Машинное обучение в бизнесе: с чего начать и что ожидать

Что такое машинное обучение простыми словами

Обычная программа работает по правилам, которые написал человек: «если сумма заказа выше порога, дай скидку». Модель машинного обучения устроена иначе: ей показывают историю с известным исходом, и она сама подбирает зависимости. Например, какие клиенты после третьей покупки возвращаются, а какие исчезают.

Результат такой модели — не истина, а оценка вероятности: «этот клиент, скорее всего, не вернётся», «в следующем месяце этого товара понадобится больше». Решение остаётся за человеком, но принимается не наугад.

Какие задачи машинное обучение решает в бизнесе

Чаще всего встречаются шесть типов задач. Не все они подойдут именно вам, но список помогает сформулировать запрос.

Представьте магазин одежды в Ташкенте с точкой в регионе и активным Instagram. Закупщик по привычке заказывает «как в прошлом сезоне». Прогноз по моделям и размерам, построенный на кассовой истории, покажет, где вы системно недозакупаете, а где копите остатки. Это приземлённая задача с эффектом в сумах, и с неё разумно начинать.

• Прогноз спроса: сколько товара закупить к сезону, чтобы не заморозить деньги на складе и не остаться с пустой полкой.
• Отток клиентов: кому из постоянных покупателей пора написать или предложить бонус, пока они не ушли к конкуренту.
• Оценка заявок: какие обращения из рекламы и Telegram чаще доходят до оплаты, чтобы менеджеры начинали с них.
• Рекомендации: что предложить к корзине в интернет-магазине или в чат-боте.
• Поиск аномалий: резкое падение конверсии, подозрительные возвраты, сбои оборудования.
• Сегментация: группы клиентов с похожим поведением для разных рассылок.

Когда машинное обучение не нужно

Часто задачу можно решить проще. Если в неделю у вас несколько десятков заказов, модель не найдёт устойчивых закономерностей: примеров слишком мало. Если ответ укладывается в правило, правило надёжнее, например: клиенту, который давно не покупал, автоматически уходит сообщение в Telegram.

Полезно честно сравнить варианты перед стартом.

Рабочая последовательность такая: сначала отчёт, потом правила и автоматизация, и только затем модель.

• Отчёт или дашборд: подходит, когда нужно понять, что происходит сейчас и где просадка.
• Простые правила: подходят, когда логика очевидна и редко меняется.
• Прогноз «как в прошлом году с поправкой на рост»: быстрый и часто достаточный базовый уровень.
• Модель машинного обучения: оправдана, когда факторов много, данных достаточно, а ошибка прогноза стоит заметных денег.

Какие данные нужны и где их взять

Для прогноза спроса нужна история продаж за несколько сезонов, иначе модель не отличит праздничный всплеск от случайного. Для оттока или оценки заявок нужны примеры с известным исходом: клиент вернулся или нет, заявка оплачена или нет. Данные должны быть полными и единообразными: если один товар в кассе назван тремя способами, модель выучит этот беспорядок.

В Узбекистане типичная проблема в другом: данные разбросаны. Платежи идут через Click и Payme, заказы живут в переписке Telegram, лиды приходят из Instagram и рекламных кабинетов Meta и Google, часть продаж — через Uzum или OLX, а касса работает в отдельной программе. Пока эти источники не связаны через клиента или заказ, модель видит лишь кусочки картины.

Пошаговый план внедрения

Шаги нельзя перепрыгивать. Чаще всего проект ломается на третьем, когда выясняется, что данных нет или они противоречат друг другу.

• Сформулируйте вопрос в деньгах: например, «сократить неходовые остатки» или «вернуть часть ушедших клиентов».
• Определите критерий успеха: какая метрика и какое значение вас устроит.
• Проверьте данные: период, пропуски, дубли, единые названия товаров и источников.
• Постройте простой базовый метод и запомните его результат.
• Обучите модель на истории до выбранной даты и проверьте на следующих месяцах.
• Встройте результат в процесс: план закупок, список для менеджеров, рассылка.
• Назначьте ответственного и срок, когда точность будет пересмотрена.

Как проверить, что модель действительно работает

Модель оценивают на данных, которых она не видела при обучении. Допустим, её обучили на продажах до лета, а прогноз сравнили с фактом за осень. Проверка на тех же данных, на которых модель училась, ничего не доказывает: она просто запомнила ответы.

Второе обязательное условие — сравнение с базовым методом. Если прогноз «как в прошлом году» ошибается примерно так же, как сложная модель, сложная модель не нужна. Третье — перевести ошибку в деньги: чуть более точная модель, которая экономит на закупке заметную сумму, полезнее эффектной, но ничего не меняющей.

Типичные ошибки

Большинство неудач связано не с алгоритмами, а с организацией работы вокруг них.

• Начинать с технологии, а не с вопроса: «хотим нейросеть» вместо «хотим снизить остатки».
• Брать слишком короткую историю и ждать точного прогноза на сезон, которого модель не видела.
• Не учитывать события вне данных: новый конкурент, скачок курса, акция маркетплейса, смена цен.
• Не договориться, кто пользуется результатом, поэтому прогноз остаётся в отчёте.
• Не обновлять модель: поведение клиентов меняется, и точность тихо падает.
• Смешивать определения: «продажа» в CRM и в кассе может означать разное.
• Ждать гарантий вместо вероятностей.

Чек-лист перед стартом

Если на большинство пунктов вы отвечаете «да», можно переходить к пилоту. Если нет, сначала наведите порядок в данных.

• Есть конкретная задача с оценкой эффекта в суммах.
• Есть история за несколько сезонов или достаточно примеров с известным исходом.
• Источники связаны через клиента, заказ или номер телефона.
• Названия, статусы и источники заявок записываются единообразно.
• Определён базовый метод для сравнения.
• Назначен человек, который применяет результат.
• Запланирована регулярная проверка точности.

Сквозная аналитика как фундамент для моделей

Большинству компаний на пути к машинному обучению нужен не алгоритм, а порядок в данных. Сквозная аналитика собирает путь клиента от рекламы и первого сообщения до оплаты и повторной покупки. На такой базе можно и увидеть, где теряются деньги уже сейчас, и позже строить прогнозы.

Если хотите понять, готовы ли ваши данные к таким задачам, команда markdev поможет разобрать источники, настроить сквозную аналитику и отчётность и определить, где достаточно отчёта, а где стоит пробовать модель. Опишите свою задачу, и мы обсудим её.