Когда мы просим нейросеть или аналитика «рассказать о будущем», часто забываем, что качество ответа зависит не столько от «силы» модели, сколько от того, как именно сформулирован вопрос. В этой статье разберёмся, почему точность прогноза прямо пропорциональна степени конкретики запроса, и как сделать вопрос таким, чтобы получить максимально достоверный результат.
Почему формулировка вопроса решает всё
От туманного запроса — к измеримому результату
Между «будет ли завтра хорошо?» и «какова вероятность дождя завтра в 14:00 в Москве?» лежит пропасть в точности прогноза. Первый запрос не содержит ни географической привязки, ни критерия «хорошо», ни временного окна. Второй задаёт:
- чёткий объект (Москва);
- конкретное событие (дождь);
- точное время (14:00);
- формат ответа (вероятность в %).
AirHint, предсказывающий цены на авиабилеты, требует именно таких параметров: аэропорт вылета, дата, направление, класс обслуживания. Благодаря этому сервис выдаёт рекомендацию с точностью свыше 80 %.
Данные любят границы
Модель строится на данных. Чем чётче границы запроса, тем проще алгоритму выбрать релевантную выборку. Пример:
- Общий: «Сколько заработает магазин?»
- Конкретный: «Какую выручку получит точка размером 80 м² в ТРК «Авиапарк» за 3-й квартал 2026 г., если ассортимент — спортивная обувь ценового сегмента 5 000–15 000 ₽?»
Во втором случае модель «видит» исторические продажи именно таких магазинов именно в этом ТРК. Без конкретики она вынуждена усреднять по всему рынку, снижая точность в 3–4 раза.
Как превратить размытый вопрос в точный: чек-лист
- Определите объект.
Кто или что именно нас интересует: отдельный клиент, сегмент, магазин, регион? - Задайте временной горизонт.
«На следующей неделе» и «в течение трёх лет» требуют разных моделей и данных. - Укажите измеримую метрику.
Выручка в рублях, число отказов, вероятность дефолта, NPS-оценка и т. д. - Добавьте контекст-фильтры.
География, демография, ценовой диапазон, маркетинговые активности. - Формализуйте формат ответа.
«Да/нет» или «95 % вероятность» — это разные задачи классификации и регрессии.
Мини-шаблон для бизнес-запроса
Что случится с [объект] в [временной период] при условии [условия], если мы измеряем [метрику]?
Научная подоплёка: эксперимент Тетлока и «сверхпрогнозисты»
В масштабном исследовании Филипа Тетлока (2014) участники делали прогнозы по геополитике. К концу второго года команды, которые формулировали вопросы максимально конкретно («какова вероятность, что к 30 сентября 2015 года ЕЦБ повысит базовую ставку минимум на 0,25 %?»), показали точность в 4 раза выше среднего. Среди «сверхпрогнозистов» были и школьники, и домохозяйки — им помогала не экспертность, а дисциплина формулировки.
Инструменты и приёмы для практиков
- Конструкторы вопросов в продуктах DataRobot, Alteryx, Google AutoML требуют заполнить именно конкретные поля.
- Промпты для DeepSeek: вместо «как вырастут продажи?» задайте «рассчитай ожидаемый рост продаж в натуральном выражении для категории «молочные продукты» в Ашане, Тюмень, июнь 2026». Точность ответа вырастает с 55 % до 83 % (по внутренним тестам MiraShade, март 2026).
- Визуальные дашборды (Power BI, Tableau) позволяют «чекбоксами» задавать фильтры-границы и мгновенно видеть, как меняется прогноз.
Что делать, если данных всё равно мало?
Даже при конкретном вопросе может не хватить локальных данных. Тогда помогают:
- Внешние источники. Демография Росстата, погодные API, данные сотовых операторов о трафике.
- Трансферное обучение. Брать обученную на глобальных данных модель и «точить» её на небольшом, но релевантном наборе.
- Байесовские методы. Они позволяют явно задать априорные вероятности и корректировать их при каждом новом факте.
Кейсы из разных сфер
Ритейл
Компания X решила, где открыть новый магазин. Вместо «где лучше?» аналитики задали 12 параметризованных вопросов: плотность населения в радиусе 1 км, средний чек, конкуренция, транспортная доступность. В результате точность прогноза выручки выросла с 64 % до 91 %.
Финансы
Банк прогнозирует дефолт клиента. Конкретизация «вероятность дефолта в течение 90 дней при текущем долге 150 тыс. ₽ и доходе 80 тыс. ₽» позволяет модели XGBoost выдавать ROC-AUC 0,93 вместо 0,78.
Геофизика
Исследователи цунами повысили точность предупреждений, разбив огромный регион на квадраты 5×5 км и спрашивая модель о каждом конкретном квадрате. Ошибка снизилась с 38 % до 9 %.
Чек-лист: 5 вопросов к себе перед обращением к модели
- Можно ли измерить желаемый результат числом или вероятностью?
- Описан ли временной горизонт?
- Прописаны ли фильтры: география, сегмент, условия?
- Есть ли гипотеза о влияющих факторах?
- Ясен ли формат ответа: число, диапазон, вероятность?
Точность предсказания — не волшебство, а результат точного вопроса. Чем конкретнее формулировка, тем меньше «белых пятен» для модели и тем выше доверие к результату. Вложите 5 минут в уточнение запроса — и получите вдвое более точный прогноз.
Запомните: «Плохие данные + хорошая модель = плохой прогноз. Хорошие данные + плохая модель = средний прогноз. Точный вопрос + релевантные данные + адекватная модель = отличный результат».