Прогноз спроса в перевозках сводится к вопросу, сколько машин и каких потребуется на следующей неделе по каждому направлению. Раньше это держалось в голове опытного диспетчера и в его таблицах. ИИ берёт историю рейсов, сезонность и внешние факторы и собирает из них понятную картину спроса. Под капотом — языковая модель и работа с вашими цифрами, обычная инженерия вместо магии.
Где ИИ помогает
ИИ в прогнозе перевозок разбирает историю рейсов и сводит её в ожидаемый спрос по направлениям: подсвечивает сезонные пики, считает загрузку машин, помогает планировать парк и ставки на плечах. Диспетчер переключается с ручного сведения таблиц на проверку гипотез и переговоры с заказчиками. Финальное решение по парку остаётся за человеком.
В транспортных компаниях планирование спроса часто держится на одном опытном диспетчере. Он помнит, что перед праздниками растёт поток на юг, что в конце месяца клиенты добивают объёмы, что на одном плече машины ходят полупустыми. Эти знания живут в его голове и в личных таблицах, и когда он уходит в отпуск, планирование проседает. Компания зависит от памяти одного человека вместо прозрачной картины.
Языковая модель помогает достать эти закономерности из данных. Вы выгружаете историю рейсов за год-два — направления, даты, объёмы, загрузку, ставки — и просите модель найти повторяющиеся пики и провалы. На выходе вы видите, что спрос на конкретном плече стабильно растёт во вторую половину месяца, а летом проседает на четверть. Это уже основа для планирования парка вместо догадок по памяти.
Вторая сильная сторона — сведение разрозненных факторов. На спрос влияют сезонность, праздники, цены топлива, активность клиентов. Держать всё это в голове тяжело. Модель собирает историю в таблицу, считает загрузку по направлениям и готовит черновик прогноза на ближайшие недели. Диспетчер смотрит на готовую сводку и поправляет её знанием рынка, которого в цифрах ещё нет.
- Разбор истории рейсов и поиск сезонных пиков и провалов по направлениям
- Расчёт средней загрузки машин и подсветка плеч, где машины ходят полупустыми
- Черновик прогноза спроса на ближайшие недели по каждому плечу
- Сводка факторов, которые двигают спрос: праздники, конец месяца, активность клиентов
Первые шаги
Старт идёт с одного направления, а с прогноза по всему парку сразу. Возьмите плечо, по которому у вас больше всего рейсов и понятная история, и постройте прогноз на нём. За пару недель станет ясно, попадает модель в реальный спрос или промахивается. Такой подход дешёвый: вы проверяете подход на узком участке, а перестраиваете всё планирование разом.
- Выберите одно загруженное направление с историей рейсов хотя бы за год
- Выгрузите историю в таблицу: дата, объём, загрузка, ставка, тип груза
- Очистите данные от явного мусора — отменённых рейсов и опечаток в цифрах
- Отдайте таблицу модели и попросите найти сезонность и собрать прогноз на месяц вперёд
- Сравните прогноз с тем, что реально произошло на этом плече за прошлый аналогичный период
- Закрепите рабочий запрос в шаблон и повторите на втором направлении
Возьмите направление, по которому у вас уже болит планирование: то на нём избыток машин, то нехватка. Узкое больное место даёт понятный результат — вы сразу видите, помогает прогноз сократить простой или нет. Широкий обзор по всему парку лучше оставить на потом, когда подход себя показал.
Чем пользоваться
Для проверки гипотезы хватает таблицы с историей рейсов и чата с сильной языковой моделью. Вы загружаете данные, задаёте вопрос про сезонность и спрос, получаете черновик прогноза и сверяете его с фактом. Сложная связка с регулярной выгрузкой из учётной системы и автоматическим обновлением прогноза нужна позже, когда подход на нескольких плечах подтвердился. Строить такую систему до проверки гипотезы — способ потратить бюджет на участок, который ещё себя показал.
| Задача | Чем закрыть | Когда усложнять |
|---|---|---|
| Поиск сезонности на одном плече | История в таблице плюс запрос к модели | Когда направлений много — регулярная сводка по всем |
| Прогноз спроса на месяц вперёд | Чат с моделью на очищенных данных | Когда прогноз нужен еженедельно — автообновление через n8n |
| Расчёт загрузки парка | Выгрузка рейсов, модель считает средние | Когда парк большой — связка с учётной системой |
| Сводка факторов спроса | Ручной запрос к модели по таблице | Когда факторов много — постоянный дашборд |
Российская транспортная компания упирается в вопрос доступа к зарубежным моделям и в качество собственных данных. Здесь работают и отечественные решения, и зарубежные через корректный доступ. Но важнее инструмента сама история рейсов: если она велась небрежно, прогноз получится слабым на любой модели. Чистота данных — это первое, что мы смотрим на разборе процессов, прежде чем говорить про прогноз.
Стоимость на старте держится в рамках десятков долларов в месяц за подписку на модель, точную цифру сверьте на сайте сервиса — тарифы меняются. Для прогноза по одному-двум направлениям этого хватает. Регулярный автоматический прогноз с выгрузкой из учётной системы через n8n стоит дороже и окупается, когда простой машин и порожние пробеги в деньгах превышают стоимость настройки процесса.
Границы инструмента
Модель ошибается уверенно. Она строит прогноз из прошлого и способна выдать красивую цифру там, где рынок развернётся завтра по причине, которой в истории ещё нет. Это свойство языковых моделей называют галлюцинациями, и оно касается и чисел: модель проставит ожидаемый объём с полной убеждённостью, даже если данные были скудными. Прогноз — это подсказка для диспетчера, а готовый приказ парку. Решение по машинам остаётся за человеком, который знает рынок шире, чем таблица.
Решение по закупке и распределению машин, переговоры о ставках, реакция на внезапный заказ или срыв клиента — это зона диспетчера и руководителя. Модель готовит прогноз и подсвечивает закономерности, а итоговый план парка собирает человек. Цифра из модели входит в решение как один из аргументов, а заменяет его.
Полезно заранее понимать, чего прогноз сделать вообще способен. Он хорошо ловит повторяющиеся сезонные пики и стабильные тренды по направлению. Он промахивается на разовых событиях — новом крупном клиенте, закрытии границы, скачке топлива. Поэтому прогноз держат рядом с фактом: каждую неделю диспетчер смотрит, где модель попала, а где промахнулась, и это подсказывает, насколько ей доверять на конкретном плече.
- Качество данных: на небрежной истории рейсов прогноз будет слабым на любой модели
- Разовые события: новый клиент или закрытие плеча модель предсказать неспособна
- Решение по парку: модель подсказывает, человек распределяет машины
- Ставки и переговоры: цифры спроса входят как аргумент, а как готовый ответ
Главная защита от слепого доверия — сверка прогноза с фактом на старте. Когда вы видите, что на знакомом плече модель попадает в реальный спрос несколько периодов подряд, доверие растёт обоснованно. Расширяйте охват постепенно: сначала одно направление, потом группа похожих, потом весь парк. Полезно, чтобы диспетчер раз в неделю отмечал, где прогноз сошёлся с жизнью. Так вы видите границы инструмента честно, а строите планы на красивой, но пустой цифре.
Куда двигаться
Когда прогноз на первом направлении сходится с фактом, компания расширяет его на группу похожих плеч, а затем на весь парк. Дальше прогноз спроса связывают с планированием смен водителей и закупкой топлива — спрос тянет за собой остальные ресурсы. Так за несколько недель диспетчер переходит от ручного сведения таблиц к работе с готовой картиной, а простой машин и порожние пробеги сокращаются. Это нормальный путь внедрения — по одному направлению, со сверкой отдачи.
Заодно команда учится ставить задачи модели сама. Поначалу запросы для нового плеча собираем вместе, дальше диспетчер сам строит прогноз по новому клиенту или сезону. Сводку спроса на неделю он готовит за минуты вместо часа ручного разбора. Этот навык остаётся с компанией: когда выйдут новые версии моделей, команда уже умеет работать с данными и переносит подход без переучивания, а знание лучшего диспетчера перестаёт быть единственной точкой опоры.