Простыми словами: агент отвечает не только на вопрос “сколько продадим”, но и на более полезный вопрос “что нужно сделать заранее”. Где товар закончится, где будет избыток, какие SKU требуют закупки, какую партию запускать в производство и какие данные слишком слабые для уверенного решения.
Важный принцип: LLM не должна быть единственным механизмом прогноза. Расчет лучше делать воспроизводимым способом: кодом, статистической моделью, SQL, Python или проверяемой таблицей. Языковая модель полезна для объяснения результата, поиска факторов, подготовки отчета и формулировки сценариев.
Хороший агент всегда показывает baseline forecast. Это базовый прогноз, с которым сравнивают более сложные варианты. Если сложная модель не лучше baseline на backtest, ей нельзя доверять только потому, что она выглядит умнее.
Отдельно нужно учитывать stockout. Низкие продажи во время отсутствия товара не означают низкий спрос. Поэтому агент должен видеть доступность товара, резервы, остатки на каналах продаж и периоды, где спрос был скрыт нехваткой товара.
Рекомендации агента должны идти через approval. Создать заказ поставщику, изменить план производства, перераспределить остатки или поднять закупочный лимит можно только после проверки человеком. Агент готовит обоснование: прогноз, риск, источник данных, forecast error, confidence score и рекомендуемое действие.
Примеры
- Агент строит прогноз спроса по SKU на 30 дней, учитывая продажи, остатки, акции и сезонность, а затем показывает товары с риском stockout.
- Закупщик получает рекомендацию: заказать 120 единиц товара. Агент показывает baseline forecast, текущий остаток, срок поставки, forecast error и причину рекомендации.
- После промо продажи выросли в 3 раза. Агент не переносит всплеск в обычный прогноз, а помечает период как промо-событие и считает отдельный сценарий.
- Товар почти не продавался две недели. Агент видит, что в этот период не было остатка на складе, и не делает вывод, что спрос исчез.
- По итогам месяца агент делает backtest: сравнивает прогноз с фактическими продажами, считает ошибку по категориям и показывает, где модель надо поправить.
Где используется
- прогноз спроса по SKU
- планирование закупок
- контроль stockout
- поиск избытка запасов
- планирование производства
- прогноз продаж на маркетплейсах
- учет сезонности и промо
- backtest качества прогноза
- расчет forecast error
- сценарное планирование
- рекомендации по пополнению склада
- отчеты для закупок, склада и руководителя
Связанные термины
Частые вопросы
Что делает ИИ-агент прогнозирования спроса?
Он собирает продажи, остатки, stockout, промо, цены и события, строит прогноз, объясняет факторы изменения спроса и готовит рекомендации для закупок, склада или производства.
Чем прогноз спроса отличается от прогноза продаж?
Продажи показывают, сколько реально купили. Спрос шире: он учитывает, что клиент мог хотеть купить товар, но товара не было на складе, цена изменилась или канал был недоступен.
Можно ли доверять прогнозу без backtest?
Нежелательно. Нужно сравнить прогноз с фактом на прошлых периодах, посчитать forecast error и проверить, лучше ли модель простого baseline forecast.
Какие данные нужны агенту?
Нужны продажи, остатки, stockout, резервы, возвраты, цены, промо, календарь событий, каналы продаж, сроки поставки, минимальные партии и правила пополнения.
Какие действия требуют подтверждения человеком?
Заказ поставщику, запуск производства, изменение плана закупок, перераспределение остатков, изменение лимитов и любые действия, которые влияют на деньги, склад или обязательства перед клиентами.
