ИИ в прогнозе спроса работает как слой поверх вашей методики прогнозирования: он обрабатывает данные, недоступные человеку вручную, — продажи по каждому SKU, погоду, сигналы соцсетей и историю возвратов. Точного знания будущего он не обещает. Его работа — считать вероятности спроса по размерам, цветам и моделям точнее человека и подсказывать, что и сколько закупать и когда пополнять. Дальше — где этот слой реально приносит деньги бренду, а где его переоценивают.
Сами методы прогноза спроса — от «по прошлому сезону» до статистических моделей — я подробно разбираю в отдельном материале про прогнозирование спроса на коллекцию. Здесь другая задача: понять, что к этим методам добавляет искусственный интеллект и стоит ли собственнику бренда вкладываться в него сейчас. Про ИИ в моде вообще — дизайн, контент, примерку — есть обзорная статья про нейросети и ИИ в модной индустрии; этот текст сужает фокус до одной болевой точки владельца: закупки и неликвид.
Боль знакомая. Закупили партию по ощущению и прошлогодним цифрам — половина размерной ростовки зависла, ходовые размеры кончились на второй неделе, а деньги заморожены в остатках. На разборах я вижу это у большинства брендов: прогноз держится в голове байера и в экселе, который обновляется раз в сезон. ИИ-инструменты бьют именно сюда — в скорость и объём данных, которые человек физически не успевает переварить.
Закупаете «на глаз» и регулярно зависаете в неликвиде?
Разберём, какие данные у вас уже есть и где ИИ-аналитика даст эффект быстрее всего — без дорогой платформы и перестройки всего учёта. Наталья Семёнова смотрит это на вашей номенклатуре и реальных продажах.
Разобрать ваши закупкиЧто именно ИИ добавляет к обычному прогнозу спроса
Обычный прогноз строится на двух опорах: истории продаж и опыте байера. ИИ не отменяет ни то, ни другое — он добавляет третью опору: обработку сигналов, которых в вашей истории нет и которые человек не свяжет между собой руками.
Если коротко, вклад ИИ раскладывается на четыре вещи.
- Масштаб данных. Модель одновременно учитывает продажи по каждому артикулу, цвету и размеру, погоду, календарь, цену, остатки и внешние тренд-сигналы. Человек держит в голове три-четыре фактора, алгоритм — десятки.
- Предиктивная аналитика на уровне SKU. Прогноз спускается до конкретной модели в конкретном размере и цвете, вместо общей цифры по категории. Это напрямую влияет на размерную ростовку и глубину закупки.
- Скорость пересчёта. Прогноз обновляется ежедневно, по мере поступления новых продаж. Разовый прогноз превращается в управление спросом по ходу сезона.
- Автоматизация решений. На выходе — готовая рекомендация: что допечатать, что перебросить между точками, что уценить, пока оно ещё продаётся.
Консалтинговые оценки это подтверждают косвенно. По совместному опросу McKinsey и Business of Fashion, около 73% руководителей fashion-компаний называли приоритетом внедрение генеративного ИИ; в более поздних обзорах среди приоритетных направлений прямо названы прогноз спроса, оптимизация запасов и контроль издержек — то есть операционка бизнеса.
Какие данные видит ИИ, которых не видит человек вручную
Главное преимущество ИИ — охват источников. Он сводит в один прогноз то, что у бренда обычно лежит в разных местах и никогда не встречается в одной таблице.
Разберу входы по порядку — от самого надёжного к самому шумному.
- Собственные продажи. База всего. ИИ раскладывает их по комбинациям «модель — цвет — размер — точка — неделя» и ловит в них закономерности, которые в сводном отчёте по категориям не видны.
- Погода и сезонность. Для одежды фактор прямой: ранняя жара обрушивает спрос на демисезон, холодный май двигает продажи плащей. Модель привязывает продажи к погодным данным автоматически, байер — по памяти и приблизительно.
- Сигналы соцсетей и трендов. Самый обсуждаемый источник. Парижская компания Heuritech, например, анализирует около 3 миллионов изображений и видео в соцсетях ежедневно и, по собственным данным, распознаёт более 2000 деталей одежды — цвета, принты, фактуры — и строит прогноз востребованности примерно на год вперёд. Среди её клиентов в разные годы называли Louis Vuitton, Dior, Moncler, Adidas, New Balance. В октябре 2025 года NPR писало, что её алгоритмы заранее указали на горох, сандалии-вьетнамки и жёлтый цвет, которые потом вышли на подиумы 2025 года.
- Возвраты и отказы. Недооценённый сигнал. Высокий процент возвратов по конкретному артикулу говорит о посадке и ожиданиях покупателя, а списывать его на логистику — ошибка. ИИ связывает возвраты с размерной сеткой и корректирует будущую закупку.
Ценность ИИ не в том, что он умнее байера, а в том, что он держит в одном расчёте продажи, погоду, соцсети и возвраты одновременно. Человек видит эти данные по отдельности и в разное время, а потому связывает их на глаз.
Важная оговорка про соцсети: заявленные цифры точности (Heuritech, например, говорит про «более 90% точности прогноза») — это маркетинговые заявления самих вендоров, а не независимо проверенные показатели. Тренд-сигналы хорошо работают для крупных марок с длинным горизонтом и слабее — для небольшого бренда, которому важнее собственные продажи, чем мировые подиумы.
Предиктивная аналитика размеров, цветов и возвратов
Быстрее и предсказуемее всего ИИ окупается на скучной работе с размерной ростовкой и цветом. Угадывание трендов эффектнее, но денег приносит меньше. Именно в ростовке зарыт неликвид: тираж продался, но в остатке висят «хвосты» — крайние размеры и неудачные цвета.
Отдельный класс решений — рекомендатели размера на сайте. Американская True Fit строит рекомендации на массиве, который называет Fashion Genome: по заявлению компании, это данные примерно 82 миллионов покупателей и 29 тысяч брендов, а новый модуль Fit Hub на генеративном ИИ сводит воедино размерные таблицы, отзывы, продажи и возвраты. Задача одна — чтобы покупатель взял свой размер с первого раза.
Эффект считают в возвратах. Вендоры подобных систем заявляют о снижении связанных с размером возвратов на 10–25%; это их собственные оценки, не подтверждённые независимо, но порядок величины реалистичный. Для бренда это двойная выгода: меньше логистики на возврат и точнее данные для следующей закупки. Как возвраты вообще бьют по экономике бренда, я разбираю в связке с темой оборачиваемости и неликвида — ИИ-прогноз размерной ростовки работает ровно против этого «зависания хвостов».
У такой аналитики есть честный предел — проблема «холодного старта». Модель сильна, пока у неё есть история. На новой модели без продаж, на новом бренде или в новой категории ИИ почти так же слеп, как байер, и опирается на похожие товары и переносит закономерности с них. Исследователи прогнозирования прямо называют короткий жизненный цикл и дефицит истории главной сложностью fashion-прогноза: именно поэтому классические модели здесь часто промахиваются, а ИИ лишь сглаживает промах, но не убирает его.
Хотите понять, где у вас заходит неликвид — в размерах или в цветах?
На диагностике по методологии Fashion Analytics разложим ваши продажи и возвраты по SKU и покажем, что из этого можно отдать алгоритму, а что решается простой дисциплиной закупки.
Получить разбор ассортиментаИИ в закупках: авто-пополнение и Open-To-Buy
Прогноз сам по себе денег не приносит — приносит решение, которое из него следует. Поэтому самый зрелый сегмент ИИ-инструментов в fashion — это оптимизация закупок и пополнения, а тренд-аналитика идёт следом. Это надстройка над бюджетом закупки по методу Open-To-Buy, который я разбираю в статье про закупки и байинг магазина: ИИ сохраняет логику OTB и просто считает её чаще и подробнее.
Работает это так: система прогнозирует спрос по точкам и SKU, сверяет с остатками и сама предлагает, сколько довезти, что перебросить между магазинами и что пора уценить. Испанская Nextail Labs, например, строится именно на этом. В кейсах (это данные самого вендора, их стоит читать с поправкой на источник) приводятся такие результаты: у Guess — сокращение покрытия запасов в магазинах примерно на 7,5% при росте продаж по полной цене; у River Island — снижение дефицита ходовых позиций на 24% и упущенных продаж на 28%; у Hackett London — сокращение времени на пополнение на 75% и межстрановых перебросок примерно вдвое.
Логика, которую ценит собственник, тут простая: деньги не замораживаются в избыточном завозе, и ходовое не кончается в разгар сезона. Это та же работа с оборачиваемостью, только пересчитанная ежедневно и по каждой точке отдельно.
У крупных игроков это встроено в цепочку целиком. Про Zara и Inditex отраслевые источники пишут, что прогноз спроса ведётся на уровне «модель — цвет — размер» с учётом продаж, соцсетей и погоды, а RFID-метки дают системе видимость каждого изделия на складе и в зале. Детали их внутренних моделей компании не раскрывают, поэтому конкретику стоит сверять с их отчётностью, но направление однозначное: закупка и допроизводство управляются текущими данными, а жёсткий план, свёрстанный до начала сезона, уходит в прошлое.
Классический прогноз против ИИ: что выбрать бренду
Выбор между «считать по-старому» и «внедрять ИИ» — ложная развилка. На практике это два инструмента с разной зоной силы, и небольшому бренду важнее понять, где граница между ними, чем гнаться за модным словом.
Из этого сравнения следует трезвый вывод: ИИ переоценивают там, где у бренда нет ни данных, ни объёма, чтобы модель раскрылась. Три честные оговорки, которые я проговариваю владельцам на разборах.
- ИИ не чинит грязные данные. Если учёт ведётся криво, артикулы задвоены, а остатки не бьются с реальностью — алгоритм лишь быстрее выдаст неверный прогноз. Сначала порядок в данных, потом модель.
- На малых объёмах выигрыш скромный. Пока продаж мало и ассортимент узкий, байер с хорошим экселем держится вровень с платформой за десятки тысяч рублей в месяц. ИИ раскрывается на широкой матрице и множестве точек.
- Человек остаётся в контуре. Даже в Heuritech в комментарии NPR в октябре 2025 года признают: ИИ не прогнозирует моду сам по себе, человеческая составляющая остаётся необходимой. Модель считает вероятности, а решение о закупке — и ответственность за него — остаётся за человеком.
Что доступно малому и среднему российскому бренду в 2026
Хорошая новость для российского собственника: чтобы получить эффект от предиктивной аналитики, глобальная платформа не нужна. Большинство брендов живёт на маркетплейсах, а там инструменты прогноза уже встроены или стоят недорого.
- Сервисы аналитики маркетплейсов. MPStats, Moneyplace, SellerFox собирают данные по Wildberries, Ozon и Яндекс Маркету (часть — ещё по Авито или Мегамаркету) и, по описанию самих сервисов, уже включают элементы предиктивной аналитики — динамику спроса, сезонность, прогноз продаж. Стоимость — ориентировочно от 5 до 50 тысяч рублей в месяц, у бесплатных версий есть лимиты.
- Встроенные инструменты площадок. Wildberries даёт в кабинете селлера отчёты по продажам, остаткам и регионам и инструменты планирования поставок, на которых строится прогноз. Это тот самый случай, когда ИИ-аналитика доступна буквально из личного кабинета, без отдельной подписки.
- «ИИ в экселе». Для бренда со своей розницей и производством часто достаточно связки выгрузки продаж с ML-модулем в Yandex DataLens или Power BI. Это не коробочный продукт, но и не глобальная платформа — решается силами одного аналитика.
Две практические оговорки для РФ. Первая: для сколько-нибудь надёжного прогноза нужна история продаж хотя бы за 6–12 месяцев — на коротком ряде модель будет фантазировать. Вторая: данные площадки отдают по-разному. Ozon обновляет статистику по заказам и остаткам почти в реальном времени, Wildberries — через API с заметной задержкой; это влияет на то, как быстро прогноз реагирует на всплеск спроса.
По моему опыту, российскому бренду разумнее начинать с наведения порядка в собственных данных и с бесплатных встроенных инструментов, а покупку отдельной платформы отложить на потом. ИИ здесь работает как надстройка над нормальным учётом и не требует отдельного проекта за большие деньги. Про сам управленческий учёт как фундамент прогноза я говорю отдельно; без него любой алгоритм считает по мусору.
Частые вопросы
Главное — охват данных и скорость. ИИ одновременно учитывает продажи по каждому размеру и цвету, погоду, сигналы соцсетей, возвраты, цены и остатки и пересчитывает прогноз ежедневно. Байер держит в голове три-четыре фактора и обновляет прогноз раз в сезон. ИИ не умнее человека, но связывает больше сигналов в одном расчёте и переводит его в конкретную рекомендацию: что и сколько закупить.
Осторожно с цифрами. Заявления вроде «более 90% точности» — это маркетинг вендоров, независимо не проверенный. Реальная точность зависит от качества данных и горизонта: по ходовым позициям с длинной историей прогноз хороший, по новинкам без продаж — слабый из-за проблемы «холодного старта». ИИ снижает ошибку прогноза, но не обнуляет её, поэтому решение и ответственность остаются за человеком.
Он превращает прогноз в действие. Система сверяет ожидаемый спрос с остатками по каждой точке и предлагает, сколько довезти, что перебросить между магазинами и что уценить, пока оно продаётся. Это надстройка над методом Open-To-Buy, считаемая ежедневно. В кейсах платформ вроде Nextail заявляют снижение дефицита ходовых позиций и упущенных продаж, хотя это данные самих вендоров.
Да, в части возвратов из-за размера. Рекомендатели размера на сайте (например True Fit с массивом данных по десяткам миллионов покупателей) помогают взять свой размер с первого раза, а анализ возвратов корректирует будущую размерную ростовку. Вендоры заявляют о снижении связанных с размером возвратов на 10–25% — цифра правдоподобная, но самими же компаниями и измеренная.
Коробочная глобальная платформа небольшому бренду обычно не нужна и не окупится. Но предиктивная аналитика доступна и так: встроенный прогноз спроса Wildberries, сервисы MPStats или Moneyplace за 5–50 тысяч рублей в месяц, связка выгрузки продаж с ML в Yandex DataLens. На малых объёмах выигрыш скромный, поэтому сначала стоит навести порядок в учёте, а потом подключать инструменты.
Там, где нет чистых данных и объёма. ИИ не исправляет кривой учёт — он лишь быстрее выдаёт неверный прогноз по мусорным данным. На новинках без истории продаж он почти так же слеп, как человек. И тренд-сигналы из соцсетей полезнее крупным маркам с длинным горизонтом, чем небольшому бренду, которому важнее собственные продажи. ИИ — усилитель нормального процесса, а не замена ему.
Заключение
ИИ в прогнозе спроса и закупках работает как слой обработки данных поверх вашей методики, без всякой магии. Он берёт то, что человек не свяжет руками — продажи по SKU, погоду, соцсети, возвраты, — и переводит в конкретное решение: сколько закупить, что допечатать, что уценить вовремя. Там, где данных много и они чистые, это прямая экономия на замороженных деньгах и неликвиде. Там, где данных мало или они грязные, алгоритм лишь быстрее повторит ошибку байера.
Российскому собственнику в 2026 году не нужно покупать глобальную платформу, чтобы начать. Встроенный прогноз Wildberries, сервисы аналитики маркетплейсов, связка продаж с ML в DataLens — этого хватает, чтобы перестать закупать «на глаз». Главное условие одно: порядок в собственных данных, без него любой ИИ считает по мусору. Если хотите понять, какой минимальный набор инструментов даст вашему бренду эффект быстрее всего, — давайте разберём ваши продажи и закупки вместе.
