在线销售正成为零售行业的关键驱动力，而该行业的整体需求几乎停滞不前：2025年零售额增长了2.6%，而电商领域则增长了30%。如今的零售业正处于结构性变革阶段：市场的增长并非源于消费量的增加，而是得益于更精准的用户运营所带来的受众规模扩大。关于如何利用人工智能（AI）预测不同年龄段的需求，Sber2B AI方向负责人Denis Kozitsky进行了详细讲解。
人工智能在需求预测中的应用
约70%的俄罗斯零售商已经转向基于人工智能（AI）的数字解决方案的大规模应用。“Yakov i Partneri”与Nielsen估算，到2030年，这些创新每年可为零售业带来高达1600亿卢布的额外营业利润，这一效应部分也将得益于对消费品领域需求的预测。
需求预测影响零售商的采购、品类管理、库存补货以及商品在仓库与门店间的调配。缺货意味着收入损失，而积压则导致资金“冻结”和额外的仓储成本。需求预测对促销活动的规划尤为重要：由于促销活动会显著改变消费者行为，预测误差在此类活动中往往代价高昂。
在线销售中也广泛应用提升度（uplift）建模。该方法可实现营销活动的个性化：基于客户数据，系统预测其对各类营销工具的反应，从而选择最有效的方案。
零售需求预测并非一项孤立的分析任务，而是一个直接影响利润率、现金流和客户服务水平的工具。零售商可以使用自主研发方案或专业平台进行需求预测，这些平台可与企业的ERP（企业资源计划）系统、CRM（客户关系管理）系统以及其他内部系统集成。此外，部分ERP系统还内置了需求预测模块。
预测的基础是销售历史：即使是包含相似商品、类别、门店或地区数据的短期历史也会被考虑。然而，为了训练经典的AI模型，最好至少有一个完整的季节性销售周期，最好是多个。
购买行为越多，预测结果的质量就越高。在B2C（企业对消费者）领域，事件发生的频率远高于B2B（企业对企业）销售，后者交易频率较低。因此，在B2B细分市场中，可采用二次销售（sell out）分析进行预测，即使用B2B买家的零售销售数据。此外，B2B零售商通常客户数量较少，但与每位客户都有较长的交易历史。这些信息也有助于做出高质量的销售预测。
如果涉及更细微的规律，例如不同B2C客户群体的行为特征，则需要更多的数据。销售历史通常会补充库存余量、门店库存、发货、价格、促销活动、退货和缺货情况以及商品目录等信息。此外还会考虑外部因素：节假日、季节性、天气和宏观经济指标。如果公司具备更成熟的分析能力，还会加入行为数据：忠诚度计划、网站访问量、点击、浏览、购物车、重复访问等。基于这些信息，AI工具会为每个细分群体或销售渠道分别构建预测模型。
人工智能如何与不同受众群体协作
零售商通常按受众群体预测需求，因为不同代际的决策模式各不相同。
Z世代（Z世代，即Z世代）。
代际人群，大致出生于1990年代中期至2010年代初。
该群体冲动消费，受潮流、社交媒体视频内容以及电商平台营造的“娱乐效应”驱动。他们的购买窗口期极短：若在兴趣峰值时商品缺货，用户会立即转向其他替代选项。
为预测Z世代的需求，人工智能不仅考虑销售历史，还分析从浏览滑动、在商品详情页停留到重复访问和加入收藏等行为。通过监测社交媒体上的趋势，可以在需求爆发成为主流之前就进行预测。人工智能驱动的数字化橱窗管理系统有助于测试不同的商品展示和内容呈现方式：Z世代将电商平台视为社交网络与交易平台的混合体，因此他们尤其重视商品详情页中的内容。
45岁以上受众
这一代人表现出较高的价格敏感度和节约策略。45岁以上的消费者更倾向于选择更实用、简单且熟悉的产品。
为了预测该类别的需求，AI模型会利用过去不同季节的销售数据以及竞争对手的价格信息。这有助于卖家更准确地规划商品组合并避免库存积压。例如，一家家电零售商的AI模型可以预测，在节假日前将智能手机价格降低一定百分比，将在不降低总利润率的情况下提升销量。
企业客户
在B2B领域，需求在单个客户层面更具波动性，且更紧密地依赖于合同、招标、采购周期以及具体的商业关系。企业客户通常基于理性做出决策，评估供应的可靠性及购买带来的财务效益。
在该细分市场中，客户数据、订单历史、合同日期和销售漏斗对预测至关重要。企业不仅需要知道会发生什么，还需要了解原因，以及从营收、物流和财务影响的角度来看，预测是否具有可解释性。
零售商在实施需求预测时应注意的事项
需求预测的频率取决于目标：对于战略规划，预测通常每月或每季度重新计算一次；对于战术性任务，则每周进行一次。为了补充库存，经常使用每日更新预测，在某些情况下甚至更频繁地进行调整。
为了部署该技术，零售商除了需要销售数据、库存数据和商品目录外，还需确定将数据导出至模型的方式，以及安全部署预测结果的位置。根据客户政策，这可以是公司服务器上的本地安装，也可以是云环境。
企业最好拥有统一的数据存储、仓储管理和客户关系（或忠诚度）系统，以及促销活动和商品组合的规划体系。然而，缺乏理想的IT环境不应成为启动业务的障碍——一些预测系统能够在本地环境中运行，并能够连接到现有系统，无需立即重构整个架构。
为确保预测系统高效运行，用于训练模型的数据必须足够高质量，以得出可靠结果。数据应完整、最新且格式统一。随着AI预测系统的持续使用，需将预测结果与实际数据进行对比，以不断优化模型。分阶段部署能带来最稳定的效果和最大的业务价值。
技术发展
预测系统将从仅输出预期购买数量的模型，逐步过渡到嵌入人工智能代理的系统，以辅助决策。预测结果将附带对影响因素的解释、风险评估、行动建议以及情景推演。也就是说，系统不仅会告知需求将上升，还会解释原因，并提出应对策略。
人类的角色将从手工操作转向异常管理和业务决策。人们将减少手动收集数据、构建表格和重新计算预测的工作，而更多地设置约束条件、检查异常、解释结果、管理非标准场景，并与供应商、财务和商业部门协调决策。
需求预测系统将减轻繁琐的日常工作，让人专注于真正需要情境理解和责任担当的任务。人不会从流程中消失，而是升级为更高层级的管理者——基于高质量的预测结果做出决策，而非手动收集数据。