Любая презентация про ИИ в коммерческой аналитике стоит на одной и той же лестнице из четырёх ступеней: описательная, диагностическая, предсказательная, предписывающая. Она держится на первом слайде этой презентации пятнадцать лет. Нельзя сказать, что она неверна. Просто она слишком груба, чтобы принять по ней хоть одно решение, и грубость эта дорога вполне определённым образом: корреляция и рандомизированная контрольная группа попадают в ней в одну коробку, и обе называются предписывающими.
Это первая часть из трёх, и она скучная — словарь и рамка. Всё практическое во второй и третьей частях держится на том, что эта рамка не разъедется.
В чём работа состоит на самом деле
Полезный сдвиг вопроса — он не про то, «какую модель мы строим». Коммерческая аналитика в FMCG работает над одним кубом очень высокой размерности:
SKU × магазин/клиент × регион × неделя × канал × промо × цена × дистрибуция × доступность × сегмент покупателя
Перебрать это человек не может. Срезов больше, чем рабочих часов в году, и интересные лежат не там, куда вы стали бы смотреть. То, в чём машинное обучение здесь по-настоящему хорошо, — это не доказательство причинности и не разговор с вашими данными. Это системное управление коммерческим вниманием: найти, где изменились показатели, с чем это движение совпало, где лежит невостребованная возможность, какого она примерно размера и какие действия стоит проверить первыми.
Главная ценность ИИ и машинного обучения в этой области на ближайшее время — не «машина доказала причинность». А то, что машина решает, на что дефицитный аналитик смотрит в понедельник утром.
Один этот сдвиг переводит разговор из «какая модель» в «какие решенческие вопросы» — а это единственная версия разговора, в которой может участвовать коммерческий директор.
Лестница доказательств и действий
Вот замена лестнице из четырёх ступеней. Десять ступеней, у каждой свой вопрос, свой результат и — вот это и важно — своё запрещённое преувеличение.
| № | Ступень | Вопрос | Пример из FMCG | Как можно говорить | Запрещённое преувеличение |
|---|---|---|---|---|---|
| 1 | Наблюдать | Что произошло? | Продажи −8%, доля −1,2 п.п., доступность 82% | Наблюдаемый факт | Любое «почему» |
| 2 | Локализовать | Где именно? | 42% падения — в сети A / на Юге / по SKU C | Локализованная проблема | «Сеть A вызвала падение» |
| 3 | Связать | С чем это двигалось? | Разрыв в продажах связан с разрывом в доступности и потерей дистрибуции | Гипотеза о связанном факторе | «Доступность стоила нам X единиц» |
| 4 | Оценить размер | Какой порядок величины? | Недополученные продажи ≈ 300 тыс. | Оценка при заданной базе | «Мы вернём эти 300 тысяч» |
| 5 | Предсказать | Что вероятно дальше? | Риск отсутствия на полке через две недели | Спрогнозированный риск | «Товар закончится» |
| 6 | Смоделировать | Что говорит модель, если X изменится? | Скидка 15% → маржа 1,3 млн | Сценарий по модели | «Рост доступности даст Y» |
| 7 | Рекомендовать | Что делаем первым? | Закрыть сто главных проблем с доступностью | Рекомендованное действие по правилу | «Это действие вернёт ровно X» |
| 8 | Проверить | Сработало ли действие? | Восстановление после вмешательства против базы | Проверенное действие | — |
| 9 | Оценить причинный эффект | Каким был приростный эффект? | Прирост от промо по «разности разностей» +6% | Оценка при названных допущениях | «Доказано, и всегда» |
| 10 | Оптимизировать | Как распределить дефицитный ресурс? | Полевая команда объедет 80 магазинов — какие? | Оптимизированный портфель | «Оптимизатор создал эффект» |
Две вещи в этой таблице стоят больше, чем сама таблица.
Локализация и связывание — не разминка. В большинстве опубликованных моделей зрелости ступени 2 и 3 — нудная прелюдия перед настоящей работой. В FMCG именно в них живёт бо́льшая часть достижимой ценности, потому что куб велик и никто его сейчас системно не обходит. Команде без функции data science стоит целиться в то, чтобы хорошо и постоянно работать на ступенях 1–7, а не в то, чтобы плохо добраться до девятой.
Столбец с запрещённым преувеличением — это и есть продукт. Находка без метка доказательности — не находка, а слух с приложенным графиком. Именно ярлык не даёт связи со ступени 3 приехать на совет директоров в виде эффекта со ступени 9. А это самый частый способ для аналитики потерять доверие: не будучи неправой, а будучи правой на более низкой ступени, чем заявлено.
Один открытый вопрос и два направления движения
Над всеми десятью ступенями стоит вопрос, на который ни один дашборд не отвечает:
В каком состоянии бизнес?
Он раскладывается на дорожки, а дорожки расходятся по различению, которое постоянно схлопывают:
| Дорожка | Как входим | Главный вопрос | Результат |
|---|---|---|---|
| Состояние бизнеса | Открытый обзор | Что вообще происходит? | Радар для руководства: риски и окна |
| Разбор проблемы | Известное событие, сверху вниз | Почему упали продажи, доля, маржа? | Пакет по проблеме и следующее действие |
| Поиск возможностей | Открытый поиск, снизу вверх | Где рост, когда ничего не сломано? | Бэклог возможностей, список белых пятен |
| Поиск недополученных продаж | Спрос был, его не обслужили | Где мы недодали по доступности или листингу? | Очередь действий по недополученным продажам |
| Поддержка решений по промо и RGM | Решение назрело | Какое промо, цена или упаковка? | Сценарий и рекомендация |
| Причинная проверка | Эскалация для дорогих решений | Можем ли мы сказать, что X вызвал Y? | Записка с причинной оценкой |
Разбор проблемы идёт сверху вниз: событие известно, и вы сужаете. Поиск возможностей идёт снизу вверх: события нет, и вы обходите вселенную. Это разные способы думать с разными типами провала, и когда их сливают в один процесс — а именно это делает большинство инструментов «ИИ-инсайтов», — получается нечто посредственное в обоих. Вторая часть разбирает каждый по отдельности.
Слова, которые всё время путают
Половина споров в этой области — споры о словах, и никто не замечает, что они о словах.
| Термин | Что значит | Чего не значит |
|---|---|---|
| Локализация | Найти, где сконцентрировано изменение | Не определяет фактор |
| Поиск срезов | Автоматический перебор сочетаний измерений в поисках необычного поведения | Срез — это подгруппа, а не причина |
| Связь | Переменная статистически связана с целевой либо помогает её объяснить или предсказать | Не причинный эффект |
| Диагностика факторов | Деловая интерпретация связанных сигналов в правдоподобное объяснение | Всё ещё гипотеза |
| Предсказание | Оценка будущего значения или риска при нынешних закономерностях | Не выбирает действие |
| Сценарий, «что если» | Пересчёт модели с изменённым входом | Коэффициент всё равно откуда-то взялся |
| Предписание | Рекомендованное действие | Может быть сильным или очень слабым по доказательности |
| Причинный эффект | Оценённый эффект вмешательства, do(X) | Требует дизайна, а не просто модели |
| Оптимизация | Выбор лучшего набора действий при ограничениях | Не создаёт коэффициенты, по которым оптимизирует |
Если команда не возьмёт из этого текста ничего больше, пусть возьмёт эту таблицу и повесит на стену. Большинство дорогих ошибок дальше по цепочке — это одна из девяти путаниц, надевшая костюм.
«Предписывающая» — это спектр, а не ступень
Вот поправка, которую мне больше всего хотелось бы распространить. На языке поставщиков предписывающая аналитика вбирает в одно слово прогнозирование, «что если», регрессию, сценарии, рекомендации, оптимизацию и причинное предписание. На практике это спектр, между концами которого порядок величины разницы в строгости:
| Вид предписания | На чём стоит | Пример | Строгость |
|---|---|---|---|
| По правилу | Деловое правило | Доступность ниже 85% по топовому SKU → чинить | Низкая, но по-настоящему практичная |
| По порогу или исключению | SLA или лимит | Дистрибуция −5 п.п. → проверить листинг | Низкая |
| По связи | Корреляция, регрессия, SHAP | Разрыв в продажах связан с разрывом в доступности → проверить доступность | Средняя; достаточная для сортировки |
| По прогнозу | Предсказанный риск | Риск отсутствия на полке → пополнить | Средняя |
| По сценарию | Коэффициент плюс формула | Скидка 15% → лучшая маржа | Целиком зависит от коэффициента |
| По симуляции | Кривые отклика плюс допущения | Проигрывание промо-календаря | Средняя и выше |
| По приоритету на основе оценки | Ценность × уверенность × выполнимость | Сто главных действий «магазин — SKU» | Очень практичная |
| По оптимизации | Ожидаемая ценность при ограничениях | Распределение визитов полевой команды | Высокая, для поддержки решений |
| По причинному эффекту | DiD, BSTS, DML, контрольная группа | Починка доступности → +6% | Высокая |
| С опорой на эксперимент | Рандомизированный контролируемый тест | Раскатка после холдаута | Сильнейшая из доступных |
| Адаптивная | Петля обратной связи | Система учится на каждом действии | Зрелая |
Рамка, которая делает это пригодным к употреблению:
Предписание = логика действия + ожидаемая ценность + ограничения + метка доказательности
Уберите четвёртое слагаемое, и всё сооружение выродится в совет. Провал начинается ровно там, где рекомендацию, выведенную из связи, продают как доказанный приростный эффект. И продают обычно не по нечестности, а потому, что словарь не дал никакого способа произнести разницу вслух.
Откуда берётся коэффициент
Этот слой я пропустила на первом заходе, а он оказался несущим. Любое «что если» и любое предписание с числом требует коэффициента отклика: насколько сдвинется Y, когда сдвинется X. И ключевое понимание в том, что силу утверждения определяет не метод, а дизайн вопроса и происхождение коэффициента.
| Источник коэффициента | Пример | Как называть результат | Риск |
|---|---|---|---|
| Экспертное допущение | «+10% скидки → +20% штук» | Сценарий на допущении | Субъективно |
| Историческое среднее | Средний прирост похожих прошлых промо | Исторический сценарий | Спутано с сезоном, поддержкой, запасом |
| Корреляция | Доступность и продажи движутся вместе | Гипотеза на связи | Смешивающие факторы, обратная причинность |
| Коэффициент регрессии | Продажи ~ доступность + цена + промо + контроли | Связь по модели | Без дизайна не причинная; мультиколлинеарность |
| Предсказательное ML и SHAP | Модель предсказывает, SHAP подсвечивает признаки | Предсказательный сценарий | Важность признака ≠ причинный эффект |
| Квазиэксперимент | Обработанные против сопоставимого контроля, до и после | Причинная оценка при допущениях | Нужен настоящий дизайн |
| Рандомизированный холдаут | Случайные тестовые и контрольные магазины | Экспериментальный эффект | Дорого, медленно, вопрос переносимости |
| Бенчмарк поставщика | Внешняя эластичность | Сценарий по бенчмарку | Может не перенестись |
| Петля обратной связи | Настоящие исходы прошлых действий | Адаптивная оценка | Нужен чистый журнал действий |
Прочитайте таблицу сверху вниз, и мысль встанет на место: «что если» — это не доказательство. Его качество целиком унаследовано от той строки, из которой взят коэффициент. Одна и та же регрессия может быть связью, предсказанием, сценарием или причинной оценкой в зависимости от того, как был устроен вопрос, — и ничто в результате эти четыре варианта не различает. Различает только дизайн, и записывает его только человек.
Что даёт первая часть
Пока ничего. Это честный ответ. Она не строит модель, не находит возможность и не экономит денег.
Что она делает — так это позволяет написать две следующие части, не соврав. Вторая часть строит движок: три процесса поиска, гранулярность, которая им нужна, и та самая точка, где BI-инструмент перестаёт помогать. Третья спрашивает, кто вообще должен быть в комнате, во что это обходится и почему первый проект не должен быть внедрением от поставщика.