Остатки и склад / OOS rate
Как избежать дефицита товара с ИИ
Дефицит товара возникает, когда спрос превышает доступный запас. ИИ позволяет прогнозировать спрос точнее, автоматически рассчитывать страховой запас и точки заказа, а также сигнализировать о рисках дефицита до того, как он случится. Это снижает OOS rate и упущенные продажи.
Проблема
Почему это важно
Без прогнозирования спроса компания часто сталкивается с дефицитом: товар заканчивается на складе, когда спрос выше ожидаемого. Это приводит к упущенным продажам, потере клиентов и репутации. Ручной расчет запасов не успевает за изменениями рынка.
Почему возникает
- Спрос нестабилен и зависит от сезонности, акций, трендов и внешних факторов.
- Страховой запас устанавливается на глаз или по устаревшим данным.
- Точка заказа не пересматривается при изменении спроса или времени поставки.
- Нет единой системы, которая связывает продажи, остатки и поставки.
Риски и потери
- Упущенные продажи и потеря выручки.
- Снижение лояльности клиентов из-за отсутствия товара.
- Излишние затраты на срочные поставки или хранение избыточных запасов.
- Штрафы за невыполнение обязательств перед контрагентами.
Что влияет на результат
- Исторические продажи и их динамика.
- Сезонность и тренды.
- Время выполнения заказа (lead time).
- Наличие акций и маркетинговых активностей.
- Внешние факторы (погода, праздники, экономическая ситуация).
Типичные ошибки ручного подхода
- Страховой запас не учитывает вариативность спроса.
- Точка заказа рассчитывается без учета времени поставки.
- Прогнозы не обновляются при изменении рыночной ситуации.
- Данные о продажах и остатках разрознены и несвоевременны.
Определение
Что важно понимать
OOS rate
Показатель дефицита товара: доля времени или случаев, когда товар отсутствует на складе в момент спроса.
Высокий OOS rate означает упущенные продажи и недовольство клиентов, что напрямую влияет на выручку и репутацию.Страховой запас
Дополнительный объем товара, который хранится для покрытия непредвиденного роста спроса или задержек поставки.
Правильный страховой запас снижает риск дефицита без излишнего замораживания средств в запасах.Точка заказа
Уровень остатка, при достижении которого необходимо разместить новый заказ поставщику.
Своевременный заказ предотвращает дефицит, учитывая время поставки и ожидаемый спрос.Данные
Какие данные нужны
Исторические данные о продажах
Для прогнозирования спроса и выявления сезонности и трендов.
- Дата продажи
- SKU
- Количество
- Цена
- Канал продаж
Данные об остатках на складе
Для расчета текущего уровня запасов и определения точки заказа.
- SKU
- Текущий остаток
- Склад
- Дата обновления
Время выполнения заказа (lead time)
Для расчета точки заказа и страхового запаса с учетом задержек поставки.
- SKU
- Поставщик
- Среднее время поставки (дни)
- Вариативность времени поставки
Информация о маркетинговых активностях
Для учета влияния акций и рекламных кампаний на спрос.
- SKU
- Дата начала акции
- Дата окончания
- Тип акции
- Ожидаемый прирост спроса
Методология
Методика предотвращения дефицита с помощью ИИ
Принципы
- Прогнозируй спрос на основе данных, а не интуиции.
- Рассчитывай страховой запас с учетом вариативности спроса и времени поставки.
- Автоматически пересматривай точку заказа при изменении факторов.
- Используй ИИ для выявления аномалий и корректировки прогнозов.
Допущения
- Исторические данные отражают реальный спрос.
- Время поставки стабильно или его вариативность известна.
- Маркетинговые активности можно предсказать или учесть.
Ошибки
- Игнорирование сезонности и трендов.
- Установка страхового запаса без учета вариативности спроса.
- Необновление прогнозов при изменении рыночной ситуации.
- Отсутствие интеграции данных о продажах, остатках и поставках.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса
Данные на входе: Исторические продажи, Сезонность, Тренды, Маркетинговые активности
Что делает модель: Обучаемая модель прогнозирует будущий спрос на каждый SKU с учетом факторов.
Результат: Прогноз спроса на следующий период (день, неделю, месяц).
Как используется: Система использует прогноз для расчета страхового запаса и точки заказа.
Выявление аномалий спроса
Данные на входе: Фактические продажи, Прогнозные значения
Что делает модель: Статистический метод или ML обнаруживает резкие отклонения фактических продаж от прогноза.
Результат: Сигнал об аномалии с указанием SKU и степени отклонения.
Как используется: Система уведомляет менеджера о необходимости ручной проверки и корректировки.
Расчет оптимального страхового запаса
Данные на входе: Прогноз спроса, Вариативность спроса, Время поставки, Желаемый уровень сервиса
Что делает модель: По формуле рассчитывается страховой запас, обеспечивающий заданный уровень сервиса.
Результат: Рекомендуемый страховой запас для каждого SKU.
Как используется: Система автоматически обновляет страховой запас в учетной системе.
Определение точки заказа
Данные на входе: Прогноз спроса, Страховой запас, Время поставки
Что делает модель: Рассчитывается точка заказа как сумма спроса за время поставки и страхового запаса.
Результат: Значение точки заказа для каждого SKU.
Как используется: Система генерирует заказ, когда остаток падает ниже точки заказа.
Формирование рекомендаций по закупкам
Данные на входе: Текущие остатки, Точка заказа, Прогноз спроса, Информация о поставщиках
Что делает модель: Генеративный ИИ формирует рекомендации по объему и срокам заказа на естественном языке.
Результат: Текстовые рекомендации для менеджера по закупкам.
Как используется: Менеджер проверяет рекомендации и утверждает заказ.
Разбор
Как это работает
- 1
Вход: исторические данные о продажах, остатках, времени поставки. Действие: система загружает и очищает данные. Результат: единая база данных для анализа.
- 2
Вход: данные о продажах. Действие: модель машинного обучения строит прогноз спроса на следующий период. Результат: прогноз по каждому SKU.
- 3
Вход: прогноз спроса, вариативность, время поставки. Действие: рассчитывается страховой запас по формуле. Результат: рекомендуемый страховой запас.
- 4
Вход: прогноз спроса, страховой запас, время поставки. Действие: рассчитывается точка заказа. Результат: пороговый уровень остатка.
- 5
Вход: текущие остатки, точка заказа. Действие: система сравнивает остатки с точкой заказа. Результат: список SKU, требующих заказа.
- 6
Вход: список SKU для заказа, прогноз спроса, информация о поставщиках. Действие: генеративный ИИ формирует рекомендации по объему и срокам. Результат: текстовые рекомендации для менеджера.
- 7
Вход: рекомендации. Действие: менеджер утверждает или корректирует заказ. Результат: размещенный заказ у поставщика.
- 8
Вход: фактические продажи, прогноз. Действие: система отслеживает отклонения и выявляет аномалии. Результат: уведомления о рисках дефицита.
Расчет
Формулы для расчета
Для предотвращения дефицита используются две ключевые формулы: расчет страхового запаса и расчет точки заказа.
Страховой запас
SS = Z × σ_d × √(L)- SS — страховой запас
- Z — коэффициент, соответствующий желаемому уровню сервиса (например, 1.65 для 95%)
- σ_d — стандартное отклонение спроса за период
- L — время выполнения заказа (в тех же периодах)
Условный пример: Если σ_d = 10 единиц в день, L = 7 дней, Z = 1.65, то SS = 1.65 × 10 × √7 ≈ 43.6 единиц.
Допущение: Формула предполагает нормальное распределение спроса и независимость спроса по дням.
Точка заказа
ROP = d × L + SS- ROP — точка заказа
- d — средний дневной спрос
- L — время выполнения заказа (в днях)
- SS — страховой запас
Условный пример: Если d = 20 единиц в день, L = 7 дней, SS = 43.6, то ROP = 20 × 7 + 43.6 = 183.6 единиц.
Допущение: Точка заказа показывает, при каком остатке нужно размещать новый заказ.
Пример расчета
Как это выглядит в цифрах
Условный пример: снижение дефицита для товара А
- Допущение: Товар А: средний дневной спрос 20 единиц, стандартное отклонение 5 единиц, время поставки 10 дней, желаемый уровень сервиса 95% (Z=1.65).
SS = 1.65 × 5 × √10 ≈ 26.1 единиц. ROP = 20 × 10 + 26.1 = 226.1 единиц. При текущем остатке 150 единиц система рекомендует заказать 76.1 единиц (до ROP).Без системы заказ был бы размещен позже, что привело бы к дефициту. С расчетом точка заказа учитывает вариативность спроса и время поставки, снижая риск OOS.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса
- Вариативность спроса
- Время поставки
- Уровень сервиса
- Текущие остатки
Какие риски учтены
- Риск дефицита при росте спроса
- Риск избыточных запасов при снижении спроса
- Риск задержки поставки
Какие варианты рассматривались
- Ручной расчет запасов
- Фиксированный страховой запас без учета вариативности
- Использование только исторических средних без прогноза
ИИ-прогноз и автоматический расчет позволяют адаптироваться к изменениям спроса и снижать OOS rate без излишних запасов.
Если спрос стабилен и предсказуем, можно обойтись простыми формулами без ML. Если время поставки очень вариативно, потребуется более сложная модель.
Результат
Что видит пользователь
Дашборд с прогнозом спроса и уровнем запасов
Графики прогноза, текущие остатки, точка заказа, статус по каждому SKU
Менеджер видит, какие товары требуют заказа, и может принять решениеУведомления о риске дефицита
Автоматические алерты при падении остатка ниже точки заказа или аномалии спроса
Своевременное размещение заказаРекомендации по закупкам
Быстрое утверждение заказаАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных
- Прогнозирование спроса
- Расчет страхового запаса и точки заказа
- Сравнение остатков с точкой заказа
- Формирование уведомлений о риске дефицита
Требует настройки
- Настройка порогов уровня сервиса
- Определение времени поставки для каждого поставщика
- Интеграция с учетной системой
- Настройка правил для генеративных рекомендаций
Остаётся за человеком
- Утверждение заказов
- Корректировка прогнозов при экстремальных событиях
- Решение о срочных закупках
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о продажах и остатках в Excel
- Рассчитать средний спрос и стандартное отклонение
- Вручную рассчитать страховой запас и точку заказа по формулам
Рабочая система
- Настроить автоматическую загрузку данных из учетной системы
- Разработать скрипт для расчета прогноза и запасов
- Создать дашборд для мониторинга
- Настроить уведомления о рисках
Расширенный вариант
- Внедрить ML-модель для прогнозирования спроса
- Учитывать внешние факторы (погода, праздники)
- Интегрировать данные от поставщиков
- Использовать генеративный ИИ для рекомендаций
Подготовка
Чек-лист перед запуском
- 1
Определить перечень SKU для контроля
- 2
Собрать исторические данные о продажах за 1-2 года
- 3
Установить желаемый уровень сервиса
- 4
Определить время поставки для каждого поставщика
- 5
Рассчитать страховой запас и точку заказа
- 6
Настроить автоматический расчет в системе
- 7
Создать дашборд для мониторинга
- 8
Настроить уведомления о рисках
- 9
Обучить персонал работе с системой
- 10
Провести пилотный запуск на 10-20 SKU
Вывод
Главное
Главный принцип — прогнозировать спрос и рассчитывать запасы на основе данных, а не интуиции.
Основные данные — исторические продажи, остатки, время поставки. Ключевые расчеты — страховой запас и точка заказа.
ИИ помогает точнее прогнозировать спрос, выявлять аномалии и формировать рекомендации, снижая OOS rate.
Начните с расчета страхового запаса и точки заказа для ключевых товаров в Excel, затем автоматизируйте процесс.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема дефицита товара решается через модель решения, данные и автоматизацию. Практикум обучает строить работающее решение без программирования.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
Сложно ли внедрить ИИ для прогнозирования спроса?
Начать можно с простых формул в Excel, а затем постепенно автоматизировать. ReMetod помогает освоить этот путь за 4 недели без навыков программирования.
Не приведет ли автоматизация к избыточным запасам?
Нет, если правильно настроить уровень сервиса и страховой запас. ИИ позволяет балансировать между дефицитом и излишками.
Что делать, если данные о продажах неполные?
Начните с тех SKU, по которым есть данные, и постепенно дополняйте. Даже частичные данные улучшат прогноз по сравнению с ручным подходом.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать управление запасами с ИИ? Приходите на бесплатный вебинар ReMetod.