06.10.2025 Новости, Бизнес-практикум, ОС и разработка приложенийАвтоматизация прогнозирования продаж с помощью ИИ-технологий ускоряет этот процесс и потенциально повышает точность прогнозов. К сожалению, проекты по внедрению систем прогнозирования нередко проваливаются. Прогнозные системы не только не повышают точность прогноза, но и выдают результаты, которые практически не имеют ценности для бизнеса. Как избежать провала — рассказывает Александр Двойнев, архитектор S&OP решений Navicon. Первое правило внедрения ML-систем Большинство неудач в проектах по машинному обучению (machine learning, ML) в работе с данными связаны с недостаточно проработанным фундаментом проекта. Существует несколько подходов к управлению ML-проектами, и все они подчеркивают два ключевых аспекта. Во-первых, водопадный подход неприменим к проектам внедрения ML. Во-вторых, первое, что нужно сделать при подготовке к старту проекта, — это определить бизнес-ценность проекта. Около 15 лет назад один из пионеров разработки систем машинного обучения Том Кхабаза сформулировал 9 правил внедрения ML систем. Первое правило — «Business Goals Law» (Правило бизнес-цели). Так, начинать необходимо не с работы с данными, а с определения того, какую бизнес-ценность имеет прогноз, который планируется получить. Не понимая ценности, ни один спонсор не выделит бюджет на разработку системы (как в случае аутсорса, так и в случае внутренней разработки). Особенно учитывая, что проекты, связанные с ML, дороги и требуют значительных инвестиций. Показателем ценности внедрения системы ...
читать далее.
