компанія може запропонувати бонус чи вигідніші умови.
- Персональні рекомендації. Алгоритми аналізують попередні покупки, перегляди та вподобання, щоб передбачити, які товари чи послуги зацікавлять людину. Так працюють рекомендації «Вам також може сподобатися». Наприклад, Netflix використовує персоналізацію, щоб допомагати підписникам знаходити цікавий контент і зменшувати ймовірність відмови від підписки.
- Кредитний ризик. Банки оцінюють імовірність того, що позичальник не поверне кредит вчасно, використовуючи кредитну історію та інші доступні дані. Це один із найдавніших напрямів предиктивної аналітики. Наприклад, кредитний скоринг FICO, який використовують у США.
Вибір місця для нового магазину
Предиктивна аналітика допомагає не лише планувати закупівлі, а й вибирати місце для нової торгової точки. Перед тим як підписувати договір оренди, бізнес може оцінити, скільки потенційних покупців буває в районі в різні дні й години та наскільки місцева аудиторія відповідає портрету його клієнтів. На основі цих та інших даних можна спрогнозувати відвідуваність майбутнього магазину. Помилка тут коштує значно дорожче, ніж зайва партія круасанів, адже витрати на оренду й ремонт не повернеш наступного ранку.
Для такого аналізу можна використовувати Big Data від Київстар. На основі знеособлених даних сервіс допомагає сформувати портрет цільової аудиторії за різними критеріями та визначити райони її концентрації. Теплові карти показують, де й коли перебуває потрібна бізнесу аудиторія. Це допомагає порівнювати потенційні локації та обґрунтованіше вибирати місце для нового магазину.

Big Data та аналітика
Використовуйте Big Data, щоб розвивати свій бізнес
Ми порадимо оптимальні рішення для вас
Обмеження предиктивної аналітики
Предиктивна аналітика допомагає бізнесу ухвалювати обґрунтованіші рішення, але навіть найскладніші моделі можуть помилятися. Перш ніж упроваджувати такі інструменти, варто оцінити їхню доцільність і врахувати основні обмеження.
- Потрібна історія даних. Скільки саме, залежить від завдання. Для прогнозу на найближчі дні іноді досить даних за кілька тижнів чи місяців. А щоб модель врахувала річну сезонність, наприклад новорічний пік чи літній спад, потрібні дані щонайменше за кілька років. Якщо продажі досі рахують у блокнотах чи табличках, починати доведеться зі збору даних.
- Різкі зміни. Оскільки модель вчиться на минулому, вона погано передбачає те, чого раніше ніколи не траплялося. Українські компанії відчули це у 2022 році. Спершу після початку повномасштабного вторгнення, а потім під час осінніх відключень світла попит на консерви, генератори, павербанки змінювався за лічені дні.
- Аналітика не завжди окупається. Якщо попит стабільний, асортимент невеликий, а помилка в прогнозі коштує кілька сотень гривень на місяць, складна система не виправдає витрат. Предиктивна аналітика дає найбільший ефект там, де товарів багато, термін придатності короткий, втрата кожного клієнта коштує дорого.
- Персональні дані. Прогнози щодо конкретних клієнтів спираються на інформацію про них, тож дані повинні бути правдивими. Але не менш важливо знати, чи має компанія законні підстави для обробки персональних даних, де вони зберігаються та хто має до них доступ.
З чого почати аналітику
Щоб почати прогнозувати продажі чи поведінку клієнтів, не обов'язково наймати команду аналітиків. Інструменти прогнозування є в деяких облікових та ERP-системах, а для простих завдань іноді достатньо Excel. Складніші завдання можна передати зовнішнім фахівцям.
- Визначте завдання. Почніть з однієї проблеми, яка призводить до втрат: списання зіпсованих продуктів, дефіциту товарів або відтоку клієнтів.
- Підготуйте дані. Зберіть історію продажів, дані CRM чи статистику відвідувань сайту. Перевірте інформацію на помилки та пропуски.
- Спробуйте прості інструменти. Наприклад, в Excel є функція «Аркуш прогнозу», яка допомагає передбачати майбутні показники на основі історичних даних з урахуванням сезонності.
- Перевіряйте точність. Регулярно порівнюйте прогноз із фактичними результатами. Наприклад, якщо очікували продати 50 круасанів, а продали 40, помилка становить 10 штук, або 25% від фактичних продажів. Аналізуйте причини відхилень.
- Вдосконалюйте прогнозування. Поступово додавайте дані про погоду, свята, рекламні акції та інші чинники. Перевіряйте, чи допомагають вони підвищити точність прогнозів.










Додайте коментар