Маркетплейсы / Избежать out-of-stock
Как не уйти в минус по остаткам на маркетплейсе с ИИ
ИИ анализирует историю продаж, сезонность, тренды и промоакции, чтобы прогнозировать спрос на каждый товар. На основе прогноза и сроков поставки он рассчитывает оптимальный запас и страховой резерв, предупреждая о риске распродажи. Это позволяет заказывать товары вовремя и не замораживать деньги в излишках.
Проблема
Почему это важно
Без прогнозирования запасов продавец на маркетплейсе часто действует наугад: заказывает товар по наитию или ориентируется на прошлый месяц. В результате либо товар заканчивается в самый пик спроса, и продавец теряет выручку и позиции в выдаче, либо склад забит неликвидами, которые приходится уценивать.
Почему возникает
- Ручной анализ продаж не учитывает сезонные колебания и тренды
- Нет связи между прогнозом спроса и сроками поставки поставщика
- Страховой запас устанавливается на глаз, без учёта волатильности спроса и задержек
- Промоакции и внешние факторы (реклама, конкуренты) не включаются в расчёт
Риски и потери
- Потеря выручки и позиций в поиске из-за out-of-stock
- Штрафы маркетплейса за отмены и срывы сроков
- Заморозка оборотных средств в избыточных остатках
- Уценка и списание неликвидов, снижение маржи
Что влияет на результат
- История продаж (штуки в день)
- Сезонность и тренды
- Промоакции и рекламные кампании
- Сроки поставки поставщика и их вариативность
- Целевой уровень сервиса (вероятность не допустить дефицит)
Типичные ошибки ручного подхода
- Заказ слишком поздно — товар не успевает приехать до пика
- Заказ слишком рано или слишком много — деньги заморожены, товар лежит
- Игнорирование сезонных всплесков — дефицит в высокий сезон
- Страховой запас не учитывает задержки поставок
Определение
Что важно понимать
Out-of-stock (OOS)
Ситуация, когда товар закончился на складе и покупатель не может его заказать.
Приводит к потере выручки, ухудшению позиций в выдаче и штрафам маркетплейса.Страховой запас
Дополнительный объём товара, который держат на случай непредвиденного роста спроса или задержки поставки.
Позволяет не допустить дефицита, но избыточный запас замораживает деньги.Прогноз спроса
Оценка того, сколько единиц товара будет продано за будущий период, на основе истории и факторов.
Основа для расчёта оптимального заказа и страхового запаса.Данные
Какие данные нужны
История продаж по SKU
База для прогноза спроса: видно динамику, сезонность, тренды.
- дата
- SKU
- количество проданных единиц
- цена
- наличие промо
Данные о поставках
Чтобы знать, сколько товара в пути и когда он приедет, и учитывать сроки поставки.
- дата заказа поставщику
- ожидаемая дата прихода
- количество в пути
- фактическая дата прихода
Сроки поставки поставщика
Для расчёта времени, за которое можно пополнить запас, и определения точки заказа.
- поставщик
- средний срок поставки в днях
- вариативность срока (стандартное отклонение)
Данные о промо и маркетинге
Промоакции и реклама меняют спрос, их нужно учитывать в прогнозе.
- даты промо
- скидка
- бюджет рекламы
- тип акции
Уровень сервиса (целевой)
Определяет, насколько часто вы готовы допустить дефицит. Влияет на размер страхового запаса.
- целевой процент наличия (например, 95%)
Методология
Как ИИ помогает не уходить в минус по остаткам
Принципы
- Прогноз спроса на основе истории, а не интуиции
- Учёт неопределённости: страховой запас покрывает колебания спроса и задержки поставок
- Непрерывный пересчёт: прогноз и заказы обновляются по мере поступления новых данных
- Автоматические рекомендации по закупке: система подсказывает, когда и сколько заказывать
Допущения
- История продаж достаточна для выявления сезонности и трендов (обычно от 3-6 месяцев)
- Сроки поставки поставщика известны и могут быть оценены
- Целевой уровень сервиса задан бизнесом
Ошибки
- Использовать только средние продажи без учёта сезонности
- Не учитывать вариативность сроков поставки
- Ставить страховой запас одинаковым для всех товаров
- Игнорировать промоакции и внешние факторы
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса на каждый SKU
Данные на входе: История продаж по дням, Календарь сезонности и праздников, Данные о промо и рекламе
Что делает модель: Обучаемая модель (например, градиентный бустинг или ARIMA) оценивает будущий спрос с учётом трендов, сезонности и влияния промо.
Результат: Прогноз продаж на каждый день/неделю вперёд с доверительным интервалом
Как используется: Система использует прогноз для расчёта оптимального заказа и страхового запаса
Расчёт оптимального заказа и страхового запаса
Данные на входе: Прогноз спроса, Текущие остатки, Товары в пути, Сроки поставки и их вариативность, Целевой уровень сервиса
Что делает модель: По формуле точки заказа и страхового запаса (с учётом нормального распределения) вычисляет, когда и сколько заказывать.
Результат: Рекомендация: дата заказа, количество единиц, ожидаемый остаток после поставки
Как используется: Менеджер видит рекомендацию в дашборде и подтверждает заказ поставщику
Выявление аномалий спроса
Данные на входе: Ежедневные продажи, Прогнозные значения
Что делает модель: Статистический метод (например, Z-score) определяет дни, когда фактические продажи сильно отклоняются от прогноза.
Результат: Список SKU с аномальными продажами и степенью отклонения
Как используется: Система предупреждает менеджера о возможном всплеске или падении спроса, чтобы скорректировать заказ
Формирование текстовых рекомендаций и пояснений
Данные на входе: Прогноз спроса, Расчёт запасов, История решений
Что делает модель: Генеративная модель формулирует понятное объяснение: почему рекомендуется заказать именно столько, какие риски учтены.
Результат: Текстовое обоснование рекомендации на естественном языке
Как используется: Менеджер читает пояснение и быстрее принимает решение, доверяя системе
Разбор
Как это работает
- 1
Вход: история продаж, календарь, промо. Действие: модель обучается на данных и строит прогноз спроса на каждый SKU. Результат: прогноз на 4-8 недель вперёд.
- 2
Вход: прогноз, текущие остатки, товары в пути. Действие: система рассчитывает, сколько товара будет на складе к моменту поставки. Результат: ожидаемый остаток на каждую дату.
- 3
Вход: сроки поставки и их вариативность, целевой уровень сервиса. Действие: вычисляется страховой запас и точка заказа. Результат: пороговое значение остатка, при котором нужно заказывать.
- 4
Вход: ожидаемый остаток и точка заказа. Действие: система сравнивает, когда остаток опустится ниже точки заказа. Результат: дата, когда нужно сделать заказ.
- 5
Вход: прогноз спроса до даты поставки, текущий остаток, товары в пути. Действие: рассчитывается оптимальный размер заказа, чтобы покрыть спрос до следующей поставки и восстановить страховой запас. Результат: рекомендуемое количество к заказу.
- 6
Вход: рекомендация, пояснение от ИИ. Действие: менеджер проверяет и подтверждает заказ в системе. Результат: заказ отправлен поставщику, данные обновлены.
- 7
Вход: ежедневные фактические продажи. Действие: система сравнивает факт с прогнозом и выявляет аномалии. Результат: уведомление о всплеске или падении спроса для корректировки.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса с учётом сезонности и трендов
- Текущий остаток и товары в пути
- Сроки поставки и их вариативность
- Целевой уровень сервиса
Какие риски учтены
- Риск дефицита из-за роста спроса
- Риск избыточных остатков, если заказать слишком много
- Риск задержки поставки
Какие варианты рассматривались
- Заказать по старинке, ориентируясь на прошлый месяц
- Увеличить страховой запас вручную
- Не заказывать, надеясь на авось
ИИ выбрал оптимальный баланс: заказ сделан достаточно рано, чтобы успеть к пику, и в нужном объёме, чтобы не осталось излишков. Расчёт основан на данных, а не на интуиции.
Если бы спрос был стабильным и без сезонности, рекомендация была бы проще: заказывать по точке заказа без учёта пиков. Если бы поставщик был ненадёжным, страховой запас был бы больше.
Результат
Что видит пользователь
Дашборд с прогнозом и рекомендациями по закупке
Список SKU с прогнозом спроса, текущим остатком, рекомендуемой датой заказа и количеством, а также пояснением от ИИ
Менеджер видит, по каким товарам нужно срочно заказывать, и может подтвердить заказ в один кликУведомления о риске out-of-stock
Система присылает алерт, если остаток приближается к точке заказа или прогноз спроса резко вырос
Менеджер успевает отреагировать и сделать заказ до того, как товар закончитсяОтчёт по точности прогноза
Сравнение прогноза с фактическими продажами, ошибка прогноза по каждому SKU
Можно оценить качество модели и при необходимости скорректировать настройкиАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и обработка данных о продажах, поставках, промо
- Построение прогноза спроса
- Расчёт точки заказа и страхового запаса
- Формирование рекомендаций по закупке
- Отправка уведомлений о рисках
Требует настройки
- Настройка целевого уровня сервиса
- Задание сроков поставки по поставщикам
- Определение порогов для аномалий
- Интеграция с маркетплейсом и учётной системой
Остаётся за человеком
- Подтверждение заказа поставщику
- Переговоры с поставщиком о сроках и объёмах
- Решение о промоакциях и их влиянии на спрос
- Исключение товаров, которые выводятся из ассортимента
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю продаж за последние 6-12 месяцев в Excel
- Рассчитать средние продажи и сезонность вручную или с помощью простых формул
- Установить страховой запас на основе опыта (например, 20% от среднемесячных продаж)
- Настроить напоминание в календаре о проверке остатков раз в неделю
Рабочая система
- Настроить автозагрузку данных о продажах и поставках из маркетплейса в базу данных
- Разработать скрипт или использовать готовый инструмент для прогнозирования спроса (например, на Python)
- Создать дашборд с остатками, прогнозом и рекомендациями
- Настроить уведомления о достижении точки заказа
Расширенный вариант
- Внедрить модель машинного обучения для прогноза с учётом промо и внешних факторов
- Подключить несколько источников данных (маркетплейс, склад, поставщики)
- Добавить сценарный анализ: что будет, если спрос вырастет на X% или поставка задержится
- Интегрировать систему с ERP для автоматического создания заказов
Подготовка
Чек-лист перед запуском
- 1
Собрать историю продаж по каждому SKU минимум за 6 месяцев
- 2
Определить целевой уровень сервиса (например, 95%)
- 3
Зафиксировать сроки поставки по каждому поставщику и их вариативность
- 4
Настроить регулярную выгрузку данных о продажах и остатках
- 5
Выбрать метод прогнозирования (от простого среднего до ML)
- 6
Рассчитать страховой запас для ключевых SKU
- 7
Настроить дашборд для контроля остатков и прогноза
- 8
Определить ответственного за подтверждение заказов
- 9
Провести пилот на 10-20 SKU и сравнить с ручным подходом
- 10
Скорректировать модель по итогам пилота
Вывод
Главное
Главный принцип — управлять запасами на основе прогноза спроса, а не интуиции. ИИ помогает учесть сезонность, тренды и риски, чтобы не уходить в минус.
Основные данные — история продаж, сроки поставки, текущие остатки. Ключевые расчёты — прогноз спроса, точка заказа, страховой запас.
ИИ автоматизирует прогнозирование и расчёт оптимального заказа, а также предупреждает о рисках, позволяя менеджеру сосредоточиться на решениях.
Начните с малого: соберите историю продаж по ключевым товарам и рассчитайте точку заказа в Excel. Это уже снизит риск out-of-stock без сложных систем.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает путь от бизнес-проблемы к работающему решению: модель решения, данные, автоматизация, интерфейс. Практикум учит выстраивать такие системы без программирования, что позволяет внедрить ИИ-планирование запасов даже в малом бизнесе.
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
У меня мало данных, ИИ не сможет ничего предсказать
Даже с 3-6 месяцами истории можно построить полезный прогноз, используя простые статистические методы. ИИ не требует идеальных данных — он учится на том, что есть, и даёт оценку с доверительным интервалом. По мере накопления данных точность растёт.
Это слишком сложно и дорого для моего бизнеса
Начать можно с простых инструментов: Excel, Google Sheets, готовые сервисы аналитики. Постепенно, по мере роста, можно перейти к более продвинутым решениям. ReMetod учит строить такие системы без программирования, что снижает порог входа.
ИИ ошибётся, и я потеряю деньги
ИИ не исключает ошибки, но снижает их вероятность по сравнению с ручным подходом. Всегда есть страховой запас и человеческий контроль. Система даёт рекомендации, а решение принимает менеджер. Кроме того, можно начать с пилота на нескольких SKU и оценить эффект.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие системы? Приходите на бесплатный вебинар ReMetod, где мы разбираем, как автоматизировать управление запасами с помощью ИИ.