Маркетплейсы / Считать складской план
Как планировать поставки по складам с ИИ
ИИ помогает планировать поставки по складам, прогнозируя спрос на каждый склад, рассчитывая оптимальный страховой запас и распределяя товар с учетом сроков доставки и сезонности. Это снижает риск дефицита и излишков, сокращает затраты на хранение и логистику.
Проблема
Почему это важно
Без ИИ планирование поставок по складам часто ведется вручную на основе прошлых продаж и интуиции. Это приводит к тому, что на одних складах товар залеживается, а на других — дефицит, из-за чего теряются продажи и растут издержки.
Почему возникает
- Спрос неравномерен по складам и меняется под влиянием сезонности, акций и трендов, которые сложно учесть вручную.
- Ручной расчет страхового запаса часто основан на усредненных значениях, не учитывающих волатильность спроса.
- Отсутствие единой системы данных о продажах, остатках и сроках поставки по каждому складу.
Риски и потери
- Упущенная выручка из-за дефицита товара на складе с высоким спросом.
- Замораживание оборотных средств в излишних запасах на складах с низким спросом.
- Штрафы и потеря рейтинга на маркетплейсе за срывы сроков доставки.
Что влияет на результат
- Исторические продажи по каждому складу и SKU.
- Сезонность и тренды спроса.
- Сроки доставки от поставщика до склада.
- Остатки на складе и товары в пути.
- Оборачиваемость и стоимость хранения.
Типичные ошибки ручного подхода
- Усреднение спроса по всем складам без учета региональных особенностей.
- Игнорирование сезонных пиков и провалов.
- Недооценка времени пополнения запасов.
- Отсутствие учета страхового запаса при высокой волатильности.
Определение
Что важно понимать
Прогноз спроса
Оценка будущего объема продаж товара на конкретном складе за определенный период.
Основа для расчета объема поставки: если прогноз завышен, будут излишки, если занижен — дефицит.Страховой запас
Дополнительный объем товара, который держат на складе, чтобы компенсировать колебания спроса и задержки поставок.
Защищает от дефицита, но увеличивает затраты на хранение, поэтому его нужно рассчитывать балансируя риски.Оборачиваемость запасов
Показатель, сколько раз за период запас полностью обновляется. Рассчитывается как отношение продаж к среднему остатку.
Показывает эффективность использования запасов: высокая оборачиваемость снижает затраты на хранение, но может привести к дефициту.Данные
Какие данные нужны
Исторические продажи по складам
Для прогнозирования спроса и выявления сезонности.
- дата
- склад
- SKU
- количество проданных единиц
- выручка
Остатки на складах
Чтобы знать текущий уровень запасов и рассчитать потребность в пополнении.
- склад
- SKU
- текущий остаток
- резерв
- доступно к продаже
Товары в пути
Учитывать уже заказанные, но еще не поступившие товары, чтобы не заказать лишнее.
- поставщик
- SKU
- ожидаемая дата поставки
- количество
Сроки доставки
Для расчета времени пополнения запасов и определения точки заказа.
- склад
- поставщик
- средний срок доставки в днях
- вариативность срока
Сезонность и календарь акций
Для корректировки прогноза спроса на периоды пиков и распродаж.
- дата
- сезонный коэффициент
- планируемые акции
- скидки
Методология
Методика планирования поставок по складам с ИИ
Принципы
- Прогноз спроса строится отдельно для каждого склада и SKU, а не усредненно.
- Страховой запас рассчитывается с учетом вариативности спроса и сроков поставки.
- План поставок оптимизируется по критерию минимизации суммарных затрат на хранение и потерь от дефицита.
Допущения
- Исторические данные достаточно репрезентативны для прогноза.
- Сезонные паттерны повторяются из года в год.
- Сроки поставки и спрос имеют известное распределение (например, нормальное).
Ошибки
- Использование среднего спроса без учета дисперсии.
- Игнорирование корреляции между складами (например, перераспределение спроса).
- Установка единого страхового запаса для всех SKU без учета их важности и волатильности.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса по каждому складу и SKU
Данные на входе: Исторические продажи по складам, Календарь сезонности и акций, Внешние факторы (погода, праздники)
Что делает модель: Обучаемая модель (например, градиентный бустинг или нейросеть) выявляет зависимости и прогнозирует спрос на будущие периоды.
Результат: Прогноз спроса на каждый склад и SKU с доверительным интервалом.
Как используется: Используется для расчета потребности в пополнении и страхового запаса.
Расчет оптимального страхового запаса
Данные на входе: Прогноз спроса с доверительным интервалом, Вариативность сроков поставки, Целевой уровень сервиса (например, 95%)
Что делает модель: Статистический метод (например, формула с квантилем нормального распределения) вычисляет страховой запас, покрывающий колебания спроса и задержки поставок.
Результат: Рекомендуемый страховой запас для каждого SKU и склада.
Как используется: Используется для определения точки заказа и объема поставки.
Оптимизация распределения товара между складами
Данные на входе: Прогноз спроса по складам, Остатки и товары в пути, Стоимость хранения и логистики, Ограничения по вместимости складов
Что делает модель: Модель оптимизации (линейное программирование или эвристики) находит план поставок, минимизирующий суммарные затраты при соблюдении ограничений.
Результат: Рекомендации: сколько и когда заказать на каждый склад, возможно перераспределение между складами.
Как используется: Система формирует заказы поставщикам и задачи на перемещение товара.
Выявление аномалий спроса и предупреждение о рисках
Данные на входе: Фактические продажи в реальном времени, Прогнозные значения
Что делает модель: Модель обнаружения аномалий (например, изоляционный лес) сравнивает факт с прогнозом и сигнализирует о резких отклонениях.
Результат: Уведомления о всплесках или падениях спроса, требующих ручного вмешательства.
Как используется: Менеджер проверяет причины аномалии и корректирует план.
Разбор
Как это работает
- 1
Вход: исторические продажи, остатки, сроки поставки. Действие: система загружает и очищает данные, объединяя их по складам и SKU. Результат: единая база для анализа.
- 2
Вход: очищенные данные. Действие: модель прогнозирует спрос на каждый склад и SKU на нужный горизонт (например, 4 недели). Результат: прогноз с доверительным интервалом.
- 3
Вход: прогноз спроса и вариативность сроков поставки. Действие: рассчитывается страховой запас для целевого уровня сервиса. Результат: рекомендуемый страховой запас.
- 4
Вход: прогноз, остатки, товары в пути, страховой запас. Действие: вычисляется потребность в пополнении = max(0, прогноз + страховой запас - остаток - в пути). Результат: объем заказа на каждый склад.
- 5
Вход: потребности по складам, стоимость хранения и логистики, ограничения. Действие: оптимизационная модель распределяет объемы между складами и поставщиками. Результат: план поставок с датами и объемами.
- 6
Вход: план поставок. Действие: система формирует заказы поставщикам и задачи на перемещение товара между складами. Результат: автоматизированные заказы и задачи.
- 7
Вход: фактические продажи. Действие: система сравнивает факт с прогнозом и выявляет аномалии. Результат: уведомления о рисках дефицита или излишков.
- 8
Вход: уведомления и план. Действие: менеджер анализирует аномалии и при необходимости корректирует план. Результат: скорректированный план поставок.
Расчет
Ключевые формулы для планирования поставок
Для планирования поставок по складам используются две основные формулы: расчет страхового запаса и расчет потребности в пополнении. Ниже приведены формулы и примеры.
Страховой запас
SS = Z × √(σ_d² × L + d² × σ_L²)- Z — коэффициент, соответствующий целевому уровню сервиса (например, 1.65 для 95%)
- σ_d — стандартное отклонение спроса в день
- L — среднее время выполнения заказа в днях
- d — средний дневной спрос
- σ_L — стандартное отклонение времени выполнения заказа
Условный пример: Пусть d = 10 шт/день, σ_d = 2 шт, L = 5 дней, σ_L = 1 день, Z = 1.65. Тогда SS = 1.65 × √(2² × 5 + 10² × 1²) = 1.65 × √(20 + 100) = 1.65 × √120 ≈ 1.65 × 10.95 ≈ 18.1 шт. Округляем до 19 шт.
Допущение: Формула учитывает и колебания спроса, и неопределенность срока поставки.
Потребность в пополнении
Q = max(0, D + SS - I - IP)- D — прогноз спроса на период пополнения
- SS — страховой запас
- I — текущий остаток на складе
- IP — товары в пути
Условный пример: Прогноз спроса на 2 недели D = 140 шт, страховой запас SS = 19 шт, остаток I = 50 шт, в пути IP = 30 шт. Тогда Q = max(0, 140 + 19 - 50 - 30) = max(0, 79) = 79 шт.
Допущение: Если Q = 0, заказ не требуется.
Пример расчета
Как это выглядит в цифрах
Условный пример: планирование поставок для склада в Новосибирске
- Допущение: Склад в Новосибирске, SKU — зимние куртки.
- Допущение: Средний дневной спрос 10 шт, стандартное отклонение 2 шт.
- Допущение: Средний срок поставки 5 дней, стандартное отклонение 1 день.
- Допущение: Целевой уровень сервиса 95% (Z=1.65).
- Допущение: Текущий остаток 50 шт, товары в пути 30 шт.
- Допущение: Прогноз спроса на 2 недели (14 дней) — 140 шт.
Страховой запас = 1.65 × √(2² × 5 + 10² × 1²) = 1.65 × √120 ≈ 19 шт. Потребность в пополнении = max(0, 140 + 19 - 50 - 30) = 79 шт. Значит, нужно заказать 79 курток.Без страхового запаса заказ был бы 60 шт, но с учетом колебаний спроса и задержек поставки 79 шт обеспечивают уровень сервиса 95%. Это снижает риск дефицита в пик сезона.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса с доверительным интервалом
- Уровень сервиса (целевой процент наличия)
- Стоимость хранения и логистики
- Ограничения по вместимости склада
Какие риски учтены
- Риск дефицита при высокой волатильности спроса
- Риск излишков при завышенном прогнозе
- Риск задержек поставки
Какие варианты рассматривались
- Заказывать по факту продаж (без прогноза) — приводит к дефициту в пики.
- Заказывать с большим запасом — увеличивает затраты на хранение.
- Использовать единый страховой запас для всех складов — не учитывает региональные особенности.
ИИ-подход позволяет балансировать риски дефицита и излишков, учитывая индивидуальные особенности каждого склада и SKU, что снижает суммарные затраты.
Если спрос стабилен и сроки поставки надежны, можно снизить страховой запас. Если спрос очень волатилен, потребуется более высокий уровень сервиса и больший страховой запас.
Результат
Что видит пользователь
Дашборд планирования поставок
Таблица с прогнозом спроса, страховым запасом, потребностью в пополнении по каждому складу и SKU, а также статус выполнения заказов.
Менеджер видит, какие товары и в каком объеме нужно заказать, и может сформировать заказы поставщикам в один клик.Уведомления о рисках
Алерты о резком изменении спроса, задержках поставок или приближении к точке заказа.
Менеджер оперативно реагирует на аномалии, корректируя план.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, остатках, поставках
- Прогнозирование спроса по складам и SKU
- Расчет страхового запаса и потребности в пополнении
- Формирование заказов поставщикам и задач на перемещение
- Мониторинг фактических продаж и выявление аномалий
Требует настройки
- Настройка целевого уровня сервиса для каждой категории товаров
- Определение стоимости хранения и логистики
- Задание ограничений по вместимости складов
- Настройка интеграции с учетной системой и маркетплейсом
Остаётся за человеком
- Утверждение плана поставок
- Решение по нестандартным ситуациям (форс-мажор, новые товары)
- Корректировка прогноза на основе внешних факторов (например, рекламные кампании)
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о продажах, остатках и сроках поставки в Excel.
- Рассчитать страховой запас по формуле вручную для топ-100 SKU.
- Еженедельно обновлять план поставок вручную.
Рабочая система
- Настроить автозагрузку данных из учетной системы и маркетплейса.
- Развернуть модель прогнозирования спроса (например, на Python).
- Создать дашборд с планом поставок и уведомлениями.
- Автоматизировать формирование заказов поставщикам.
Расширенный вариант
- Внедрить оптимизационную модель распределения товара между складами.
- Подключить дополнительные источники данных (погода, тренды, реклама).
- Использовать сценарный анализ для оценки влияния изменений спроса и сроков.
Подготовка
Чек-лист перед запуском
- 1
Определить перечень складов и SKU для планирования.
- 2
Собрать исторические данные о продажах минимум за 12 месяцев.
- 3
Учесть сезонность и календарь акций.
- 4
Определить целевой уровень сервиса для каждой категории.
- 5
Рассчитать страховой запас с учетом вариативности спроса и сроков.
- 6
Настроить интеграцию с учетной системой для получения остатков и товаров в пути.
- 7
Определить стоимость хранения и логистики для каждого склада.
- 8
Установить ограничения по вместимости складов.
- 9
Провести пилотный запуск на ограниченной группе SKU.
- 10
Сравнить план с фактическими продажами и скорректировать модель.
Вывод
Главное
Планирование поставок по складам должно быть основано на прогнозе спроса и расчете страхового запаса, а не на интуиции.
Основные данные — исторические продажи, остатки, сроки поставки. Ключевые расчеты — прогноз спроса, страховой запас, потребность в пополнении.
ИИ автоматизирует прогнозирование, оптимизацию и выявление аномалий, позволяя менеджеру сосредоточиться на исключительных случаях.
Начните с расчета страхового запаса для топ-100 SKU в Excel, используя формулу SS = Z × √(σ_d² × L + d² × σ_L²).
Метод ReMetod
На чем основан вывод
Метод ReMetod предлагает путь от бизнес-проблемы к работающему решению: модель решения, данные, автоматизация, интерфейс. Практикум 1 Архитектор учит строить такие решения без программирования, что позволяет внедрить ИИ-планирование поставок в малом и среднем 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 нас мало данных, ИИ не сможет прогнозировать
Даже с небольшим объемом данных можно использовать простые статистические методы (например, скользящее среднее) и постепенно накапливать историю. ИИ-модели могут работать с короткими рядами, используя сезонные коэффициенты.
Это слишком сложно и дорого для малого бизнеса
Начать можно с простых Excel-расчетов, а затем автоматизировать с помощью доступных инструментов. ReMetod учит строить такие решения без программирования, что снижает порог входа.
ИИ ошибется, и мы потеряем деньги
ИИ не заменяет человека, а помогает принимать решения. Все рекомендации можно проверять и корректировать. Начните с пилотного проекта на нескольких SKU, чтобы оценить точность.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие решения? Приходите на бесплатный вебинар ReMetod.