Článok
Učím Claude Code predpovedať objednávky a tržby
Včera večer som sa nevedel odtrhnúť od počítača. Keď som zdvihol hlavu, bolo pol deviatej. Na poschodí som už asi tri hodiny sedel sám.
Učil som AI agenta, ktorý vie samostatne pracovať s dátami a kódom. Úloha: krátkodobá predikcia tržieb, výhľad prichádzajúcich objednávok a obratu.
Plán bol jednoduchý.
Dať agentovi dáta, kampane, kontext a nechať ho každé ráno predpovedať objednávky na nasledujúcich tridsať dní. A k tomu ho naučiť rozumieť, prečo to v ten deň vychádza práve takto.
Rozhodol som sa to robiť robustnejšie, než je pre tento konkrétny výstup nevyhnutné. Dôvod je širší ako jedna predikcia. Keď raz agent pochopí, z čoho sú tržby poskladané (čo je dobeh sezóny, čo krátkodobá push kampaň, čo neočakávaný výpadok, aký mali dopad prekrývajúce sa kampane) otvára sa pole možností, ako ho ďalej zamestnať.
Od začiatku bolo jasné jedno. Agentovi nestačí dať hromadu čísel. Aby to bolo použiteľné, musí rozumieť súvislostiam medzi nimi. Musí vedieť odpovedať na otázku „keby tá sezónna kampaň nebežala, ako by graf vyzeral?". Musí povedať „tento peak v polovici mesiaca očakávame kvôli retenčnej kampani, ktorá končí o dva týždne". Musí odpovedať na čo-keby otázky a vracať hodnoverné simulácie.
Cieľ mám jasný.
Dostať agenta na úroveň, keď niekto iný povie „dobre, toto si preberá, ja robím niečo iné". Nie je to ľahké.
NAIVNÁ PRVÁ VERZIA
Štartovacia pozícia bola takáto. Dátový sklad uchováva denné agregáty objednávok. Nástroj na riadenie projektov uchováva kampane s tagmi, dátumami spustenia a ukončenia, typmi. Z marketingového plánu vyplývajú medziročné rastové predpoklady.
Dal som to agentovi a on urobil vzorec:
baseline(2026-D) = skutočnosť(2025-D, weekday-aligned)
forecast(2026-D) = baseline × growth_target × kampaňový_multiplikátorMultiplikátor (číslo, ktorým sa baseline vynásobí, aby zohľadnil dopad kampane) vyčítal z histórie. Deň v peaku určitej kampane mal historicky nejaký násobok tržieb oproti stavu, keď kampaň nebežala. Pre sezónne sviatky iný násobok.
Výstup na prvý pohľad vyzeral celkom dobre. Vhodné k tomu, aby sa to doladilo. Začal som stavať dashboard, aby som si to vedel vizualizovať počas toho, ako to budem ladiť.
Keď som si dal vysvetliť logiku a vizualizoval dáta, začal sa niekoľkohodinový boj.
ZÁPAS 1: PROFILOVÉ MULTIPLIKÁTORY KLAMALI
Jednu z kampaní mi model označil za najsilnejšiu. Bola to chyba.
Napísal som mu: „To je úplne mimo. Tento tematický týždeň patrí medzi slabšie. Druhá kampaň prebiehajúca súbežne má oveľa väčší dopad."
Problém bol v baseline (referenčný stav, oproti ktorému sa meria dopad kampane). Multiplikátor počítal ako pomer (medián dní, keď kampaň bežala) ku (medián ostatných dní). Lenže „ostatné dni" zahŕňali iné súbežné kampane. Baseline bol umelo zvýšený. Priradenie liftu (prírastku tržieb pripísaného kampani) bolo skreslené v oboch smeroch: niektoré kampane preceňované, iné podceňované, podľa toho, aké iné kampane bežali v ich neaktívnych dňoch. V obdobiach prekrývania, čo je väčšina roka, bolo priradenie úplne od veci.
Po námietke agent prepísal definíciu baseline na „medián dní, keď nebežala žiadna push kampaň". Výsledok ale nebol vhodný ako východisko pre analýzu. Čistých dní bolo málo. Pre niektoré segmenty a dni v týždni nebolo ani päť príkladov. Kampane sa prekrývajú skoro nepretržite.
ZÁPAS 2: REKLAMNÁ ATRIBÚCIA JE LEN ŠPIČKA ĽADOVCA
Prišla snaha dodať viac kontextu. Merateľný dopad kampane cez ad-attribution (priraďovanie objednávok ku konkrétnej reklame), konverzie z reklamných platforiem.
Agent to opäť nevedel správne interpretovať.
Napísal som mu: „Ale nezobral si do úvahy consent rate. Koľko ľudí odmietne cookies."
Cez reklamné platformy sa napáruje len časť objednávok. Zvyšok ide cez non-consent zákazníkov, ktorí odmietli cookies: v reklamných platformách sa neobjavia, v zázname objednávok áno. Agent o tomto rozdiele vedel, ale do predikčnej metódy ho nezahrnul.
Po prepočte sa čísla kampaní zdvihli na reálnejšie hodnoty.
A vzápätí sme narazili na ďalšiu vrstvu.
ZÁPAS 3: KOMUNIKÁCIA NA WEBE MOTIVUJE VŠETKÝCH NÁVŠTEVNÍKOV
Napísal som mu: „Kampaň nemá dopad len cez reklamu. Keď sa komunikuje na webe, zdvihne konverzný pomer všetkým, kto prídu, nielen klikom z reklám. Aj tým zo search refererov, z directu (priami návštevníci, ktorí zadali adresu ručne) a podobne."
Vstúpte do knižnice
Plný prístup k mojim zisteniam, osobným príbehom a tomu, čo sa dozviem od ľudí, s ktorými sa stretávam.
Vstúpte do knižnice · €29,99 ročne Čo študovať v AI dobe? Aký odbor si vybrať?… Na niekoľko mesiacov som odišiel z práce, aby som… Ako som sa do nej zamiloval, na prvý pohľad Ako nebyť závislý od sociálnych sietí? Môže ich tvorca… Ako začať s AI vo firme: automatizácia práce a… Fable 5 vs Opus: Lacnejší model vyhral. Prečo?Získajte celý článok e-mailom a neváhajte odpovedať, ak o ňom chcete ďalej diskutovať.
Zhrnutie
Časté otázky k téme článku
Vie AI agent predpovedať tržby a objednávky?
Ako sa stavia AI predikcia tržieb z dátového skladu?
Čo je consent gap pri atribúcii reklám?
Ako sa meria dopad marketingovej kampane na konverzný pomer?
Môže AI agent nahradiť ručný odhad analytika?
Ako predpovedať objednávky pre segment bez histórie?
Ak máte nejaké otázky alebo spätnú väzbu, pokojne mi napíšte na mail@richardgolian.com.
LinkedIn
Ďalšie články
Rozvoj umelej inteligencie mení pohľad na to, aké životné cesty dávajú zmysel. To, aké štúdium a profesiu si vybrať.
Bol štvrtok 31. 3. 2022, keď som odovzdal posledné časti mojej agendy kolegom, zaklapol som počítač a šiel do knižnice. Na niekoľko mesiacov som odišiel z práce a ponoril som sa do filozofie. A som za to nesmierne vďačný. Dnes som, tak ako väčšina ľudí, v jednom kolotoči, a je pre mňa ťažké sa zastaviť a zamyslieť sa nad zásadnými otázkami môjho vlastného života.
Bol september 2023. Môj život, moja práca, všetko bolo úplne iné ako teraz. Bolo to jednoduchšie. Nevlastnil som takmer nič. Potreboval som natočiť jednu reklamu, išiel som v rámci firmy na poschodie, kde bol produkt, ktorý som do tej reklamy potreboval, a tam som si ju všimol prvýkrát. Ona sa mi smeje, keď to tak opisujem, ale mne vtedy vesmír povedal, to je ona.
Ako a prečo postupne opúšťam sociálne siete a veľké platformy. Keď dnes čítam o tom, ako Meta testuje nový spôsob spoplatnenia organického príspevku, ktorý obsahuje linky mimo jej platformu, pripomína mi to, aké správne bolo moje rozhodnutie byť čoraz nezávislejší od veľkých platforiem a sociálnych sietí. Neznamená to, že som ich úplne opustil, znamená to, že to, či budem alebo nebudem v kontakte s mojimi čitateľmi, od nich závisí čím ďalej tým menej, a dnes už takmer vôbec.
Jeden z mojich rodinných príslušníkov opisoval firmu, ktorá má dáta v niekoľkých rôznych nástrojoch a jej zamestnanci ich ešte dnes spájajú ručne, v tabuľkách. To je bežný stav firiem. Keď takým ľuďom niekto povie, nerobte to ručne, použite AI, nebudú mu rozumieť. Väčšina firiem nemá ani základné konektory medzi nástrojmi, ktoré používa. Takéto firmy potrebujú pomoc s firemnou AI transformáciou.
Ten istý audit, dva modely. Fable 5 proti Opusu 4.8. Na papieri je Fable lepší, má väčší kontext aj silnejšie parametre. A predsa prehral. Opus zvládol úlohu jedným kolom kontroly za 721-tisíc tokenov, kým Fable na to potreboval deväť kôl a spálil 2,78 milióna tokenov. Rozdiel nebol v modeli, ale v tom, ako som mu úlohu zadal. A viem to, lebo som to zmeral.
Pred pár týždňami som si na notebook nainštaloval malý lokálny AI model, ktorý sleduje živý obraz z kamery. Zapol som webkameru vo tme a v skoro úplnej tme rozoznal mňa aj predmety v miestnosti. Že takéto veci existujú, som vedel dávno. Oči mi otvorila dostupnosť. Nainštaloval som to na jeden prompt, zadarmo, beží celé na mojom stroji a nikam neposiela dáta.
V minulosti som písal o tom, ako som si vyvíjal vlastný analytický nástroj, ktorý je v súlade s ochranou osobných údajov. Mal detekciu botov už v prvej verzii, no nestačila. Návštevy z directu mali zvláštne vysoký podiel. Keď niekto tvrdí, že 20 % jeho návštev sú boti a 80 % ľudia, kedysi som si to myslel tiež. Dnes by som povedal, že bližšie k pravde je opačný pomer. Takto som k tomu dospel.
Mám pri sebe Heideggera a zápisník. Pýtam sa, kam to všetko smeruje, kam nás vedie umelá inteligencia.
Sedemdesiat percent. Tam začína prvý výstup AI, aj keď jej dáte celý firemný kontext aj najlepšie príklady z minulosti. Hovoríme o type výstupu, ktorý sa nedá zadefinovať programaticky. Je zložitejší. Často ide o kreatívnu prácu. Pri jednom opakovanom type výstupu som sa dostal na osemdesiat percent za týždeň. Každé jedno percento vyššie je ťažšie než to predošlé.
Štyri dni v Katalánsku. Bez počítača, bez AI, takmer bez sociálnych sietí. Kúpil som si tento zápisník, aby som doň písal to, o čom budem premýšľať, a to, na čo na tejto ceste narazím a čo sa naučím.
„Neospravedlniteľné, neobhájiteľné. Na toto sa nesmie nikdy zabudnúť.“