B2B-компанії втрачають до 30% виручки через неточні прогнози пайплайну. Класичний weighted pipeline не враховує поведінкові сигнали. Ми вирішуємо це за допомогою LightGBM та ієрархічних моделей — точність зростає на 20–40% порівняно з класикою. Замовте аудит даних вже сьогодні: від аналізу CRM до автоматичної звітності.
Згідно з Wikipedia, sales forecasting — прогноз обсягу продажів у грошовому вираженні на майбутній період. На відміну від demand forecasting (яке працює з одиницями товару), sales forecast оперує виручкою і безпосередньо використовується для бюджетування, постановки квот та операційного планування.
Як ML-модель переоцінює ймовірності угод у CRM?
У B2B прогноз будується на основі sales pipeline. Класичний weighted pipeline множить суму угоди на ймовірність за стадією воронки, але менеджери часто завищують ймовірності через оптимізм. ML-модель (LightGBM) використовує поведінкові сигнали: кількість email-відповідей за 14 днів, кількість залучених stakeholders, час у стадії. Результат — AI probability score, який замінює ручну оцінку і підвищує AUC з 0.65 до 0.75–0.85. LightGBM у 1.25 раза точніше Prophet на B2B пайплайні.
| Сигнал | Вага в моделі |
|---|---|
| Днів у поточній стадії vs. median | Високий |
| Email відповіді за останні 14 днів | Високий |
| Кількість stakeholders engaged | Середній |
| Конкурентна згадка в notes | Середній |
| Розмір угоди vs. ICP | Середній |
| Closeness to fiscal year end клієнта | Низький |
Для B2C використовуємо агреговані часові ряди виручки, транзакцій та середнього чека. Класичні методи (Prophet, ETS, SARIMA) доповнюємо ML-фічами: лаги, ковзні середні, календарні події. Такий гібрид дає MAPE < 8% на квартальному горизонті.
Чому ієрархічний прогноз точніший за єдину модель?
Прогноз продажів потрібен на кількох рівнях: загальна виручка компанії, бізнес-юніти, продуктові лінійки, регіони. Єдина модель не враховує специфіку кожного сегменту. Ми будуємо bottom-up прогноз з reconciliation через метод MinT: кожен вузол (наприклад, продукт + регіон) має свою модель LightGBM, а топ-рівні узгоджуються для мінімізації помилки. Це дає точність на 5–10% вищу, ніж при прямому прогнозі зверху.
Total Company Revenue ├── Business Unit A │ ├── Product Line 1 │ │ ├── Region EU │ │ └── Region NA │ └── Product Line 2 └── Business Unit B Seasonal та event-driven патерни
У SaaS/B2B типовий квартальний spike — "хокейна ключка" в останні два тижні кварталу, кінець фінансового року, бюджетний сезон у жовтні-листопаді. У B2C Чорна п'ятниця та Кіберпонеділок приносять 30–50% річної виручки за 2–3 тижні. Обробляємо це додаванням бінарних регресорів у Prophet/LightGBM — прапори подій та кількість днів до/після.
Як ми враховуємо event-driven патерни
Додаємо не лише бінарні прапори, але й distance-регресори: кількість днів до найближчої події та після. Для Black Friday використовуємо асиметричне вікно — за 7 днів до та 3 дні після. Це покращує точність на пікових періодах на 15%.Зіставлення з планом та Variance Analysis
Система не лише прогнозує, але й пояснює відхилення: план vs. прогноз vs. факт. Декомпозиція за Volume effect (продали більше/менше одиниць), Price effect (зміна чека), Mix effect (зсув до інших продуктів). Реалізуємо через аналітичні Shapley values — не ML-SHAP, а детермінований розрахунок внеску кожного фактора.
Інтеграція з плануванням: API в Anaplan, Adaptive Insights, SAP BPC, а також Excel-звіти через openpyxl з діаграмами для CFO. Автоматична генерація щотижневого PDF/PowerPoint: прогноз, trend vs. budget, ключові зміни. Економія бюджету на плануванні сягає 30% за рахунок автоматизації.
Порівняння алгоритмів прогнозу
| Алгоритм | Найкращий сценарій | Типова MAPE |
|---|---|---|
| Prophet | B2C з сильною сезонністю | 8–12% |
| LightGBM | B2B з безліччю фіч | 5–8% |
| SARIMA | Короткі ряди (12–24 міс) | 10–15% |
Що входить у роботу
- Аудит джерел даних та CRM
- Проектування ML-архітектури (стек: PyTorch, LightGBM, Prophet, HuggingFace)
- Навчання та валідація моделей, підбір гіперпараметрів
- Розгортання через Docker/Kubernetes, Triton Inference Server
- Дашборди (Power BI, Tableau, Grafana)
- Автоматична звітність для фінансового відділу
- Навчання команди та підтримка 3 місяці
Терміни: B2B pipeline AI scoring — 4–6 тижнів. Комплексна система з ієрархічним прогнозом, variance analysis та авто-звітами — 3–4 місяці. Вартість розраховується індивідуально після аудиту. Окупність — в середньому 4–6 місяців, ROI сягає 200% за перший рік.
Наші гарантії: сертифіковані MLOps-інженери, прозора архітектура, підтримка після запуску. Зв'яжіться з нами для консультації щодо вашого проекту — оцінимо дані та терміни. Докладніше про LightGBM та demand forecasting.