Интернет-магазин заказывает у поставщика 800 пар зимних ботинок в августе, потому что модель посчитала: в ноябре их купят с вероятностью 87 %. Банк отказывает в кредите человеку с хорошей зарплатой, потому что похожие заёмщики в прошлом переставали платить. Завод меняет подшипник за неделю до того, как он сломается. Всё это делает предиктивная аналитика.
В этой статье разбираем, что такое предиктивная аналитика простыми словами: как из старых данных получается прогноз, какие методы для этого используют, где она уже работает в России и что нужно уметь, чтобы этим заниматься. Отдельно смотрим, с чего начать, если у вас есть только Excel и таблица продаж.
Если вам нужнее профессия, чем технология, начните с обзора «Кто такой прогнозный аналитик и почему его путают с дата-сайентистом»: там про обязанности, зарплату и вход в профессию.
Статья написана для новичков: для маркетологов, продактов, аналитиков и владельцев бизнеса, которые слышали термин на совещании и хотят понять, стоит ли за ним что-то полезное. Если хочется сначала разобраться с базой, у нас есть материал о машинном обучении для неспециалистов.
А тем, кто уже решил освоить прогнозирование как навык, пригодится каталог курсов по аналитике и Data Science: там собраны программы от двухнедельных интенсивов по Excel до годовых курсов с машинным обучением.
CheckroiПодборка курсов по машинному обучению156 курсов • 28 школСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Что такое предиктивная аналитика
Начнём с определения. Предиктивная аналитика (от английского predictive analytics, по-русски также «прогнозная аналитика» или «предиктивный анализ») предсказывает будущие события по накопленным данным. Она берёт то, что уже случилось: продажи за три года, историю платежей клиентов, показания датчиков на станке. Находит в этом устойчивые закономерности. И на их основе оценивает, что произойдёт дальше.
Вся суть предиктивной аналитики в слове «оценивает». Прогнозная модель никогда не говорит «клиент уйдёт». Она говорит «вероятность ухода 0,73». Дальше решение принимает человек: звонить этому клиенту сейчас, предложить скидку или ничего не делать. Конечная цель предиктивной аналитики в том, чтобы решения принимались заранее, пока событие ещё не случилось.
Простой пример из жизни. Прогноз погоды на телефоне и есть предиктивная аналитика: метеослужба берёт десятилетия наблюдений, сравнивает сегодняшнюю картину давления и ветра с похожими днями в прошлом и выдаёт «дождь с вероятностью 70 %». Бизнес делает то же самое, только вместо давления у него чеки и клики.
Второй момент, который сбивает новичков: предиктивная аналитика ищет связи, но не объясняет причины. Модель может заметить, что покупатели красных чайников чаще возвращают товар, и будет это использовать, даже если причина в чём-то другом. Почему это опасно и как не обмануться, мы подробно разбирали в статье о корреляции.
Четыре уровня аналитики: чем предиктивная отличается от остальных
Аналитику данных обычно делят на четыре уровня по вопросу, на который она отвечает. Предиктивная стоит на третьей ступени, и без первых двух её не построить.
| Уровень | Вопрос | Пример в интернет-магазине | Кто обычно делает |
|---|---|---|---|
| Дескриптивная (описательная) | Что произошло? | В марте продажи упали на 12 % | Аналитик данных, BI-аналитик |
| Диагностическая | Почему это произошло? | Упали продажи в регионах, где ушёл крупный конкурент со скидками | Аналитик данных, маркетолог |
| Предиктивная | Что будет дальше? | В апреле спрос вернётся к норме с вероятностью 80 % | Прогнозный аналитик, data scientist |
| Прескриптивная (предписывающая) | Что с этим делать? | Закупить 1200 единиц и запустить рекламу 25 марта | Data scientist вместе с бизнесом |
Дескриптивная и диагностическая аналитика смотрят назад. Их делает почти любая компания, у которой есть отчёты и дашборды (интерактивные экраны с графиками): чем занимается такой специалист, мы описали в статье про профессию аналитика данных. Предиктивная и прескриптивная смотрят вперёд, и для них нужны уже другие инструменты: статистические модели и машинное обучение.
Разница между двумя верхними уровнями тоньше. Предиктивная аналитика даёт прогноз, прескриптивная предлагает действие. На практике границу часто не видно: модель, которая прогнозирует отток, обычно сразу ранжирует клиентов по тому, кому звонить первым. Это уже кусочек прескриптивной аналитики.
Канал основателя Checkroi Вани Буявца3 700 человек читают мой Телеграм-канал про нейросетиСобрал промпты для Claude Code и ChatGPT, разборы ИИ-инструментов и лайфхаки по продвижению бизнеса в одном местеПрисоединитьсяВажный нюанс. Бизнес-аналитика (BI) и предиктивная аналитика тоже разные вещи. BI показывает красивый дашборд с тем, что уже было. Предиктивная модель в этот дашборд добавляет колонку «ожидаем в следующем месяце». Многие BI-системы такую колонку умеют считать сами, об этом ниже в разделе про инструменты.
Какие задачи решает предиктивная аналитика в бизнесе
Задач сотни, но почти все они сводятся к пяти типовым вопросам. Если ваша задача попадает в один из них, значит, её уже кто-то решал, и готовые методы есть.
Сколько купят. Прогнозирование спроса и продаж: сколько товара завезти на склад, сколько курьеров вывести в смену, сколько порций приготовить в столовой. Самая массовая задача: на hh.ru на 12 сентября 2026 года 308 открытых вакансий по России упоминают прогнозирование спроса прямо в тексте. Под эту задачу в каталоге есть отдельная подборка курсов по прогнозированию спроса.
Кто уйдёт. Прогноз оттока клиентов и сотрудников. Модель смотрит на поведение: клиент стал реже заходить в приложение, сотрудник перестал брать отпуск и обновил резюме. И выдаёт список тех, с кем надо поговорить в первую очередь.
Кто не заплатит. Кредитный скоринг (оценка заёмщика в баллах), оценка рисков, поиск мошеннических операций. Банк не может проверить каждого заёмщика вручную, поэтому модель оценивает вероятность просрочки по сотням признаков за доли секунды.
Что сломается. Предиктивное обслуживание оборудования: датчики на турбине, насосе или конвейере передают вибрацию и температуру, модель ловит отклонения, которые обычно предшествуют поломке. Ремонт планируют заранее, и цех не останавливается в три часа ночи.
Сколько это будет стоить. Прогноз цен: на сырьё, на недвижимость, на закупки. Сюда же относится динамическое ценообразование в такси и у авиакомпаний, когда цена меняется в зависимости от ожидаемого спроса.
CheckroiПодборка курсов по прогнозированию спроса11 курсов • 5 школСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Как строится прогноз: пять этапов
Со стороны кажется, что главное в предиктивной аналитике алгоритм. На деле выбор модели занимает малую часть проекта, а большую съедают данные. Этапы у любого проекта одни и те же.
Этап 1: постановка задачи
Сначала формулируют, что именно предсказываем и что будем делать с прогнозом. «Хотим предиктивную аналитику» задачей не считается. «Хотим знать за две недели, какие клиенты не продлят подписку, чтобы менеджер успел позвонить» считается. Здесь же договариваются, какая точность устроит бизнес: прогноз с ошибкой 15 % может быть отличным, если раньше закупали на глаз с ошибкой 40 %.
Этап 2: сбор и подготовка данных
Собирают исторические данные: минимум за год, а для сезонных товаров два-три года, чтобы модель увидела повторяющиеся циклы. Данные чистят: убирают дубли, заполняют пропуски, приводят даты к одному формату. По опыту команд, которые этим занимаются, на подготовку данных уходит больше половины времени проекта. Чем крупнее массив, тем ближе задача к работе с большими данными, со своей инфраструктурой и специалистами.
Этап 3: выбор и обучение модели
Данные делят на две части. На большей модель «учится»: ищет закономерности между признаками (день недели, цена, погода, акция) и результатом (сколько продали). Меньшую часть прячут, чтобы потом проверить, угадывает ли модель то, чего не видела. Так исключают ситуацию, когда модель просто запомнила прошлое и ничего не умеет предсказывать.
Этап 4: проверка
Прогноз сравнивают с фактом на отложенных данных и считают ошибку. Если модель прогнозирует продажи, смотрят, на сколько процентов она в среднем промахивается. Если ищет мошенников, считают, сколько настоящих мошенников она поймала и сколько честных клиентов заподозрила зря. Модель, которая ошибается сильнее, чем опытный менеджер, в работу не идёт. Как считают такие ошибки и почему это отдельная профессия, мы рассказывали в материале о статистиках.
Этап 5: внедрение и наблюдение
Прогноз встраивают туда, где принимают решение: в CRM (систему учёта клиентов), в систему закупок, в дашборд руководителя. И продолжают следить за точностью, потому что мир меняется. Модель спроса, обученную до открытия конкурента через дорогу, через полгода придётся переобучать. За этот этап в крупных компаниях отвечает отдельный человек, и о том, как становятся ML-инженером, у нас есть отдельный план.
Совет. Если вы только пробуете, начните с одной задачи и одного показателя. Прогноз продаж одной товарной группы на месяц вперёд в Excel даст больше пользы и понимания, чем «система предиктивной аналитики» на всю компанию, которую никто не откроет.
Методы и виды предиктивной аналитики простыми словами
Методов много, но новичку хватит шести. У каждого свой тип вопроса, и по вопросу метод обычно и выбирают.
| Метод | На какой вопрос отвечает | Пример задачи |
|---|---|---|
| Регрессия | Сколько? (число) | Какая выручка будет в мае при бюджете на рекламу 500 тысяч |
| Классификация | Да или нет? Какой класс? | Вернёт ли клиент кредит, спам ли это письмо |
| Анализ временных рядов | Как изменится показатель во времени? | Продажи мороженого по неделям на следующее лето |
| Кластеризация | Какие группы есть в данных? | Разбить клиентов на сегменты по поведению |
| Ансамбли (случайный лес, бустинг) | Те же, что регрессия и классификация, но точнее | Скоринг в банке, прогноз оттока |
| Нейросети | Сложные зависимости в больших данных | Прогноз нагрузки на энергосеть по тысячам датчиков |
Регрессия ищет формулу, которая связывает признаки с числовым результатом. Самая простая линейная регрессия выглядит как прямая на графике: чем больше бюджет на рекламу, тем выше продажи, и модель говорит, на сколько именно. Это тот метод, который можно освоить за вечер в Excel.
Классификация относит объект к одному из заранее известных классов. Самый понятный алгоритм здесь дерево решений: цепочка вопросов «стаж меньше года? доход ниже 60 тысяч? были просрочки?», по которой заёмщик попадает в ветку «одобрить» или «отказать». Дерево удобно тем, что его решение можно объяснить клиенту и регулятору.
Временные ряды работают с данными, у которых важен порядок во времени: продажи по дням, трафик по часам, курс валюты. Модель раскладывает ряд на тренд (общий рост или спад), сезонность (декабрьский пик) и шум. Классический бесплатный учебник по этой теме, Forecasting: Principles and Practice Роба Хайндмана, открыт целиком и читается без математического образования.
Кластеризация отличается от остальных тем, что правильных ответов заранее нет. Алгоритм сам группирует похожие объекты: например, находит среди покупателей «экономных семейных», «импульсивных ночных» и «оптовиков». Сама по себе она ничего не прогнозирует, но прогнозы по сегментам получаются точнее, чем по всей базе.
Ансамбли объединяют десятки или сотни простых моделей, обычно деревьев, и усредняют их ответы. Случайный лес и градиентный бустинг сегодня выигрывают большинство соревнований по табличным данным и стоят в банках и ритейле чаще любых других методов. Их описание с примерами кода есть в документации библиотеки scikit-learn.
Нейросети для табличных бизнес-данных используют реже, чем принято думать: они требуют много данных и плохо объясняют свои решения. Их сила там, где данных огромное количество и связи нелинейные: показания тысяч датчиков, изображения, тексты. Как устроены нейросети внутри, у нас есть отдельный разбор для новичков.
Все шесть методов относятся к машинному обучению или к классической статистике, и граница между ними условная. Когда говорят «искусственный интеллект и предиктивная аналитика», обычно имеют в виду ровно это: модель, которая обучилась на данных и выдаёт прогноз. Освоить методы системно можно на курсах по машинному обучению: в большинстве программ регрессия, классификация и ансамбли идут в первых модулях.
Где применяют предиктивную аналитику: отрасли и примеры
Применение предиктивной аналитики уже давно вышло за пределы банков и IT. Ниже отрасли, где она работает в России сегодня, с задачами, которые там решают чаще всего.
Ритейл и электронная коммерция
Прогноз спроса по каждой товарной позиции и каждому магазину, автоматический заказ поставщику, планирование акций. Маркетплейсы прогнозируют, какой товар положить на склад в каком регионе, чтобы доставка была за день. Ошибка в прогнозе здесь стоит денег дважды: излишки замораживают деньги на складе, дефицит отдаёт покупателя конкуренту.
Маркетинг и продажи
Прогноз оттока, сегментация клиентов, оценка пожизненной ценности клиента (сколько денег он принесёт за всё время), выбор следующего предложения. Модель подсказывает, кому из базы отправить рассылку, чтобы не тратить бюджет на тех, кто купит и без скидки, и не раздражать тех, кто не купит никогда.
Финансы и страхование
Кредитный скоринг, антифрод (поиск мошеннических операций), расчёт страховых тарифов, прогноз просрочек. Банки были первыми массовыми пользователями предиктивной аналитики ещё в девяностых, и до сих пор здесь самые зрелые модели. Здесь же самые жёсткие требования к объяснимости: отказ в кредите нужно уметь обосновать.
Промышленность и энергетика
Предиктивное обслуживание оборудования, прогноз брака, прогноз потребления электроэнергии. Это одна из самых денежных областей: по руководству по эксплуатации Министерства энергетики США (O&M Best Practices Guide, глава 5), переход с планового ремонта на предиктивный сокращает незапланированные простои на 35–45 % и расходы на обслуживание на 25–30 %. В России под эту задачу есть отечественные системы, например ПРАНА компании «РОТЕК» для мониторинга турбин и другого энергетического оборудования.
HR
Прогноз увольнений, оценка, кто из кандидатов пройдёт испытательный срок, планирование найма под сезон. Про то, как в это направление входят, мы писали в статье о профессии HR-аналитика. Отдельная сложность здесь этическая: модель, обученная на прошлых решениях, легко воспроизводит старые предубеждения.
Медицина
Прогноз риска осложнений у пациента, прогноз нагрузки на приёмное отделение, оценка эффекта лечения. В государственных клиниках такие модели пока встречаются реже, чем в частных сетях, но направление растёт вместе с оцифровкой медицинских карт.
Образование
Онлайн-школы прогнозируют, какие ученики бросят курс, по активности в первые две недели, и подключают куратора заранее. Университеты оценивают риск отчисления по посещаемости и оценкам первого семестра.
Государственное управление
Самый заметный российский пример: сервис предиктивной аналитики Ямало-Ненецкого автономного округа. По описанию на сайте департамента госзаказа ЯНАО, сервис собирает цены на товары из открытых источников и помогает заказчику обосновать начальную цену контракта с учётом доставки. По данным агентства «Север-Пресс» на март 2025 года, за два года сервис помог сэкономить больше 780 млн рублей бюджета, им пользуются около 1300 организаций округа. Так термин из корпоративной аналитики оказался в госзакупках.
Канал основателя Checkroi Вани БуявцаЗабирайте промпты и обучение по нейросетям в моём Телеграм-каналеБольше 3 700 человек уже применяют Claude Code, ChatGPT и другие нейросети в работе, учёбе, бизнесе и жизниПерейти в каналИнструменты: от Excel до Python
Инструменты предиктивной аналитики можно выстроить по лестнице сложности. Подниматься по ней стоит только тогда, когда предыдущей ступени перестало хватать.
Excel и Google Таблицы. Да, предиктивную аналитику можно делать в Excel. Функции ПРЕДСКАЗ.ETS и ПРЕДСКАЗ.ЛИНЕЙН строят прогноз временного ряда с учётом сезонности, а кнопка «Лист прогноза» на вкладке «Данные» делает это за три клика вместе с графиком и доверительным интервалом (коридором, в который факт попадёт с заданной вероятностью). Список функций с примерами есть в справке Microsoft. Для прогноза продаж одной категории на квартал этого хватает.
BI-системы. Yandex DataLens, Visiology, Power BI, Tableau умеют строить дашборды и во многих случаях добавлять к графику линию тренда или простой прогноз. Это уровень аналитика, который уже собирает отчёты и хочет добавить в них «что будет дальше». Чем занимается такой специалист, разобрано в статье про BI-аналитика.
CheckroiПодборка курсов по DataLens39 курсов • 11 школСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Python и R. Профессиональный уровень. В Python три библиотеки закрывают почти всё: scikit-learn для регрессии, классификации и кластеризации, statsmodels для временных рядов и классической статистики, XGBoost для бустинга. Все три бесплатны и открыты. Здесь же появляется возможность собрать модель под свою задачу вместо встроенной.
Готовые платформы и облачные сервисы. Yandex DataSphere, Sber ML Platform, зарубежные AutoML-сервисы (инструменты, которые сами перебирают модели и выбирают лучшую), отраслевые системы вроде ПРАНА. Это выбор компаний, которым нужна модель в промышленной эксплуатации с мониторингом, когда эксперимента на ноутбуке аналитика уже мало.
Что выбрать. Если не знаете, с чего начать, берите Excel и «Лист прогноза» на своих данных за два года. Когда упрётесь в то, что кроме времени нужно учесть ещё десяток факторов, переходите на Python со scikit-learn. BI-система нужна, когда прогноз должны видеть коллеги, у которых нет Python.
Ограничения и типичные ошибки
У предиктивной аналитики есть репутация волшебной кнопки, и большинство неудачных внедрений происходят из-за этой репутации. Пять вещей, о которые чаще всего спотыкаются.
Плохие данные. Если продажи за прошлый год записаны с пропусками, а половина клиентов в CRM задублирована, никакой алгоритм это не исправит. Качество данных определяет потолок точности сильнее, чем выбор метода.
Переобучение. Модель может выучить прошлое наизусть, включая случайные совпадения, и на старых данных показывать точность 99 %, а на новых ошибаться через раз. Именно от этого спасает отложенная выборка из третьего этапа.
Дрейф данных. Мир меняется, модель нет. Прогноз спроса, обученный до пандемии, в 2020 году не работал ни у кого. Модель нужно переобучать регулярно и следить, не поплыла ли точность.
Чёрный ящик. Сложная модель точнее, но хуже объясняет, почему она так решила. В кредитовании, медицине и HR это проблема: решение нужно уметь обосновать человеку, которого оно касается. Часто выгоднее взять модель попроще, зато прозрачную.
Прогноз приняли за гарантию. «Вероятность 80 %» означает, что в одном случае из пяти модель ошибётся. Если бизнес-процесс не готов к этой пятой ошибке, внедрение закончится обидой на аналитиков.
Вывод раздела. Проект предиктивной аналитики чаще проваливается на данных и ожиданиях, чем на алгоритмах. Сначала наведите порядок в таблицах и договоритесь, какая ошибка прогноза приемлема, и только потом выбирайте метод.
Кто этим занимается и что нужно уметь
Прогнозами в компании могут заниматься люди с разными должностями, и новичка это путает. Разница в глубине: от прогноза в Excel до модели, которая работает в приложении для миллиона пользователей.
Аналитик данных делает дескриптивную и диагностическую аналитику и часто простые прогнозы в Excel или BI. Это самая массовая точка входа, и о ней у нас есть отдельный материал: сколько зарабатывает аналитик данных.
Прогнозный аналитик специализируется именно на прогнозах: спрос, продажи, запасы. Обычно работает в ритейле, логистике и производстве, владеет статистикой и Python на уровне временных рядов. Вакансии с такой формулировкой пока редкость: на hh.ru 12 сентября 2026 года словосочетание «предиктивная аналитика» встречалось в 104 вакансиях по всей России, тогда как «прогнозирование спроса» в 308. То есть навык востребован, а называют его по-разному.
Data scientist строит сложные модели: ансамбли, нейросети, работает с большими данными. Чем он отличается от аналитика и как им стать, читайте в статье «Кто такой Data Scientist». ML-инженер отвечает за то, чтобы модель работала в продакшене (то есть в реальной системе с живыми пользователями) быстро и без сбоев: подробнее в обзоре профессии ML-инженера.
Минимальный набор для старта в любой из этих ролей: Excel на уровне сводных таблиц, SQL для выгрузки данных, основы статистики (среднее, разброс, корреляция, доверительный интервал) и Python с библиотекой pandas. Машинное обучение идёт следующим слоем и без первых четырёх пунктов не осваивается.
Где научиться предиктивной аналитике
Самостоятельно можно дойти до уровня прогнозов в Excel и простых моделей в Python: учебник Хайндмана, документация scikit-learn и собственные данные закрывают базу. Дальше начинается то, что в одиночку идёт медленно: проверка своих моделей, разбор чужих ошибок, работа с настоящими грязными данными. Здесь курс с наставником и проектами экономит месяцы.
Ниже подборка программ по аналитике и Data Science, где предиктивные модели проходят от регрессии до ансамблей и временных рядов. Сравнивайте по длительности, формату и отзывам.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Профессия «Бизнес-аналитик» Перейти на сайт курса |  Skillbox | 105 680 ₽ | 5393 ₽/мес. | 8 месяцев | Обзор курса |
| Профессия «Data Scientist PRO» Перейти на сайт курса | Skillbox | 224 595 ₽ | 7245 ₽/мес. | 12 месяцев | Обзор курса |
| Профессия «Аналитик данных с нуля до middle» Перейти на сайт курса |  Нетология | 145 600 ₽ | 6066 ₽/мес. | 12 месяцев | Обзор курса |
| Профессия «Аналитик данных» Перейти на сайт курса | Нетология | 101 000 ₽ | 4156 ₽/мес. | 8 месяцев | Обзор курса |
| Системный аналитик с нуля Перейти на сайт курса | Skillbox | 71 750 ₽ | 5979 ₽/мес. | 6 месяцев | Обзор курса |
| Аналитик данных с нуля Перейти на сайт курса | Skillbox | 126 936 ₽ | 4994 ₽/мес. | 4 месяца | Обзор курса |
| Data Scientist Перейти на сайт курса |  Эдюсон | 109 900 ₽ | 4579 ₽/мес. | 9 месяцев | Обзор курса |
| Аналитик данных Перейти на сайт курса |  SkillFactory | 131 814 ₽ | 3662 ₽/мес. | 6 месяцев | Обзор курса |
| Профессия «Системный аналитик с нуля до middle» Перейти на сайт курса | Нетология | 144 550 ₽ | 6022 ₽/мес. | 15 месяцев | Обзор курса |
| Бизнес-аналитик: тариф Базовый Перейти на сайт курса | Эдюсон | 109 900 ₽ | 4579 ₽/мес. | 6 месяцев | Обзор курса |
Больше программ — в полном каталоге курсов по аналитике и Data Science
Если цель узкая, освоить прогнозирование как навык, посмотрите отдельную подборку курсов по прогнозированию. А тем, кто метит в большие модели и большие данные, пригодится план из статьи «Как стать Data Scientist за 12 месяцев».
