Классический BI отвечает на вопрос «что произошло». Дашборд показывает выручку за квартал, загрузку складов, отток клиентов – всё это факты из прошлого. Бизнес и госорганы давно умеют их собирать. Но решения принимаются о будущем, а отчёт о будущем не говорит ничего. Прогнозная аналитика на машинном обучении закрывает этот разрыв: вместо описания истории модель оценивает вероятность события и даёт число, на которое можно опереться при планировании.

От агрегатов к моделям

Разница не в инструменте, а в постановке задачи. Отчёт агрегирует данные по заранее заданным разрезам. Модель ищет закономерности, которые аналитик руками не выделит: нелинейные связи между десятками признаков, сезонность, скрытые сегменты.

Типовые задачи, которые сейчас реально решаются на проде:

  • Прогноз спроса и запасов – снижение неликвидов и дефицита за счёт прогноза по каждой позиции, а не по категории.
  • Отток клиентов (churn) – ранжирование абонентов по риску ухода, чтобы удержание шло точечно.
  • Скоринг и выявление аномалий – оценка заявок, поиск подозрительных транзакций и нетипичного поведения.
  • Прогноз нагрузки – для госуслуг и инфраструктуры: число обращений, пиковые периоды, потребность в ресурсах.

Под капотом – отработанные методы: градиентный бустинг (XGBoost), случайный лес, линейные модели с регуляризацией. Под них достаточно текущих библиотек на Python и R. Глубокое обучение оставляйте для изображений и текста; для табличных данных бустинг обычно точнее и дешевле в эксплуатации.

Данные и инфраструктура решают

Алгоритм – это 20% результата. Остальное – данные и то, где модель живёт. Прежде чем обещать прогноз, проверьте три вещи: глубину истории (минимум 2–3 года для сезонных задач), полноту разметки и стабильность источников. Модель, обученная на грязных данных, выдаёт уверенные, но ложные числа – это опаснее отсутствия прогноза.

Отдельный вопрос – где всё это разворачивать. Для бизнеса и особенно для госсектора облако внешнего провайдера часто закрыто требованиями к персональным данным и закону № 152-ФЗ, а с лета прошлого года – ещё и хранением данных россиян на территории РФ. Поэтому прогнозный контур мы собираем на собственных мощностях заказчика. Контейнеризация моделей и их оркестрация – практичный путь к воспроизводимости и масштабированию; о развёртывании on-premise мы подробно писали в материале про kubeadm. Это же снимает вопрос привязки к зарубежной платформе – тренд на приоритет отечественного ПО делает локальный стек не пожеланием, а требованием закупок.

Как не получить «магический ящик»

Главный риск прогнозной аналитики – доверие к модели, которую никто не контролирует. Закладывайте это сразу:

  • Метрика, привязанная к деньгам. Не «точность 0.9», а сколько рублей экономит модель против текущего процесса.
  • Объяснимость. Для скоринга и госзадач важно показывать, почему принято решение. Бустинг даёт важность признаков; этого хватает для аудита.
  • Мониторинг дрифта. Поведение клиентов меняется – модель устаревает. Нужен регулярный переобучающий цикл, а не разовый запуск.
  • Журнал решений. Неизменяемый лог предсказаний и входных данных. Здесь полезны подходы из корпоративных блокчейн-платформ, где аудируемость заложена в архитектуру.

Вывод

Прогнозная аналитика – не замена BI, а его следующий слой. Отчёты остаются, но к ним добавляется модель, которая превращает накопленные данные в действия до того, как событие наступит. Начинать стоит с одной измеримой задачи и чистого источника данных, а сам контур – от витрин до прогнозных моделей – строится на основе зрелой аналитики данных и BI.