ReMetod
Свяжитесь с нами

Остатки и склад / Reorder alert

Как понять, что пора докупать с ИИ

Пора докупать, когда прогноз спроса на время поставки превышает текущий остаток с учётом страхового запаса. ИИ автоматически прогнозирует спрос, учитывая сезонность и тренды, и сигнализирует о необходимости заказа.

Проблема

Почему это важно

Без системы прогнозирования компании часто сталкиваются с дефицитом товара: заканчивается популярная позиция, пока идёт поставка, теряются продажи и клиенты уходят к конкурентам. Либо наоборот — закупают слишком много, замораживая деньги в неликвидах и оплачивая хранение.

Почему возникает

  • Ручной контроль остатков не успевает за изменениями спроса
  • Нет учёта сезонности и трендов при планировании закупок
  • Страховой запас устанавливается интуитивно, без расчёта
  • Отсутствует связь между прогнозом спроса и текущими остатками

Риски и потери

  • Потеря продаж и клиентов из-за дефицита
  • Замораживание оборотных средств в излишних запасах
  • Списание и уценка неликвидов
  • Штрафы за срыв сроков поставок перед контрагентами

Что влияет на результат

  • Прогноз спроса на период поставки
  • Текущий остаток на складе
  • Страховой запас
  • Время поставки от поставщика
  • Сезонность и тренды спроса

Типичные ошибки ручного подхода

  • Заказ слишком поздно, когда товар уже закончился
  • Заказ слишком рано, увеличивая запасы и затраты на хранение
  • Неверная оценка спроса без учёта сезонности
  • Игнорирование изменений времени поставки

Определение

Что важно понимать

Reorder alert

Сигнал о необходимости пополнения запаса, когда прогнозируемый спрос на время поставки превышает текущий остаток с учётом страхового запаса.

Позволяет избежать дефицита и излишних запасов, оптимизируя оборотные средства.

Страховой запас

Дополнительный объём товара, который хранится для покрытия непредвиденных колебаний спроса или задержек поставки.

Снижает риск дефицита, но увеличивает затраты на хранение, поэтому его размер нужно рассчитывать.

Прогноз спроса

Оценка будущего объёма продаж за определённый период, основанная на исторических данных, сезонности, трендах и других факторах.

Точный прогноз — основа для своевременного пополнения запасов.

Данные

Какие данные нужны

Исторические данные о продажах

Для прогнозирования будущего спроса на основе прошлых периодов.

  • Дата продажи
  • Товар (SKU)
  • Количество
  • Цена

Текущие остатки на складе

Чтобы знать, сколько товара доступно для продажи в данный момент.

  • SKU
  • Количество на складе
  • Резерв

Время поставки от поставщика

Чтобы рассчитать, на какой период нужно прогнозировать спрос (lead time).

  • SKU
  • Поставщик
  • Срок поставки в днях

Страховой запас

Для учёта буфера безопасности в расчёте точки заказа.

  • SKU
  • Страховой запас в единицах

Методология

Методика определения момента заказа

Принципы

  • Точка заказа = прогноз спроса на время поставки + страховой запас
  • Сигнал к заказу возникает, когда текущий остаток опускается ниже точки заказа
  • Прогноз спроса должен учитывать сезонность, тренды и аномалии
  • Страховой запас рассчитывается исходя из вариативности спроса и времени поставки

Допущения

  • Прогноз спроса строится на основе исторических данных за достаточный период
  • Время поставки стабильно или его вариативность учтена в страховом запасе
  • Данные о продажах и остатках актуальны и точны

Ошибки

  • Использование среднего спроса без учёта сезонности
  • Игнорирование изменений времени поставки
  • Установка страхового запаса на глаз, без расчёта
  • Отсутствие регулярного пересмотра прогнозов и параметров

Роль ИИ

Как ИИ решает задачу

Машинное обучение

Прогнозирование спроса на основе исторических данных

Данные на входе: Исторические продажи по SKU, Календарь сезонности, Маркетинговые активности

Что делает модель: Обучаемая модель (например, ARIMA, Prophet или градиентный бустинг) прогнозирует спрос на будущий период

Результат: Прогноз спроса на каждый день/неделю для каждого SKU

Как используется: Система использует прогноз для расчёта точки заказа и генерации reorder alert

Статистический метод

Выявление аномалий в спросе

Данные на входе: Фактические продажи, Прогнозные значения

Что делает модель: Статистический метод (например, Z-score или межквартильный размах) определяет выбросы

Результат: Список SKU с аномальным спросом

Как используется: Система корректирует прогноз или сигнализирует о необходимости ручной проверки

Бизнес-правило

Формирование рекомендаций по закупке

Данные на входе: Прогноз спроса, Текущие остатки, Страховой запас, Время поставки

Что делает модель: Бизнес-правило: если остаток ≤ прогноз на время поставки + страховой запас, то генерируется рекомендация

Результат: Уведомление о необходимости заказа с рекомендуемым объёмом

Как используется: Менеджер по закупкам получает уведомление и принимает решение о заказе

Разбор

Как это работает

  1. 1

    Вход: исторические данные о продажах за последние 12 месяцев. Действие: модель машинного обучения обучается на этих данных. Результат: модель готова прогнозировать спрос.

  2. 2

    Вход: текущие остатки, время поставки, страховой запас. Действие: система рассчитывает точку заказа = прогноз спроса на время поставки + страховой запас. Результат: точка заказа для каждого SKU.

  3. 3

    Вход: ежедневные данные о продажах и остатках. Действие: система обновляет прогноз спроса и сравнивает остаток с точкой заказа. Результат: список SKU, по которым остаток ниже точки заказа.

  4. 4

    Вход: список SKU с остатком ниже точки заказа. Действие: система генерирует reorder alert с рекомендуемым объёмом заказа. Результат: уведомление менеджеру по закупкам.

  5. 5

    Вход: уведомление о необходимости заказа. Действие: менеджер проверяет рекомендацию, учитывая контекст (например, маркетинговые акции). Результат: решение о заказе или корректировка параметров.

  6. 6

    Вход: фактические продажи после заказа. Действие: система сравнивает факт с прогнозом и обновляет модель. Результат: повышение точности будущих прогнозов.

Расчет

Формулы для расчёта момента заказа

Для определения момента заказа используются две ключевые формулы: точка заказа и рекомендуемый объём заказа.

Точка заказа

Точка заказа = Прогноз спроса на время поставки + Страховой запас
  • Прогноз спроса на время поставки — ожидаемый объём продаж за период, равный времени поставки
  • Страховой запас — буфер для покрытия непредвиденных колебаний

Условный пример: Если прогноз спроса на 10 дней поставки составляет 50 единиц, а страховой запас — 10 единиц, то точка заказа = 50 + 10 = 60 единиц.

Допущение: Когда текущий остаток опускается ниже точки заказа, пора делать заказ.

Рекомендуемый объём заказа

Объём заказа = Прогноз спроса на период пополнения + Страховой запас − Текущий остаток
  • Прогноз спроса на период пополнения — ожидаемый спрос за время, на которое рассчитывается заказ (например, на месяц)
  • Страховой запас — буфер безопасности
  • Текущий остаток — количество товара на складе на момент расчёта

Условный пример: Если прогноз спроса на месяц — 200 единиц, страховой запас — 20 единиц, а текущий остаток — 80 единиц, то объём заказа = 200 + 20 − 80 = 140 единиц.

Допущение: Этот объём позволяет покрыть спрос до следующей поставки и сохранить страховой запас.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: расчёт момента заказа для товара А

  • Допущение: Товар А: средний дневной спрос 10 единиц, время поставки 7 дней, страховой запас 15 единиц, текущий остаток 70 единиц.
Прогноз спроса на время поставки = 10 × 7 = 70 единиц. Точка заказа = 70 + 15 = 85 единиц. Текущий остаток (70) меньше точки заказа (85), поэтому пора делать заказ. Рекомендуемый объём заказа = 10 × 30 + 15 − 70 = 245 единиц (при периоде пополнения 30 дней).

Текущий остаток ниже точки заказа, что указывает на риск дефицита. Необходимо срочно заказать товар, чтобы избежать потери продаж.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

  • Прогноз спроса на время поставки
  • Текущий остаток
  • Страховой запас
  • Время поставки

Какие риски учтены

  • Риск дефицита, если заказ не будет сделан вовремя
  • Риск излишних запасов, если заказ будет слишком большим
  • Риск неточного прогноза из-за сезонности или аномалий

Какие варианты рассматривались

  • Заказывать фиксированное количество через равные интервалы (без учёта прогноза)
  • Заказывать только при достижении минимального остатка (без учёта времени поставки)

Метод точки заказа с прогнозом спроса позволяет балансировать между дефицитом и излишними запасами, адаптируясь к изменениям спроса.

Если спрос стабилен и предсказуем, можно использовать более простые методы, но при сезонности и трендах ИИ-прогноз даёт существенное преимущество.

Результат

Что видит пользователь

Reorder alert (уведомление о необходимости заказа)

Список SKU, по которым остаток ниже точки заказа, с рекомендуемым объёмом заказа и сроком поставки

Менеджер может быстро разместить заказ, не тратя время на ручной анализ остатков

Дашборд с прогнозом спроса и остатками

Графики прогноза, текущие остатки и точка заказа для каждого SKU

Руководитель видит общую картину и может принимать стратегические решения по ассортименту

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

  • Сбор данных о продажах и остатках
  • Прогнозирование спроса
  • Расчёт точки заказа
  • Генерация reorder alert

Требует настройки

  • Настройка страхового запаса для каждого SKU
  • Определение времени поставки для каждого поставщика
  • Выбор модели прогнозирования и её параметров

Остаётся за человеком

  • Подтверждение заказа
  • Корректировка объёма заказа с учётом контекста (акции, бюджет)
  • Пересмотр страхового запаса при изменении рыночных условий

Внедрение

Как внедрить решение

Быстрый запуск

  • Собрать исторические данные о продажах за последние 12 месяцев в Excel
  • Рассчитать средний дневной спрос и точку заказа вручную по формуле
  • Настроить условное форматирование в Excel для подсветки SKU с остатком ниже точки заказа

Рабочая система

  • Настроить автоматическую загрузку данных о продажах и остатках в БД
  • Разработать скрипт для расчёта точки заказа и генерации уведомлений
  • Создать дашборд для визуализации прогнозов и остатков

Расширенный вариант

  • Внедрить модель машинного обучения для прогнозирования спроса с учётом сезонности и трендов
  • Подключить несколько источников данных (продажи, маркетинг, погода)
  • Настроить сценарный анализ для оценки влияния изменений спроса и времени поставки

Подготовка

Чек-лист перед запуском

  1. 1

    Собраны исторические данные о продажах минимум за 12 месяцев

  2. 2

    Определено время поставки для каждого поставщика

  3. 3

    Рассчитан страховой запас для каждого SKU

  4. 4

    Выбрана модель прогнозирования спроса

  5. 5

    Настроена автоматическая загрузка данных

  6. 6

    Определены пороги для reorder alert

  7. 7

    Проведено тестирование на исторических данных

  8. 8

    Обучены сотрудники работе с системой

  9. 9

    Установлен регламент пересмотра параметров

  10. 10

    Настроено резервное копирование данных

Вывод

Главное

Момент заказа определяется сравнением текущего остатка с точкой заказа, которая включает прогноз спроса на время поставки и страховой запас.

Основные данные — исторические продажи, текущие остатки, время поставки и страховой запас. Ключевые расчёты — прогноз спроса, точка заказа и рекомендуемый объём заказа.

ИИ повышает точность прогноза спроса, учитывая сезонность и аномалии, и автоматизирует генерацию сигналов о необходимости закупки.

Начните с расчёта точки заказа в Excel для нескольких ключевых SKU, используя средний дневной спрос и время поставки.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает, как строить обучение вокруг пути от бизнес-проблемы к работающему решению. В контексте reorder alert это означает: сначала определить проблему дефицита, затем спроектировать модель расчёта точки заказа, собрать данные, автоматизировать расчёт и выдать интерфейс для менеджера.

В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.

Посмотреть программу практикума

Вопросы

Что обычно уточняют

Не слишком ли сложно внедрять ИИ для прогнозирования закупок?

Начать можно с простых формул в Excel, а ИИ подключать постепенно, когда накопится достаточно данных. ReMetod учит строить решение поэтапно, без необходимости программировать.

Что делать, если исторических данных мало?

Можно использовать упрощённые методы прогнозирования, например, среднее за последние несколько недель, и постепенно накапливать данные для более точных моделей.

Как часто нужно пересматривать страховой запас?

Рекомендуется пересматривать ежемесячно или при существенном изменении спроса или времени поставки. ИИ может автоматически предлагать корректировки на основе анализа вариативности.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите научиться настраивать такие системы? Приходите на бесплатный вебинар ReMetod.

Ближайший вебинар

Вводный вебинар
Ближайшая дата появится в календаре

Разберем, где ИИ уже дает управленческую пользу, какие задачи стоит брать первыми и как не уйти в хайп.

Записаться на вебинар
Диагностика

Бесплатный разбор вашего кейса

25–30 минут: фиксируем задачу, данные, возможную автоматизацию и ближайший проверяемый результат.

Записаться на разбор
Практикум

Практикум 1 «Архитектор»

Полный путь от бизнес-проблемы до рабочей модели решения, интерфейса и проверки результата.

Перейти к практикуму