Прогнозирование спроса и загрузки с ИИ: решение до проблемы

Искусственный интеллект в прогнозировании опирается на историю компании. Модель берет фактические данные за прошлые периоды, находит в них закономерности и продолжает линию вперед.

В прогноз продаж обычно идут продажи по дням, цены и акции, сезон, праздники и остатки. Модель учитывает все это одновременно, а человек держит в голове два-три фактора.

Хороший прогноз дает не одну цифру, а коридор: в каких пределах окажется значение. Если коридор широкий, закупку делают осторожнее, если узкий, планируют смелее.

Главная польза во времени. Модель видит пик спроса через 3 месяца, а решение о закупке, найме или ремонте вы принимаете сейчас, пока оно дешевле. На схеме ниже показано, как прогноз продолжает факт.

В торговле прогноз решает две проблемы сразу: пустую полку и списания. Если товара мало, магазин теряет продажу, если много, теряет на скидках и утилизации.

X5 запустила систему прогноза спроса в «Перекрестке» в 2020 году. В пилоте точность прогноза превысила 70% (Retail.ru, июнь 2020).

Цифру точности всегда уточняйте у подрядчика: по какому показателю ее считают, на каком горизонте и по каким товарам. Прогноз на завтра по молоку и прогноз на квартал по новинке сравнивать нельзя.

Другие решения для магазинов, складов и банков собраны на странице про ИИ в торговле и финансах.

Прогноз поломок строится по той же логике, только вместо продаж модель смотрит на вибрацию, температуру и другие показания оборудования. Она замечает отклонение и считает, сколько времени осталось до отказа.

На ЧерМК «Северстали» модель предупредила 7 часов простоя, это 65 млн ₽ по оценке альманаха Института ИИ МФТИ 2026 года. Остановку на ремонт можно запланировать, а не ждать аварии.

Затраты на ремонт снижаются за счет того же окна: деталь заказывают заранее, бригаду выводят в рабочую смену. Общих цифр снижения затрат с проверенным источником мы не нашли, поэтому считаем на ваших данных: стоимость часа простоя, число аварий за год, разницу между плановым и аварийным ремонтом.

Какие данные нужны для такого прогноза и как он окупается, разобрано на странице о предиктивной аналитике.

Планирование загрузки связывает прогноз продаж с работой цехов. Модель подбирает, что, где и когда производить, чтобы выполнить заказы с меньшими затратами.

«Северсталь» представила систему интегрированного планирования в 2024 году и ожидала роста плановой EBITDA на 5-7% (ComNews, апрель 2024). Альманах МФТИ оценивает эффект в 9,6 млрд ₽ при росте EBITDA до 7%.

Рядом стоит оптимизация цепочек поставок рулонной стали: на 20% меньше складских издержек, 2,76 млрд ₽ в год по оценке МФТИ. Оба кейса рынка, не наши проекты, и оба меняют работу всей компании, а не одного участка.

Такие решения дают крупные суммы, но требуют связанных систем: продажи, склад и производство должны видеть одни цифры. Другие примеры собраны на странице про ИИ в промышленности.

Прогнозы станут обычной частью управления, а решения будут чаще опираться на данные, а не на опыт одного человека. Мы видим три сдвига, и у каждого уже есть примеры сегодня.

1. Больше операций уйдет в автоматический режим. В ВТБ роботы решают больше 62% обращений клиентов без оператора (апрель 2026), а в Сбере робот делает 83% исходящих звонков по просроченным долгам.

2. Роботы будут работать рядом с людьми в одной смене. Автономные роботы на одном складе X5, по оценке МФТИ, дают 154 млн ₽ в год.

3. Системы будут сами предлагать решения, а часть принимать без человека. В Сбере уже действует около 900 автономных ИИ-агентовИИ-агент ИИ-агент это нейросеть, которая не просто отвечает, а сама выполняет задачу по шагам: ищет данные, пользуется программами и проверяет результат. Подробнее в словаре (отчет СберУниверситета, июль 2026).

Компаниям, которые соберут историю сейчас, будет на чем строить эти решения. Остальным придется начинать с первого этажа, когда конкуренты уже считают прогнозы.

Выберите одно решение, которое вы принимаете заранее и на котором ошибка стоит денег: закупка, ремонт, график смен. Посчитайте, во сколько обошлись ошибки за прошлый год.

Проверьте историю: есть ли продажи по дням, отказы с датами, загрузка по сменам, и лежит ли это в системе, а не в таблицах сотрудников. До запуска прогноз проверяют на прошлом периоде: модель предсказывает уже известный месяц, и вы сравниваете результат с фактом.

В карте ИИ-решений такой прогноз стоит строкой с эффектом, стоимостью и сроком окупаемости. На разборе за 30 минут бесплатно скажем, какой прогноз даст эффект первым и каких данных для него не хватает.