Як Uber і Domino’s використовують ШІ та зовнішні дані для прогнозування попиту
Реальний контекст у прогнозуванні попиту - це структурована інформація про зовнішні умови: події, погоду, свята та локальні зміни. Її поєднують із внутрішніми даними бізнесу, щоб оцінювати можливі зміни попиту для конкретних місць і часових інтервалів.
Що події, погода і локальні фактори змінюють в бізнес-рішеннях і чому самого машинного навчання недостатньо.
Сьогодні завантажив посібник PredictHQ The Definitive Guide to Real-World Context. У ньому компанія пояснює, як інформація про події, погоду та інші зовнішні чинники допомагає прогнозувати попит і ухвалювати операційні рішення. Ви також можете завантажити його за посиланням. А в цій статті я розгляну цю ідею на прикладах Uber і Domino’s - з розмежуванням підтверджених фактів і заяв постачальників технологій.
Планувати постачання інгредієнтів і забезпечувати доступність автомобілів на перший погляд, різні завдання. Проте для Domino’s та Uber вони мають спільний виклик: попит залежить не лише від минулих продажів або поїздок, а й від того, що відбувається поза межами компанії. У матеріалах Microsoft про Domino’s серед таких чинників згадуються футбольні матчі й негода. Партнерство Uber із Tomorrow io демонструє інший аспект використання зовнішніх даних - врахування впливу погоди на розрахунковий час прибуття.
Історичні дані залишаються необхідними, але не замінюють інформації про майбутній матч, зміну дати фестивалю чи наближення шторму. Ситуацію, коли прогнозна система спирається на внутрішню історію бізнесу, але не враховує важливих зовнішніх умов, PredictHQ називає контекстним розривом.
Приклади Uber і Domino’s допомагають зрозуміти, як зовнішні сигнали можуть доповнювати прогнозування та операційне планування. Водночас важливо не змішувати різні рівні автоматизації: використання зовнішніх даних, упровадження окремого інструмента прогнозування та повністю автономна система ухвалення рішень - не одне й те саме.
Що таке реальний контекст у прогнозуванні попиту?
У визначенні PredictHQ реальний контекст - це структурована, перевірена й підготовлена до використання інформація про зовнішні умови, які впливають на попит, поведінку та операційні рішення. Йдеться про концерти, конференції, спортивні змагання, свята, шкільні канікули, погоду та порушення звичного режиму роботи.
Сутність підходу - не просто додати календар подій до аналітичної панелі. Потрібно пов’язати зовнішній сигнал із конкретною локацією, часовим інтервалом і бізнес-завданням.
У посібнику PredictHQ ця логіка описана через чотири рівні:
- збирання, узгодження та перевірку інформації про зовнішні події;
- перетворення її на кількісні характеристики, придатні для моделей;
- визначення релевантності для конкретного бізнесу та його локацій;
- доставлення сигналів у моделі й робочі процеси через API, набори ознак та інші інтеграції.
Це корисна рамка для аналізу, але не опис підтвердженої внутрішньої архітектури Uber або Domino’s. PredictHQ публічно називає обидві компанії клієнтами, однак це не дає підстав переносити на них усі можливості платформи чи всі результати з її посібника.
Як Uber використовує погодні та подієві дані?
Для сервісу поїздок важливо не лише знати, де попит високий зараз, а й завчасно розуміти, де він може змінитися. PredictHQ описує використання подієвих даних своїми клієнтами, серед яких Uber, для визначення майбутніх факторів попиту й підготовки операційних планів. Водночас публічний опис не розкриває повного механізму їхнього впливу на диспетчеризацію чи ціноутворення саме Uber.
Більш конкретний приклад - погодні дані.
В березні 2020 року Tomorrow.io оголосила про інтеграцію своїх погодних даних та аналітики в платформу Uber. Мета партнерства полягала, зокрема, у точнішому розрахунку часу прибуття з урахуванням впливу дощу, снігу, сильного вітру, екстремальних температур та інших умов. В оголошенні представник Uber підтвердив використання прогнозів партнера для поліпшення ETA - розрахункового часу прибуття.
Цей приклад показує важливу відмінність між погодним прогнозом і бізнес-контекстом. Для операційної системи недостатньо повідомлення «очікується сильний дощ». Потрібно оцінити, як він вплине на конкретний показник - у цьому випадку на час прибуття в певному місці та в певний момент. Саме такий зв’язок між погодою й ETA описано в матеріалі про партнерство.
Однак із цього не випливає, що погодний сервіс або PredictHQ автоматично керують усіма рішеннями Uber. Твердження про завчасне підвищення тарифів, конкретні алгоритми переміщення водіїв чи єдину контекстну платформу потребують окремих підтверджень. Перевірені матеріали дозволяють зробити вужчий, але надійний висновок: Uber використовує зовнішні сигнали для підтримки окремих прогнозних та операційних завдань.
Як Domino’s застосовує ШІ для планування попиту?
У Domino’s Pizza UK & Ireland завдання полягало в тому, щоб краще узгоджувати прогноз попиту з постачанням продуктів. У клієнтській історії Microsoft, опублікованій 1 листопада 2023 року, описано мережу з понад 1 300 закладів у Великій Британії та Ірландії й роботу планувальників, які використовували сотні електронних таблиць.
Microsoft окремо зазначає: досвідчені фахівці вже забезпечували високу точність планування. Проблемою були також складність процесу, ручна робота та фрагментованість даних. Тому зміни не варто зводити до сюжету люди помилялися - ШІ все виправив. Компанія прагнула створити інтегроване й автоматизоване середовище з єдиною узгодженою базою для планування.
Для цього Domino’s використала можливості планування попиту Microsoft Dynamics 365 Supply Chain Management. Джерело описує кілька складових нового процесу:
- прогнозування за допомогою машинного навчання;
- моделювання сценаріїв "що буде, якщо";
- швидке агрегування та деталізацію даних;
- внесення експертних коригувань, зокрема з огляду на погоду або велику спортивну подію.
Останній пункт особливо важливий. Публічний кейс підтверджує поєднання прогнозу моделі з людськими знаннями про зовнішні обставини. Але він не доводить, що всі погодні, економічні та спортивні сигнали повністю автоматизовані й безпосередньо надходять у модель.
У цьому випадку цінність ШІ полягає не лише в обчисленні прогнозу, а й у тому, що планувальники отримують змогу швидше перевірити сценарій, внести зміни та погодити план. За даними Microsoft, підготовка й затвердження планів скоротилися з днів до годин.
Що означає покращення точності прогнозування на 72%?
Microsoft повідомляє, що Domino’s досягла покращення точності прогнозування на 72% після використання можливостей планування попиту. Це результат, наведений у клієнтській історії постачальника, а не незалежному дослідженні.
Проте в публікації не розкрито формулу показника, період оцінювання та детальний протокол порівняння. Тому коректно відтворювати саме формулювання джерела, не перетворюючи його на "точність становить 72%" і не трактуючи як приріст на 72 відсоткові пункти. Так само немає підстав приписувати весь результат виключно зовнішнім даним: проєкт охоплював автоматизацію, інтеграцію даних і перебудову процесу планування.
Показово й те, що Microsoft прямо згадує економічні індикатори та спортивні події. Отже, вилучати їх зі статті як повністю непідтверджені було б неправильно. Точніше розмежувати загальні чинники попиту, можливості системи та конкретні способи роботи планувальників.
Що спільного між підходами Uber і Domino’s?
Uber і Domino’s не демонструють одну й ту саму систему. У перевіреному прикладі Uber погодні дані підтримують моделювання часу прибуття. У Domino’s UK & Ireland машинне навчання, інтегровані дані та експертні коригування допомагають планувати попит і постачання.
Їх об’єднує інша логіка: зовнішня інформація має бути пов’язана з рішенням, яке бізнес здатен змінити.
Для Uber таким рішенням може бути точніша оцінка часу прибуття з урахуванням погоди. Для Domino’s - коригування плану постачання чи прогнозу перед великою спортивною подією. У кожному випадку інформація стає корисною не тому, що її більше, а тому, що вона допомагає виконати конкретне операційне завдання.
Це також пояснює, чому не слід автоматично називати такі рішення агентним ШІ. Кейс Domino’s прямо описує активну роль планувальників: вони аналізують сценарії, вносять зміни й погоджують плани. Автоматизований прогноз тут не означає повністю автономне управління бізнесом.
Які обмеження мають опубліковані результати?
У посібнику PredictHQ наведено тезу, що зовнішній контекст пояснює понад 60% варіативності попиту. Документ посилається на власний аналіз компанії, але не розкриває достатньо деталей вибірки та методики, щоб трактувати цю цифру як універсальний показник для будь-якого бізнесу.
Те саме стосується наведених у PDF фінансових результатів: $7,4 млн річного ефекту для ресторанної мережі та $1,3 млн впливу на виручку для платформи поїздок. Ці кейси анонімні. Приписувати їх Domino’s та Uber лише через відповідність галузей некоректно.
Для аналітичного матеріалу це принципово: галузева оцінка, результат окремого проєкту та підтверджений ефект конкретного постачальника - різні категорії доказів.
Висновок: цінність не в тому, щоб "дати ШІ більше даних"
Приклади Uber і Domino’s показують практичніший підхід, ніж абстрактна обіцянка ШІ, який бачить світ. Зовнішні дані набувають цінності, коли допомагають розв’язувати конкретні завдання: точніше оцінювати час прибуття, прогнозувати попит, планувати постачання та готуватися до змін у замовленнях.
Тому головне запитання для бізнесу - не який ще датасет додати до моделі?, а яке рішення ми зможемо ухвалити краще, якщо завчасно дізнаємося про зміну зовнішніх умов?.
У посібнику PredictHQ пропонують перевіряти відповідь через обмежений пілот: обрати один сценарій, порівняти результати з контрольною групою та виміряти не лише точність прогнозу, а й операційний і фінансовий ефект. Це переконливіша основа для масштабування, ніж перенесення чужих маркетингових показників на власний бізнес.
Я займаюся ШІ-автоматизаціями, і для мене саме в цьому полягає сенс їх впровадження: не додати ШІ заради технології, а пов’язати дані, інструменти й бізнес-процеси з конкретним результатом. Починати варто не з вибору моделі, а з розуміння, де виникають затримки, які рішення потребують кращої інформації та що справді доцільно автоматизувати.
Якщо у вашому бізнесі є процес, який ви хочете покращити за допомогою ШІ, напишіть мені - обговоримо, з якого завдання та пілота варто почати.
Автор - kotovich.uk. Пишу про ШІ та автоматизацію бізнес-процесів.
Більше матеріалів і обговорень - в Telegram.
Джерела та примітка щодо даних
- PredictHQ - The Definitive Guide to Real-World Context. Посібник про використання зовнішніх сигналів у прогнозуванні попиту та операційних рішеннях. Наведені в ньому анонімні кейси не слід автоматично ототожнювати з Uber або Domino’s.
- Microsoft - Domino’s Pizza: Ensuring customer satisfaction with data-driven demand planning in Microsoft Dynamics 365. Клієнтська історія про планування попиту в Domino’s Pizza UK & Ireland, перехід від численних таблиць до інтегрованого процесу та заявлене покращення точності прогнозування.
- Tomorrow.io - Uber Uses Tomorrow.io to Integrate Better Weather-Related Insights. Оголошення про партнерство з Uber та використання погодної інформації для поліпшення розрахункового часу прибуття.
- PredictHQ - How demand is shaped by events and how to take advantage. Матеріал про вплив подій на попит і використання подієвих даних бізнесом.
Примітка: кількісні результати в матеріалі наведено з атрибуцією до відповідних постачальників технологій. Їх не слід трактувати як незалежно підтверджені універсальні показники або гарантію аналогічного ефекту для інших компаній.
About the author
- AI Consultant & Automation
