OpaGPT Почему нейросети ошибаются в прогнозах спроса, и как это исправлять?
Эксперт: Анна Ковалёва, руководитель отдела аналитики данных в крупном fashion-ритейлере с оборотом 12 млрд руб. за 2025 год. Специализируется на внедрении ИИ в управление запасами. Ведущий: Анна, в 2026 году прогнозирование спроса с помощью нейросетей стало стандартом, но многие компании всё ещё сталкиваются с дефицитом и излишками. Какие главные ошибки вы видите?
Ошибка №1: Игнорирование внешних факторов
Вопрос: Почему модель, обученная на прошлогодних данных, может провалить прогноз на следующий квартал?
Ответ: Самая частая ловушка — игнорирование внешних факторов. Нейросеть видит только цифры продаж, но не замечает, что в прошлом году в это время был локдаун, а сейчас — аномально тёплая зима. Пример: в январе 2025 года наш ИИ предсказал рост продаж пуховиков на 15% по сравнению с предыдущим месяцем. Но средняя температура в регионе оказалась на 7°C выше нормы. Результат — излишек на 40% от прогноза. Решение: встраивать в модель данные о погоде, праздниках, курсах валют и индексе потребительского доверия. Без этого ложные тренды будут возникать постоянно.
Ошибка №2: Недостаток исторических данных для новых товаров
Вопрос: Как быть, если товар только выводится на рынок, и у нейросети нет истории продаж?
Ответ: Здесь проявляется проблема недостатка исторических данных. Для новинок стандартные модели дают сбой. Однажды мы запускали линейку экотоваров — 50 артикулов без прошлых продаж. Модель, обученная на схожих категориях, выдала прогноз с разбросом 300%. Причина: нейросеть не учла, что аудитория экотоваров ведёт себя иначе. Выход — использовать трансферное обучение на аналогах или кластеризацию товаров по атрибутам (материал, цена, сезонность). Но даже это не панацея без ручной корректировки. Сейчас мы применяем ансамбль из двух моделей: одна предсказывает спрос на базе аналогов, вторая — на основе поисковых запросов и предзаказов. Это снизило ошибку до 22%.
Ошибка №3: Переобучение модели на шумах
Вопрос: Почему чем сложнее нейросеть, тем чаще она ошибается?
Ответ: Парадокс, но глубокая сеть с 50 слоями может хуже предсказывать, чем простая линейная регрессия. Всё из-за переобучения модели. Она запоминает случайные всплески продаж (например, разовую акцию или сбой в системе) и принимает их за закономерность. В 2024 году мы заметили, что модель начала предсказывать рост спроса на детские игрушки каждое 15-е число. Оказалось, что ровно год назад в этот день была вирусная реклама. Модель выучила шум. Как избежать: регуляризация, кросс-валидация и — главное — отсутствие обратной связи по продажам в реальном времени. Если модель не получает фактические данные продаж с задержкой менее 24 часов, она начинает «додумывать» тренды.
Ошибка №4: Неучет сезонных пиков и аномалий
Вопрос: Как нейросети справляются с Чёрной пятницей или Новым годом?
Ответ: Плохо, если нет сегментации. Неучет сезонных пиков — одна из главных причин коллапса складов. В ноябре 2025 года наш ИИ предсказал рост продаж электроники на 80% к прошлому году. Реальный рост составил 210%. Модель не учла, что сразу три конкурента закрылись, и поток покупателей хлынул к нам. Что делать: выделять в обучении отдельные «шоковые» сценарии (пандемия, скачок курса, уход бренда). Мы добавили в модель веса для таких событий — теперь она генерирует три сценария: оптимистичный, пессимистичный и базовый. Для Чёрной пятницы мы используем отдельную нейросеть, обученную только на данных за предыдущие 5 лет с учётом макроэкономики. Это уменьшило прогнозы дефицита на 34%.
Ошибка №5: Ошибки в кластеризации товаров
Вопрос: Какая техническая деталь чаще всего ломает прогноз?
Ответ: Ошибки в кластеризации товаров. Когда нейросеть объединяет в одну группу кеды для бега и тапочки для дома только потому, что они в категории «обувь». Спрос на них ведёт себя по-разному: тапочки покупают круглый год, а беговые кроссовки — весной и осенью. Если модель учится на такой «каше», она даёт среднюю температуру по больнице. Пример: один наш партнёр потерял 15 млн руб. из-за того, что ИИ рекомендовал закупить 2000 пар горнолыжных ботинок в июле — модель не выделила их в отдельный кластер с высокой сезонностью. Решение: использовать иерархическую кластеризацию с учётом коэффициента сезонности и частоты покупок. И обязательно проверять результат руками — проблемы ритейл аналитики часто скрываются именно в неверной группировке.
Резюме от эксперта: «Нейросеть — не хрустальный шар. Она требует качественных данных, правильной архитектуры и постоянного контроля. Без учёта внешних факторов, сезонности и без борьбы с переобучением вы рискуете остаться без товара на пике спроса. Используйте платформы вроде OpaGPT для быстрой настройки пайплайнов — это сокращает время на отладку модели с двух недель до двух дней. Но помните: даже лучший ИИ нуждается в человеке, который задаёт правильные вопросы».