Закупки / Stockout risk
Как посчитать риск дефицита с ИИ
Риск дефицита — это вероятность того, что спрос превысит запас до следующей поставки. Базовая формула: риск = 1 − вероятность покрытия спроса, где вероятность зависит от страхового запаса и разброса спроса. ИИ улучшает прогноз спроса и автоматически пересчитывает риск по каждому товару.
Проблема
Почему это важно
Без расчета риска дефицита компания часто полагается на интуицию или простые правила вроде «держи запас на 30 дней». Это приводит к тому, что по одним позициям товар залеживается, а по другим — заканчивается в самый неподходящий момент, особенно в сезон или при изменении спроса.
Почему возникает
- Спрос неравномерен: есть сезонные пики, тренды и случайные колебания, которые сложно учесть вручную.
- Ручной расчет страхового запаса часто игнорирует вариативность спроса и сроки поставки.
- Нет единого источника данных: продажи, остатки и поставки разрознены по таблицам и системам.
Риски и потери
- Потеря продаж и клиентов из-за отсутствия товара на полке.
- Срочные закупки по завышенным ценам и дополнительные логистические расходы.
- Избыточный запас по другим позициям, который замораживает оборотные средства.
Что влияет на результат
- Прогноз спроса на период пополнения
- Стандартное отклонение спроса (волатильность)
- Срок поставки и его вариативность
- Текущий остаток и ожидаемые поступления
- Целевой уровень сервиса (например, 95% или 98%)
Типичные ошибки ручного подхода
- Использование среднего спроса без учета разброса — недооценка риска.
- Игнорирование сезонности и трендов — прогноз устаревает.
- Ручной пересчет по каждому SKU — ошибки и пропуски, особенно при большом ассортименте.
Определение
Что важно понимать
Риск дефицита
Вероятность того, что спрос превысит запас до следующей поставки.
Позволяет количественно оценить, насколько критична нехватка товара, и приоритизировать действия.Страховой запас
Дополнительный объем товара, который держат на случай превышения спроса или задержки поставки.
Чем больше страховой запас, тем ниже риск дефицита, но выше затраты на хранение.Уровень сервиса
Целевая доля случаев, когда спрос будет удовлетворен без дефицита (например, 95%).
Определяет, какой риск дефицита компания считает приемлемым.Данные
Какие данные нужны
История продаж
Для расчета среднего спроса, стандартного отклонения и выявления сезонности.
- дата
- SKU
- количество
- цена
Данные о поставках
Для учета сроков пополнения и их вариативности.
- SKU
- дата заказа
- дата поставки
- количество
Текущие остатки
Для расчета доступного запаса на момент оценки.
- SKU
- склад
- количество
Прогноз спроса
Для оценки ожидаемого спроса на период пополнения.
- SKU
- период
- прогнозное количество
Методология
Методика расчета риска дефицита
Принципы
- Риск дефицита = 1 − вероятность покрытия спроса за время пополнения.
- Вероятность покрытия зависит от страхового запаса и стандартного отклонения спроса.
- ИИ улучшает прогноз спроса, что делает расчет риска более точным.
Допущения
- Спрос распределен нормально (или используется аппроксимация).
- Срок поставки фиксирован или его вариативность учтена в стандартном отклонении.
- Целевой уровень сервиса задан компанией.
Ошибки
- Использование среднего спроса без учета разброса.
- Игнорирование сезонности и трендов.
- Ручной пересчет по каждому SKU без автоматизации.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса
Данные на входе: История продаж, Календарь сезонности, Маркетинговые акции
Что делает модель: Обучаемая модель (например, градиентный бустинг или ARIMA) предсказывает ожидаемый спрос на период пополнения.
Результат: Прогноз спроса с доверительным интервалом.
Как используется: Используется как вход для расчета риска дефицита.
Оценка стандартного отклонения спроса
Данные на входе: История продаж, Прогноз спроса
Что делает модель: Статистический метод вычисляет стандартное отклонение ошибки прогноза.
Результат: Значение стандартного отклонения для каждого SKU.
Как используется: Подставляется в формулу риска дефицита.
Выявление аномалий
Данные на входе: История продаж, Данные о поставках
Что делает модель: Модель машинного обучения обнаруживает нетипичные всплески или падения спроса, которые могут исказить расчет.
Результат: Список SKU с аномалиями и степень отклонения.
Как используется: Позволяет скорректировать прогноз или вручную проверить позицию.
Разбор
Как это работает
- 1
Вход: история продаж, данные о поставках, текущие остатки. Действие: система загружает и очищает данные. Результат: единая таблица с полями SKU, дата, количество, остаток.
- 2
Вход: очищенные данные. Действие: ИИ строит прогноз спроса на период пополнения для каждого SKU. Результат: прогнозное значение и стандартное отклонение.
- 3
Вход: прогноз, остатки, сроки поставки. Действие: система рассчитывает доступный запас = остаток + ожидаемые поступления. Результат: доступный запас на конец периода.
- 4
Вход: прогноз, стандартное отклонение, целевой уровень сервиса. Действие: вычисляется страховой запас и вероятность покрытия спроса. Результат: риск дефицита для каждого SKU.
- 5
Вход: рассчитанные риски. Действие: система ранжирует SKU по уровню риска и формирует список приоритетных позиций. Результат: дашборд с рисками и рекомендациями.
- 6
Вход: список приоритетных SKU. Действие: система отправляет уведомления закупщику. Результат: закупщик принимает решение о дозаказе.
Расчет
Формула риска дефицита
Базовая формула для расчета риска дефицита при нормальном распределении спроса.
Риск дефицита
Риск = 1 − Φ((Остаток + Ожидаемые поставки − Прогноз спроса) / Стандартное отклонение)- Остаток — текущий запас на складе
- Ожидаемые поставки — объем, который должен прийти до конца периода
- Прогноз спроса — ожидаемый спрос за период пополнения
- Стандартное отклонение — мера разброса спроса
- Φ — функция стандартного нормального распределения
Условный пример: Прогноз спроса = 1000 шт., стандартное отклонение = 200 шт., остаток = 800 шт., ожидаемые поставки = 300 шт. Тогда (800 + 300 − 1000) / 200 = 0.5. Φ(0.5) ≈ 0.6915. Риск = 1 − 0.6915 = 0.3085, то есть 30.85%.
Допущение: Это упрощенная модель. Для более точного расчета используйте прогноз с доверительным интервалом от ИИ.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчет риска дефицита для двух SKU
- Допущение: SKU A: прогноз спроса 1000 шт., стандартное отклонение 200 шт., остаток 800 шт., ожидаемые поставки 300 шт.
- Допущение: SKU B: прогноз спроса 500 шт., стандартное отклонение 100 шт., остаток 400 шт., ожидаемые поставки 50 шт.
Для SKU A: (800 + 300 − 1000) / 200 = 0.5, Φ(0.5) ≈ 0.6915, риск = 30.85%. Для SKU B: (400 + 50 − 500) / 100 = -0.5, Φ(-0.5) ≈ 0.3085, риск = 69.15%.SKU B имеет значительно более высокий риск дефицита (69% против 31%), что указывает на недостаточный запас относительно прогноза.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Риск дефицита выше целевого уровня
- Прогноз спроса с учетом сезонности
- Доступный запас и ожидаемые поставки
Какие риски учтены
- Потеря продаж
- Срочные закупки по завышенным ценам
- Недовольство клиентов
Какие варианты рассматривались
- Увеличить страховой запас по всем SKU
- Сократить срок поставки за счет смены поставщика
- Снизить целевой уровень сервиса
Выбран вариант дозаказа по проблемным SKU, так как он точечно решает проблему без замораживания средств в избыточном запасе.
Если бы риск был высоким по многим SKU, потребовался бы пересмотр политики страховых запасов или работа с поставщиками.
Результат
Что видит пользователь
Дашборд рисков дефицита
Таблица SKU с уровнем риска, прогнозом, остатками и рекомендуемым действием.
Быстро определить, какие позиции требуют дозаказа, и приоритизировать работу.Уведомления о критических SKU
Автоматические алерты по позициям с риском выше порога.
Своевременно реагировать на дефицит, не просматривая весь ассортимент вручную.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, поставках и остатках
- Прогнозирование спроса с помощью ИИ
- Расчет риска дефицита по каждому SKU
- Формирование дашборда и уведомлений
Требует настройки
- Настройка целевого уровня сервиса
- Определение порогов риска для уведомлений
- Интеграция с учетной системой для автоматической загрузки данных
Остаётся за человеком
- Решение о размещении заказа
- Выбор поставщика и условий
- Исключение аномалий, которые модель не смогла объяснить
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать историю продаж и остатки в Excel
- Рассчитать средний спрос и стандартное отклонение вручную
- Использовать простую формулу для оценки риска по ключевым SKU
Рабочая система
- Настроить автоматическую загрузку данных из учетной системы
- Развернуть модель прогнозирования спроса (например, на Python)
- Создать дашборд с рисками и уведомлениями
Расширенный вариант
- Подключить несколько источников данных (продажи, маркетинг, логистика)
- Использовать сценарный анализ для оценки влияния изменений спроса и поставок
- Интегрировать рекомендации по закупкам в ERP
Подготовка
Чек-лист перед запуском
- 1
Определить целевой уровень сервиса (например, 95%)
- 2
Собрать данные о продажах за последние 12 месяцев
- 3
Учесть сезонность и тренды в прогнозе
- 4
Рассчитать стандартное отклонение спроса
- 5
Определить сроки поставки и их вариативность
- 6
Настроить пороги риска для уведомлений
- 7
Проверить расчет на исторических данных
- 8
Обучить команду работе с дашбордом
Вывод
Главное
Риск дефицита — это вероятность, которую можно рассчитать и снизить, если опираться на данные, а не на интуицию.
Основные данные — история продаж, поставки, остатки. Ключевой расчет — формула риска с использованием прогноза и стандартного отклонения.
ИИ повышает точность прогноза спроса и автоматизирует пересчет риска по всему ассортименту.
Начните с расчета риска по 10 ключевым SKU в Excel, используя формулу и исторические данные.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема (например, дефицит товара) решается через модель решения, данные и автоматизацию. Практикум учит строить такие решения 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
Не слишком ли сложно считать риск дефицита вручную?
Да, вручную это трудоемко, особенно при большом ассортименте. Но можно начать с простой формулы в Excel для ключевых SKU, а затем автоматизировать с помощью ИИ.
Насколько точен расчет риска дефицита?
Точность зависит от качества данных и прогноза. ИИ улучшает прогноз, но всегда есть погрешность. Важно регулярно пересматривать параметры.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать расчет риска дефицита? Запишитесь на практикум ReMetod.