ML — это классика. Классика прикладного ИИ, затраты на которую быстро окупаются. Когда сегодня говорят про корпоративный ИИ, машинное обучение вспоминают всё реже. На слуху в основном LLM, ИИ-агенты и ассистенты на основе RAG. При этом у многих компаний до сих пор не решены базовые задачи — прогнозирование спроса, динамическое ценообразование и предиктивная аналитика. Хотя именно они напрямую влияют на финансовый результат — особенно в ритейле, финтехе, логистике и производстве. Часто бывает и так, что в компании уже работают десятки ИИ-ассистентов, есть ИИ Service Desk, а анализа данных как не было, так и нет. А он очень нужен. Если говорить о ритейле, то лучше всего это видно на маркетплейсах. Wildberries, Ozon и другие площадки сегодня — это уже не просто платформы для продаж, а гигантские поставщики данных. Они отдают колоссальный объём информации: воронки конверсий, CTR карточек, частотность поисковых запросов, тепловые карты складов, динамику ниши и данные по ценам и остаткам конкурентов. Для data-инженеров и ML-специалистов это настоящий клондайк: оцифровано почти всё. И если правильно использовать данные маркетплейсов вместе с другими данными, то можно ответить на вопросы, которые интересуют бизнес: что и сколько закупать, когда входить в сезон, где будет дефицит, а где спрос только начинает расти Причём для селлеров это не просто интерес, а вопрос выживания. Ведь правила игры маркеплейсов становятся всё жёстче: растут комиссии, дорожают хранение и логистика, усиливается давление рекламных акций, а алгоритмы площадок могут быстро отправить карточку товара вниз в выдаче. В таких условиях без точного прогнозирования маржинальность быстро стремится к нулю — прибыль «съедается» затратами на хранение неликвида и штрафами за «пустые полки». Когда у компании в управлении 30 000 SKU в пяти категориях, категорийный менеджер физически не может отследить динамику каждой позиции. Поэтому выигрывает тот, кто использует данные и алгоритмы, чтобы предсказывать спрос, а не реагировать на него постфактум. В блоге мы разбираем наш кейс с прогнозированием продаж на Wildberries. Мы реализовали целую систему: автоматизированный конвейер данных, который консолидирует в едином контуре внешние и внутренние потоки информации. К этому пайплайну подключили модели машинного обучения, а результаты прогнозирования интегрировали в рабочие интерфейсы сотрудников. В рамках проекта придумали несколько интересных и неочевидных решений, которые повысили точность прогноза. Например, использовали поисковые запросы покупателей как один из опережающих индикаторов спроса. Это дало нам «ранний сигнал»: рост интереса к определённым категориям товаров становится виден за 4–6 недель до того, как он превратится в покупку. Такая «фора» позволяет планировать поставки не по отчётам за прошлые периоды, а на основе актуальных намерений. В итоге склад вовремя наполняется именно теми товарами, которые люди ищут прямо сейчас. По цифрам результат такой: 🔸ошибка прогноза (MAPE) снизилась с 38% (в Excel) до 9% (в ML-системе); 🔸доля «зависших»остатков снизилась с 12–15% до 4–6%; при обороте 10 млн руб. в месяц это высвобождает 600–900 тыс. руб. оборотного капитала ежемесячно; 🔸стоимость владения системой в первый год — 1,6–2,8 млн руб.; 🔸окупаемость — 6–9 месяцев при обороте от 5 млн руб. в месяц. Конечно, такое решение нужно не всем. Если у бизнеса до 50 SKU, оборот до 2 млн руб. в месяц и стабильная ниша, обычного Excel с сезонными коэффициентами вполне хватит. Но если товаров много, конкуренция высокая, а ошибка в закупке стоит дорого, система прогнозирования продаж на базе классического ML становится рабочим прикладным инструментом, а не просто «интересной аналитикой». Подробный разбор архитектуры и экономики — в статье: https://blogs.epsilonmetrics.ru/prognozirovanie-prodazh-wildberries-ai/