Предиктивная аналитика — это простыми словами
Коротко
Предиктивная аналитика — это способ получить прогноз будущего на основе данных о прошлом. Программа находит в истории закономерности — как покупали, когда уходили, что заказывали — и по ним оценивает, что случится дальше: сколько клиентов уйдёт, какой будет спрос, кто не заплатит. Простыми словами: это ответ на вопрос «что вероятнее всего будет», посчитанный по вашим цифрам, а не по интуиции.
Как это работает
Сначала собирают историю: заказы, платежи, звонки, визиты на сайт, отказы. Каждая строка — это случай из прошлого с известным исходом: клиент купил или ушёл, заказ оплатили или нет.
Дальше программа ищет, что отличает один исход от другого: например, что клиенты, которые не заходили полгода и перестали открывать письма, уходят чаще. Это закономерность.
Потом на тех же признаках строят модель — правило, которое по новому клиенту выдаёт вероятность: уйдёт или останется, заплатит или нет. Модель проверяют на части истории, которую от неё прятали: если на этих случаях она угадывает так же хорошо, как на обучающих, ей можно верить.
Готовый прогноз ставят в работу: список клиентов с высокой вероятностью ухода, прогноз спроса на месяц, очередь заявок по риску неоплаты. Прогноз без действия — просто ещё одна таблица.
Четыре ступени аналитики
| Вопрос | Пример | |
|---|---|---|
| Описательная | Что произошло? | Отчёт: за месяц ушло 40 клиентов |
| Диагностическая | Почему произошло? | Разбор: ушедшие не покупали больше трёх месяцев |
| Предиктивная | Что будет дальше? | Прогноз: в следующем месяце уйдут ещё 35, вот они по именам |
| Предписывающая | Что с этим делать? | Решение: этим 35 предложить возврат на своих условиях и когда именно |
Где это окупается в бизнесе
- Отток клиентов: заранее видно, кто собирается уйти, и остаётся время поговорить с ним до ухода.
- Спрос и запасы: сколько товара завезти на месяц вперёд, чтобы не заморозить деньги в остатках и не терять продажи.
- Дебиторка: какие счёта с высокой вероятностью не оплатят вовремя, и с кем договариваться о рассрочке заранее.
- Подбор: какие кандидаты доходят до оффера, а какие отваливаются на собеседовании.
- Заявки: какие обращения станут продажей, а какие сожгут время менеджера.
Какие данные нужны
Прогноз строится на истории, и история должна быть длинной и чистой. Для оттока нужны сделки и даты последнего контакта за год-два, для спроса — продажи по дням за несколько сезонов. Если данных мало или они битые, модель выучит шум и ошибётся на новых случаях.
Второе условие — одинаковые признаки в прошлом и в будущем. Если в CRM источник заявки заполняли только последние три месяца, модель не сможет опереться на него для старых клиентов.
Третье — исход должен быть записан. Клиент ушёл — это факт с датой, а не догадка менеджера. Без даты ухода модель не поймёт, что предсказывать.
Как проверить, что прогноз сбывается
Модель проверяют на данных, которых она не видела: берут прошлый период, строят прогноз и сравнивают с тем, что случилось на самом деле. Сравнивают не «угадала или нет» по одному клиенту, а по всей выборке: сколько из тех, кому модель обещала уход, действительно ушли.
Хороший прогноз не обязан быть точным в каждом случае. Если из ста клиентов с высокой вероятностью ухода уходят семьдесят, а не десять, как в среднем по базе, — это уже работает: отдел удержания бьёт по тем, кто правда в зоне риска.
Точность проверяют регулярно. Поведение покупателей меняется, и модель, построенная год назад, тихо устаревает: цифры на выходе те же, а попадания всё реже. Пересборка и новая проверка на свежих данных — часть работы, а не разовый проект.
Частые вопросы
Чем предиктивная аналитика отличается от обычного отчёта?
Отчёт отвечает, что уже случилось: выручка за месяц, число заявок, ушедшие клиенты. Предиктивная аналитика отвечает, что вероятнее всего случится дальше, и называет конкретные случаи: эти клиенты уйдут, на этот товар спрос вырастет. Отчёт смотрят назад, прогноз — вперёд.
Это то же самое, что искусственный интеллект?
Не одно и то же. Искусственный интеллект — общее название технологий, а предиктивная аналитика — одна из задач, которую они решают. Модель прогноза может быть и простой формулой, и нейросетью: важен не инструмент, а проверка на данных, которых модель не видела.
Можно ли обойтись без программистов?
Для простых прогнозов — да: таблицы и готовые сервисы считают модель по истории продаж без кода. Программист нужен, когда прогноз встраивают в CRM, 1С или на сайт, чтобы он обновлялся сам и сразу попадал в работу менеджерам.
Сколько данных нужно, чтобы прогноз работал?
Единого порога нет: он зависит от того, сколько признаков и насколько редкое событие вы предсказываете. Ориентир такой: чем реже событие, тем больше нужно случаев в истории, чтобы модель увидела закономерность. Если уходов за год единицы, прогноз по ним будет случайным.
Заменяет ли прогноз опыт руководителя?
Нет, он его дополняет. Опытный руководитель видит то, чего нет в данных, а модель видит тысячи клиентов сразу и не устаёт. Сильнее всего они работают вместе: модель называет, на кого смотреть, а человек решает, что с этим делать.
Почему прогноз иногда ошибается?
Потому что он говорит о вероятности, а не о факте: из клиентов с одинаковыми признаками часть уйдёт, часть останется. Ошибкой это становится, когда модель построена на грязных данных, проверена на тех же случаях, на которых училась, или устарела после смены поведения покупателей.
Посчитать рядом
Когда прогноз нужен для решения, а не для отчёта
Чтобы цифры показали, какой клиент, канал или товар приносит прибыль
Прогноз опирается на историю, а история живёт в рекламных кабинетах, CRM, кассе и таблицах. Пока они не сведены, модель учится на обрывках и ошибается.
Я свожу данные бизнеса в одну картину и строю на них расчёты: по каждому товару, клиенту и каналу видно, что приносит деньги, а что их съедает.