# Анализ данных и машинное обучение

> Прогноз спроса, скоринг лидов, сегментация базы, предсказание оттока. Пилот с фиксированной ценой и согласованным критерием проверки модели.

Адрес страницы: https://rekad.ru/uslugi/analitika/data-science/

Обновлено: 2026-09-19

Начинаем с платного пилота на ваших данных: модель либо бьёт то, как вы принимаете это решение сейчас, либо нет. Цена пилота фиксирована, критерий согласован до старта.

**Цена:** Пилот по фиксированной цене, дальше проектная оценка

## Цену этой услуги нельзя знать заранее

Мы проверили, как с этим у рынка. Из трёх профильных компаний публичную цену не называет ни одна: описание услуги есть, стоимости нет. Единственная найденная цифра относится к разметке данных, а не к разработке моделей.

Стоимость зависит от объёма и качества ваших данных, от типа задачи и от того, куда модель потом встраивается. До знакомства с данными назвать её нельзя.

Поэтому мы делаем иначе. Первый шаг это платный пилот с фиксированной ценой. До старта договариваемся о трёх вещах: какую задачу решаем, по какой метрике меряем успех и с чем сравниваем. Сравниваем не с абстрактной точностью, а с тем, как вы принимаете это решение сегодня.

Если модель не выигрывает у текущего способа, пилот закончится этим выводом. Это плохая новость, но она стоит дешевле, чем внедрение, которое ничего не даёт.

## Какие задачи это закрывает

- **Прогноз спроса**: Сколько чего понадобится в следующем месяце. Заменяет планирование закупок на глаз.

- **Оценка обращений**: Какие обращения с большей вероятностью станут сделками. Меняет порядок обработки, а не количество менеджеров.

- **Сегментация базы**: Разбиение клиентов на группы по поведению, а не по интуитивным категориям вроде «крупные и мелкие».

- **Предсказание оттока**: Какие клиенты с высокой вероятностью скоро уйдут, пока с ними ещё можно поговорить.

Других задач в этом списке нет: браться за то, что мы не делаем, значит собирать заявки, по которым потом придётся отказывать.

## Как устроен пилот

| Этап | Что делаем | Результат для клиента |
| --- | --- | --- |
| 1. Постановка | Формулируем задачу, метрику успеха и базу для сравнения | Понятно, что будет считаться успехом |
| 2. Данные | Смотрим, что есть, в каком виде, за какой период | Честная оценка, хватает ли данных |
| 3. Модель | Строим и проверяем на отложенной выборке | Замер, а не презентация |
| 4. Сравнение | Сопоставляем с тем, как решение принимается сейчас | Ответ: выигрывает или нет |
| 5. Решение | Обсуждаем внедрение или закрываем тему | Понятный следующий шаг |

## Что нужно от вас

- **Данные**: История за период, достаточный для обучения. Насколько он достаточен, зависит от задачи, и мы скажем это на первом разговоре, а не после оплаты.

- **Человек, который знает предметную область**: Модель находит закономерности, но не знает, какие из них осмысленны. Без человека изнутри пилот превращается в упражнение по статистике.

- **Согласие на критерий**: Метрика успеха фиксируется до старта. Это защищает обе стороны: нас от бесконечных доработок, вас от подгонки критерия под полученный результат.

## Кому не подойдёт

- **Данных мало или они не собирались**: Модели учатся на истории. Если истории нет, начинать нужно с того, чтобы начать её собирать, и это другая работа.

- **Решение принимается редко**: Если задача возникает раз в квартал, её дешевле решать головой. Модель окупается на повторяемости.

- **Нужен ИИ в презентацию для инвестора**: Мы такое не делаем.

- **Нет готовности встроить результат в процесс**: Модель, чьи предсказания никто не смотрит, бесполезна ровно настолько же, как её отсутствие.

## Частые вопросы

**Сколько стоит пилот?**
Фиксированная сумма, которую называем после первого разговора о задаче и данных. До разговора назвать нельзя, и любой, кто называет, продаёт шаблон.

**Сколько данных нужно?**
Зависит от задачи. Для прогноза спроса нужна история продаж минимум за год с сезонностью, для оценки обращений несколько тысяч закрытых сделок. Точнее скажем, посмотрев, что у вас есть.

**Что если данные грязные?**
Так почти всегда. Часть пилота уходит на приведение данных в порядок, и это нормальная часть работы. Если данные непригодны совсем, мы скажем это до начала пилота.

**Чем это отличается от отчёта в панели показателей?**
Отчёт показывает, что было. Модель предсказывает, что будет, или оценивает вероятность. Если вам нужно понять прошлое, дешевле сделать [отчёт](https://rekad.ru/uslugi/analitika/veb-analitika/index.md), это соседняя услуга.

**Кому принадлежит модель?**
Вам, вместе с кодом и документацией. Мы не строим схем, где модель работает только у нас и вы платите за доступ к ней.

**Что происходит после внедрения?**
Модель со временем теряет точность, потому что меняется реальность. Нужен регламент переобучения, и его мы описываем в составе внедрения.

## Расскажите, какое решение вы принимаете вручную

Одного разговора хватает, чтобы понять, есть ли здесь задача для модели и есть ли у вас данные. Если нет, скажем прямо, и это сэкономит вам деньги пилота.