Когда художественная пастель попадает в «Канцелярию» — 26 мая 2026 г. в 17:24:18.471
Когда художественная пастель попадает в «Канцелярию» Почему ошибка в карточке товара влияет на прогноз, автозаказ и цены Про качество данных для ИИ сказано уже слишком много. «Garbage in — Garbage out» стало общим местом: если на входе плохие данные, модель будет ошибаться. На вопрос «что с этим делать» тоже написаны трактаты: Data Governance, MDM, контроль качества. Компания может быть технологичной: современные системы, дашборды, ИИ-модули для прогнозирования, ценообразования и автоматизированного заказа товаров. Но в операционной работе всё равно появляются странные сбои. Прогноз расходится с реальностью, автозаказ предлагает не те объёмы, распродажи и акции быстро дают дефицит по одним позициям и лишний запас по другим. В такие моменты объяснение стараются искать снаружи: весна пришла слишком поздно, покупатели ушли на маркетплейсы, поставщики задержали отгрузку. Но часто дело не во внешних факторах, а в собственных данных: заполнены ли все поля в карточках товаров, нет ли дублей и неверных категорий, что именно написано в описании товара и можно это использовать в расчётах и прогнозах. Правильно заполнять данные в системах – задача скучная, и её при любой возможности откладывают на потом. Если времени не нашлось раньше, сейчас оно не появится тем более. Предположим, профессиональная пастель случайно попала в «Канцелярию». Для сотрудника это одна неверная категория в карточке. Для модели — основа для расчётов: какие аналоги брать, какую наценку применять, как прогнозировать спрос и что передавать в автозаказ. Например, на цене это сразу отразилось так: наценка на канцелярию — 102%, на товары для творчества — 56%. Неверная категория даёт ошибку в 46 процентных пунктов. Такой товар можно поставить слишком дорого и оставить на складе (либо наоборот, продать дешевле, чем нужно). На одном товаре это может выглядеть нестрашно. Но в справочнике на 30 000 карточек и 240 атрибутов такие ошибки уже системно влияют на все последующие расчёты. Особенно если заполнено только 40% полей. Если описание товара неверное, ИИ-модели будут масштабировать ошибки, заложенные в справочниках. Поэтому следующий вопрос такой: как использовать ИИ, чтобы подготовить сами данные — карточки товаров, категории, атрибуты и убрать дубли? В проекте мы применили ИИ именно к подготовке номенклатуры. За первый месяц атрибуты в карточках товаров стали заполнены не на 40%, а на 85%. И карточки товаров стали точной основой для последующей работы моделей. Как мы реализовали кейс и на что это повлияло — описали в статье: https://blogs.epsilonmetrics.ru/klassifikaciya-nomenklatury-ii/