ИИ для прогнозов спроса рынка

Мир технологий сегодня разделился на два лагеря. В первом — энтузиасты, которые уверяют, что искусственный интеллект перепишет все бизнес-процессы за ближайшие годы. Во втором — скептики, уставшие от обилия чат-ботов, которые «пишут стихи, но не приносят денег».

«Из каждого утюга говорят о том, что нет бизнесов, которые бы зарабатывали на искусственном интеллекте. Это пузырь, который лопнет неизбежно. ИИ для ИИ», — так формулирует главный вызов, Александр Иванайский — эксперт по анализу данных и предиктивному моделированию с 15-летним опытом в фундаментальной науке. Специализируется на обработке сверхсложных сигналов и поиске скрытых закономерностей в массивах данных. В проекте отвечает за математическую точность алгоритмов, трансформируя хаотичные потоки данных маркетплейсов в прогнозные модели высокой достоверности. Его миссия — внедрение наукоемких ИИ-технологий в реальный сектор экономики, превращая интуитивное управление бизнесом в стратегию, основанную на строгих расчетах.

Однако именно в этой точке скепсиса группа разработчиков из Барнаула и Астаны нашла, как им кажется, ту самую «золотую жилу», где нейросети начинают приносить реальные деньги. Их проект, вырос из потребностей обычного регионального ритейла, дающий возможности прогнозирования спроса как у гигантов вроде «Магнита». Речь идет об автоматизации прогнозирования спроса от торговли на маркетплейсах до небольшого магазина на районе  с помощью мультиагентного ИИ..

Точка входа: проблема «средней» торговой сети

Сергей Шипилов — архитектор систем искусственного интеллекта и технический мозг проекта. Специализируется на разработке сложных нейросетевых архитектур и пайплайнов данных, превращая громоздкую аналитику в точные инструменты прогнозирования. Его ключевая экспертиза — создание доступных ИИ-решений, которые позволяют малому и среднему бизнесу использовать технологии на уровне глобальных ритейл-гигантов, архитектор искусственного интеллекта и технический мозг проекта, долгое время работал с классической аналитикой для розничных магазинов. Формула «сколько продали, столько и заказываем» служила верой и правдой, но оптимизировать её было невозможно. С ИИ всё изменилось — появилась возможность не просто улучшить, а переосмыслить весь подход к планированию закупок.

«Раньше автоматическая аналитика отталкивалась от обычной математики. Но рынок постоянно меняется, меняется та же упаковка. Был, допустим, литр молока, стало 0,9 литра, — объясняет Сергей. — Программа начинает давать сбой. Для неё литровая упаковка и упаковка 0,9 — это два разных товара. Она не знает, сколько заказывать».

По словам команды, в этой нише оказались забытыми средние торговые сети. «У больших сетей, как "Магнит", есть все ресурсы, они могут разработать себе супер-приложение, — рассуждает Александр. — У маленьких — один-два магазина, хозяева сами видят и понимают, что покупать, чтобы остатки не оставались. А вот средние сети выпадают. У них огромные расходы на пересортицу».

Сергей начал экспериментировать с ИИ, пытаясь научить машину думать не цифрами в артикулах, а контекстом. «Искусственный интеллект как человек думает. Ему говоришь "молоко", без разницы 0,9 литра или 1 литр. Он сглаживает эти моменты», — рассказывает разработчик. Эксперимент удался: на собственных торговых точках система показала эффективность. Но масштабировать продукт для рынка офлайн-сетей оказалось сложно. И тут в дело вступил Казахстан.

ИИ модуль сбора данных как орудие разведки

Поворотным моментом стало участие в акселераторе «Astana Hub» (программа AIPRENEURS от Astana Hub). Там команде посоветовали смотреть шире — в сторону электронной коммерции. Проблема, с которой столкнулись разработчики в Казахстане, оказалась зеркальной той, что есть в России.

«Есть маркетплейсы, которые не предоставляют доступ к своим данным. Например, крупный Kaspi в Казахстане. Если бы он отдал свои данные, Ozon и Wildberries увидели бы, какие товары продаются в больших объемах, вышли бы на рынок, задемпинговали цены, и Kaspi просто растворился бы», — объясняет Александр.

У команды не было доступа к API закрытых площадок, но был Сергей, который создал парсер. «ИИ модуль сбора данных -  это программа, которая имитирует движение человека. Он заходит на страничку, смотрит товар, записывает все данные и делает базу данных», — описывает инструмент Александр. Имея на руках свежие данные, разработчики поняли, что могут «спросить ИИ» о том, чего хотят покупатели.

Так родилась концепция платформы Sellersai.pro, которая сегодня позиционируется как инструмент аналитики для селлеров и малого бизнеса. Отличие от большинства сервисов аналитики, работающих только через официальные API маркетплейсов, Sellersai.pro получает данные в том числе с закрытых площадок — таких как Kaspi в Казахстане. Это стало возможным благодаря интеллектуальному модулю сбора данных на основе ИИ, который самостоятельно анализирует открытые страницы площадок. Поверх этих данных работают три слоя искусственного интеллекта: планирование закупок, анализ текущего спроса и предсказание трендов — в том числе через мониторинг соцсетей.

Мультиагентность вместо «галлюцинаций»

Одна из ключевых технических фишек проекта, которую авторы противопоставляют «пузырю ИИ», заключается в отказе от универсальных чат-ботов. Вместо того чтобы пытаться загнать все знания мира в один диалог, команда построила мультиагентную систему.

«Люди от GPT-чата пытаются в одном чате всё спросить, — объясняет Александр. — Но чем больше ты спрашиваешь, тем больше он галлюцинирует, тем больше ошибок. А если ты даёшь конкретную задачу, он справляется отлично».

По словам Сергея, архитектура системы разработана на базе фундаментальной науки обработки сложных сигналов и включает около 15 специализированных агентов или ИИ-модулей. Каждый отвечает за свою узкую задачу — это полностью заменяет универсальные LLM и позволяет избежать «галлюцинаций», типичных для обычных чат-ботов. Каждый отвечает за своё поле. Один агент смотрит семантику (тот самый переход с литра на 0,9), другой — погоду.

«Это математическое моделирование хорошо отвечает на вопрос "сколько продавалось". Но искусственный интеллект может предсказывать аномальный спрос, — приводит пример Сергей. — Один из ИИ модулей смотрит погоду. Сейчас погода разная, могут быть заморозки. Или вдруг становится холодно — все бегут покупать перчатки. Математика этого не видит, а агент ИИ проверяет погоду в интернете и корректирует заказ».

Особый интерес вызывает третий уровень агентов, которые ушли далеко за пределы торговой статистики. Команда научила систему мониторить TikTok, YouTube и Shorts. «Мы смотрим, что вирусится у людей. Допустим, ввели запрос "наушники" на маркетплейсе, но дополнительный агент смотрит TikTok, какие новинки там начинают продвигать блогеры. И он опирается на это, подсказывая, что продавать в будущем», — рассказывает Сергей.

Кейс с учебниками и мешками: ИИ как «прощупыватель» ниш

Пока одни эксперты спорят о скорой смерти ИИ-стартапов, команда из Барнаула и Астаны приводит кейсы, которые сложно назвать абстрактными. Один из них связан с руководителем языковой школы в Казахстане. Мужчина напечатал тираж учебников, но продать их не мог — интуиция подвела.

«Мы заходим в нашу программу и видим: в топе продаж в Казахстане — географические карты на казахском языке и рабочие тетради для шестого класса, — вспоминает Александр. — Они уходят махом». Для предпринимателя это стало моментом истины: вместо абстрактного учебника нужно было точечное пособие, подкрепленное демографическими данными.

Другой кейс касается производителя мешков. «Им надо понять, в какую нишу бить. Диапазон дешевых занят, большая конкуренция. Искусственный интеллект увидел, что в среднем диапазоне есть свободная ниша, и подсказал: давай здесь», — говорит Александр.

Яков Очаковский — директор проекта, руководитель ТОО «Сапар Индастриз» (Казахстан). Обладает более чем 14-летним опытом в электронной коммерции и операционном управлении ритейлом. В 2010 году он одним из первых в регионе запустил собственный интернет-магазин, что позволило ему глубоко изучить механику онлайн-продаж, анализ спроса и масштабирование бизнеса в условиях развивающихся рынков.

В проекте Sellersai.pro Яков отвечает за бизнес-стратегию, интеграцию сложных ИИ-алгоритмов в реальные финансовые модели и обеспечение коммерческой эффективности решений. Благодаря своему практическому опыту он адаптирует технологии прогнозирования спроса под нужды малого и среднего бизнеса на рынках Казахстана и России.

«Рынок Казахстана активно развивается, но всё ещё заметно отстаёт от передовых практик российского и мирового e-commerce, — отмечает Яков. — Такие инструменты, как Sellersai.pro, дают предпринимателям возможность не просто догонять, а опережать конкурентов: точность прогноза спроса достигает 85–92 %, а снижение пересортицы — до 65 %, строя бизнес на основе точных данных и научного прогнозирования».

Архитектура будущего: от парсера к ассистенту производителя

Сейчас команда находится в точке выбора. Технически их детище уже умеет не только прогнозировать спрос, но и выступать в роли технолога. Как рассказывает Сергей, они экспериментировали с функционалом, где ИИ подбирал для производителя материалы, станки и даже генерировал видеоинструкции. Однако пока от этих фич решили отказаться.

«Приложение и так перегружено для новичка. Если перегрузить интерфейс, будет сложно понять, куда нажимать», — объясняет разработчик.

Александр добавляет, что видит миссию проекта не в создании очередной «умной» статистики, а в снижении барьера входа. «Очень маленький процент людей пользуется ИИ. Люди его страшно боятся. А наша миссия — показать, как это доступно. Не каждый может прописать такую площадку, как Сергей, но научить пользоваться, показать, что это не страшно, — это перспективная ниша». Мультиагентная система + ИИ-парсер закрытых маркетплейсов (Kaspi) — это первая в СНГ технология такого уровня, превосходящая стандартные ML-решения.

Сейчас перед командой стоит задача масштабирования. Планируется выход на Wildberries, Ozon, а в перспективе — на eBay и Amazon. При этом авторы проекта подчеркивают, что не стремятся конкурировать с гигантами вроде «Магнита». Их цель — дать интеллектуальный инструмент тем самым «середнякам» и мелким производителям, которые сегодня вынуждены полагаться на интуицию.

«Искусственный интеллект не может дать 100% данных, какие-то мелкие детали ускользают, — резюмирует Сергей. — Но если с 70% вероятностью давать прогноз, что будет продаваться на маркетплейсах, — это уже меняет правила игры для электронной коммерции».

Марина Петренкова

Фото: пресс-служба