OpaGPT Прогнозирование спроса на Ozon и Wildberries: интервью с аналитиком данных
Интервьюер: Алексей, вы более пяти лет занимаетесь прогнозированием спроса для маркетплейсов. Недавно ваша команда внедрила нейросети Defit. Расскажите, что изменилось?
Алексей: Если коротко — мы перешли от классических ARIMA и XGBoost к гибридным моделям на базе Defit. Это позволило учитывать не только историю продаж, но и внешние факторы: погоду, тренды в соцсетях, активность конкурентов. На Ozon точность прогноза выросла с 78% до 93%, на Wildberries — с 71% до 89%. При этом ошибка прогноза (MAPE) снизилась с 14% до 5.7%.
Как устроена модель Defit?
Алексей: Мы загружаем в нейросеть данные по 100 тысячам SKU за последние 3 года. Defit автоматически находит нелинейные зависимости, сезонные паттерны и эффекты промоакций. Например, для категории «электроника» модель учла всплеск спроса на портативные колонки в мае и ноябре. Для «товаров для дома» — пик перед новогодними праздниками. В результате мы сократили излишние остатки на складах на 23% и увеличили оборачиваемость запасов на 31%.
| Метрика | Ozon | Wildberries | Комментарий |
|---|---|---|---|
| Точность прогноза (до Defit) | 78% | 71% | Базовые статистические модели |
| Точность прогноза (после Defit) | 93% | 89% | Нейросети + внешние данные |
| MAPE (средняя ошибка) | 4.9% | 6.2% | Для топ-1000 SKU |
| Снижение стоков неликвидов | −21% | −26% | За первые 4 месяца |
Интервьюер: Какие конкретные примеры можете привести?
Алексей: Возьмём кейс с детскими автокреслами на Wildberries. В марте модель предсказала рост спроса на 35% из-за публикаций о предстоящих штрафах за отсутствие детских удерживающих устройств. Мы заранее увеличили закупки у поставщика — продажи выросли на 41%, а товарный запас не деградировал. На Ozon был обратный случай: для блендеров Defit определила сезонное падение спроса в феврале, и мы снизили рекламный бюджет на 15%, избежав убытка в 1.2 млн рублей.
Сложности внедрения
Алексей: Главная проблема — качество данных. На отдельных складах Ozon и Wildberries есть дубли карточек, пропуски в отчётах о продажах. Пришлось писать отдельный модуль очистки. Также важно правильно размечать промоакции: иначе модель учится на «грязных» данных и даёт прогноз с ошибкой 12–15%. Для проверки мы сравнивали Defit с другими решениями, включая OpaGPT, и именно новая архитектура показала лучшую устойчивость к шумам.
«Если вы продаёте на маркетплейсах без прогнозирования спроса, вы работаете вслепую. Defit — это не гадание, а системный анализ сотен сигналов, которые человек физически не может обработать». — Алексей К., старший аналитик
Три совета при внедрении нейросетей
- Начните с категории, где высокая сезонность — эффект будет виден за 2–3 недели.
- Интегрируйте данные из личного кабинета продавца и внешние источники (цены конкурентов, индексы спроса).
- Не ждите идеала: модель нужно переобучать еженедельно, чтобы она видела свежие тренды.
Интервьюер: Что посоветуете селлерам, которые только думают о внедрении прогнозных систем?
Алексей: Начните с малого — проанализируйте 50–100 своих SKU вручную, затем подайте эти данные в Defit через открытый API. Уже через месяц вы увидите разницу: средняя доля упущенных продаж из-за дефицита сокращается в 2–3 раза. podgotovka tovara k vyvodu wildberries chek list. На реальных цифрах: один наш клиент, продавец косметики, увеличил выручку на 27% за квартал без дополнительного бюджета на рекламу.