TimesFM 3 от Google: прогноз продаж и спроса без своей модели — как применить в бизнесе

TimesFM 3 — это foundation-модель Google для прогнозирования временных рядов: предобученная нейросеть, которая строит прогноз продаж, спроса, нагрузки или трафика по вашей истории без обучения отдельной модели с нуля под каждый датасет. Google открыла её 2 сентября 2026 года на GitHub и Hugging Face. Я занимаюсь ИИ-аналитикой для бизнеса и вижу здесь практический сдвиг: прогнозирование временных рядов нейросетью перестаёт быть проектом с дата-сайентистом на полгода.

Что такое foundation-модель для временных рядов

Классический путь: собрать историю продаж, выбрать метод, обучить модель на своих данных, переобучить через квартал, когда сменился сезон. Для каждой товарной группы — свой цикл. Малому бизнесу это недоступно ни по деньгам, ни по компетенциям.

Foundation-модель работает иначе — здесь я опираюсь на описание разработчиков. Она заранее обучена на огромном количестве разных временных рядов и «знает» типовые закономерности: недельные циклы, сезонные подъёмы, тренды. Вы даёте ей свою историю — она сразу выдаёт прогноз, без обучения под ваш датасет. По описанию Google, TimesFM 3 подходит для продаж, нагрузки и трафика, финансовых и бизнес-метрик, спроса, сенсорных данных; запускается локально как готовая база для time-series задач.

В обзоре про ИИ-прогноз спроса и продаж я описывал картину подходов целиком — TimesFM 3 закрывает нишу «быстро и без своей модели».

Где работает в бизнесе, а где нет

Прогноз нужен не «вообще», а под конкретное решение. Вот где базовая модель окупается.

• Закупки и остатки. Сколько заказать на неделю, чтобы не заморозить деньги и не остаться без ходовых позиций. Для кафе это ещё и списания — считал в статье про учёт себестоимости блюд и закупок.
• Загрузка персонала. Сколько людей ставить в смену, чтобы не платить за простой и не терять клиентов в очереди.
• Трафик сайта и точек, выручка по дням. Планирование рекламы под ожидаемый спад или рост; кассовый план и понимание к десятому числу, укладываетесь ли в месяц.
• Сезонность. Модель ловит повторяющиеся циклы, которые на глаз видны плохо: провал в третью неделю января, рост по четвергам.

Где не поможет — говорю до старта, а не после.

• Мало истории. Точка открылась три месяца назад — сезонности в данных нет, прогноз будет продолжением тренда.
• Разовые события. Конкурент через дорогу, изменение закона, переезд. Модель не знает того, чего не было в истории.
• Грязные данные. Если половина продаж пробита «на общую позицию», прогноз повторит этот хаос.
• Штучный дорогой товар. Две продажи в месяц — не временной ряд, здесь работают другие методы.

Какие данные нужны и как подготовить

Хранилище данных и ETL-конвейер не нужны. Нужна таблица с двумя колонками — дата и значение — по каждому ряду: товар, категория, точка, канал.

1. Гранулярность. По дням для закупок и смен, по неделям для бюджетов. Обычно беру дни и при необходимости агрегирую.
2. Глубина. Минимум два полных сезонных цикла: для большинства бизнесов два года, для сильно недельных — хотя бы полгода.
3. Чистка. Убрать дубли, заполнить пропуски (день без продаж — ноль, а не пустая ячейка), отметить аномалии: инвентаризация, сбой кассы, разовый оптовый заказ.
4. Согласование. Продажи из кассы, остатки со склада и закупки из 1С должны сходиться хотя бы по неделям. Если складской учёт хромает, начинать стоит с него — этот сценарий я разбирал в материале про складской учёт на InvenTree.
5. Внешние факторы. Праздники, акции, погода — в отдельную таблицу для интерпретации прогноза.

Подготовка данных — обычно половина времени пилота.

Внедрение по шагам и оценка качества

Так я бы строил пилот. Всё в контуре клиента: модель работает локально, выгрузки не уходят наружу.

1. Определить решение. Не «хочу прогноз», а «раз в неделю заказываю 40 позиций на 7 дней и хочу снизить списания на треть». Отсюда горизонт и метрика.
2. Выгрузить и почистить историю. По списку выше.
3. Развернуть модель локально. На сервере клиента. Требования к ресурсам проверю первым делом, цифр заранее не обещаю.
4. Бэктест. Главный шаг. Отрезаю последние 8-12 недель истории, строю прогноз «из прошлого» и сравниваю с фактом по каждому ряду.
5. Сравнение с наивным прогнозом. «На следующей неделе будет как на прошлой» или «как в среднем за четыре недели». Если модель не обыгрывает это заметно, внедрять нечего.
6. Встроить в процесс. Прогноз попадает туда, где принимают решение: в таблицу закупщика, дашборд, уведомление в мессенджере. Как быстро собрать дашборд, я показывал на примере BI-дашбордов на Metabase.
7. Контроль после запуска. Ежемесячно сравниваю прогноз с фактом. Растёт ошибка — что-то изменилось в бизнесе, это сигнал.

Качество оцениваю числом: средняя абсолютная ошибка в процентах по каждому ряду, отдельно по ходовым и редким позициям. На ходовых товарах ошибка обычно низкая, на редких — высокая, и это нормально: редкое лучше закупать по правилу минимального запаса.

Сроки и экономика пилота

Осторожный ориентир из практики, а не обещание.

• Сроки. Две-четыре недели от выгрузки до прогноза в рабочем процессе: неделя-две на данные, несколько дней на модель и бэктест, остальное — на встраивание.
• Стоимость. Модель бесплатна, железо у большинства уже есть. Основная статья — работа: данные, бэктест, интеграция.
• Окупаемость. Считаю по одной метрике. Если у кафе с закупкой на миллион в месяц списания падают с 8% до 5%, это 30 тысяч рублей в месяц, и пилот окупается за квартал. Это иллюстрация арифметики, а не гарантия.

Для HoReCa у меня есть готовое предложение по ИИ-прогнозу закупок, для складов и дистрибуции — связка WMS с ИИ-прогнозом. В обоих случаях TimesFM 3 — один из инструментов, который я проверю на ваших данных.

Частые вопросы

Что такое TimesFM 3?

Открытая базовая модель Google для прогнозирования временных рядов, выпущенная 2 сентября 2026 года на GitHub и Hugging Face. По описанию разработчиков, даёт прогноз по вашей истории без обучения под каждый датасет: продажи, спрос, нагрузка, трафик, финансовые метрики.

Можно ли сделать прогноз продаж с помощью ИИ бесплатно?

Модель бесплатна и запускается локально на обычном сервере. Платить придётся за работу: подготовку данных, проверку качества и встраивание в процесс. Со своим техническим специалистом пилот можно собрать своими силами.

Сколько данных нужно для прогноза спроса без обучения модели?

Минимум два полных сезонных цикла по дням или неделям — для большинства бизнесов два года, для сильно недельных ритмов хотя бы полгода. Данные должны быть без дублей и пропусков, с отмеченными аномалиями.

Чем прогнозирование временных рядов нейросетью лучше Excel?

Скользящее среднее в Excel — это и есть наивный прогноз, с которым я сравниваю модель. Если на бэктесте она не обыгрывает Excel, пользоваться стоит Excel.

Уйдут ли мои данные о продажах в Google?

При локальном запуске — нет. Модель скачивается один раз и работает на вашем сервере, выгрузки из кассы и склада не покидают контур.

Коротко о главном

TimesFM 3 от Google снимает главный барьер прогнозирования для малого и среднего бизнеса: по описанию разработчиков, модель строит прогноз продаж и спроса без обучения под каждый датасет и работает локально. Полезна там, где есть регулярное решение и минимум два сезона чистой истории. Качество проверяется бэктестом против наивного прогноза; ориентир пилота — две-четыре недели. Хотите понять, окупится ли прогноз у вас — пришлите выгрузку продаж за два года, я прогоню бэктест и скажу честно. Начать можно с ИИ-прогноза закупок, а как устроена работа целиком — на странице ИИ-аналитика для бизнеса.