Маркетинг и реклама / Stock cover
Как прогнозировать остатки на FBO с ИИ
Прогноз остатков на FBO — это расчет будущего уровня запасов на складе маркетплейса. ИИ помогает точнее предсказать спрос, учесть сезонность и аномалии, а также автоматически рассчитать страховой запас и точки заказа.
Проблема
Почему это важно
Без прогноза остатков на FBO бизнес сталкивается с дефицитом товара (упущенные продажи, потеря позиций в выдаче) или с излишками (замороженные деньги, плата за хранение, списания). Ручной расчет по средним продажам не учитывает сезонность, тренды и случайные всплески, что приводит к ошибкам в закупках.
Почему возникает
- Продажи неравномерны: есть сезонные пики, акции, праздники, тренды.
- Средние значения за период скрывают всплески и провалы.
- Не учитываются сроки поставки и задержки.
- Нет единой системы: данные по продажам, остаткам и поставкам разрознены.
Риски и потери
- Упущенная выручка из-за отсутствия товара на складе.
- Штрафы и потеря рейтинга за отмены заказов.
- Издержки на хранение излишков и уценку неликвидов.
- Кассовые разрывы из-за заморозки средств в запасах.
Что влияет на результат
- Текущий остаток на складе.
- Ожидаемые поставки (в пути, запланированные).
- Прогноз продаж на период до следующей поставки.
- Страховой запас для покрытия колебаний спроса и задержек.
- Сезонность, тренды, акции, рекламные кампании.
Типичные ошибки ручного подхода
- Использование средних продаж без учета сезонности.
- Игнорирование аномальных всплесков (акции, праздники).
- Неточный учет сроков поставки.
- Ручной расчет в Excel, который не обновляется автоматически.
Определение
Что важно понимать
FBO
Fulfillment by Operator — модель, при которой товар хранится на складе маркетплейса, а маркетплейс обрабатывает заказы.
Остатки на FBO напрямую влияют на доступность товара для покупателей и на рейтинг продавца.Stock cover
Показатель, показывающий, на сколько дней торговли хватит текущего остатка при прогнозируемом спросе.
Помогает определить, когда нужно пополнить запасы, чтобы избежать дефицита.Страховой запас
Дополнительный объем товара, который держат на случай непредвиденных колебаний спроса или задержек поставки.
Снижает риск дефицита, но увеличивает затраты на хранение.Данные
Какие данные нужны
История продаж по SKU
Для прогноза спроса и выявления сезонности, трендов, аномалий.
- дата
- SKU
- количество проданных единиц
- цена
- признак акции/рекламы
Текущие остатки на FBO
База для расчета прогнозного остатка.
- SKU
- склад
- количество на остатке
- дата среза
Планы поставок
Учет ожидаемых поступлений товара на склад.
- SKU
- дата поставки
- количество
- статус (в пути, подтверждено)
Сроки поставки от поставщика
Для расчета точки заказа и страхового запаса.
- SKU
- средний срок поставки в днях
- вариативность срока
Календарь сезонности и акций
Для корректировки прогноза спроса.
- дата
- тип события (праздник, распродажа)
- ожидаемый коэффициент роста спроса
Методология
Методика прогнозирования остатков на FBO
Принципы
- Прогноз остатка = текущий остаток + ожидаемые поставки − прогноз продаж.
- Прогноз продаж строится на основе исторических данных с учетом сезонности, тренда и аномалий.
- Страховой запас рассчитывается исходя из вариативности спроса и надежности поставок.
- Регулярно пересматривайте прогноз по мере поступления новых данных.
Допущения
- Исторические данные репрезентативны и не содержат ошибок.
- Сезонные паттерны повторяются из года в год.
- Поставки происходят в срок, если не указано иное.
- Спрос в будущем будет следовать выявленным трендам.
Ошибки
- Использование средних продаж без учета сезонности.
- Игнорирование аномальных всплесков (акции, праздники).
- Неточный учет сроков поставки.
- Ручной расчет в Excel, который не обновляется автоматически.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса на основе исторических данных
Данные на входе: История продаж по SKU за 1-2 года, Календарь сезонности и акций
Что делает модель: Обучаемая модель (например, градиентный бустинг или ARIMA) выявляет сезонность, тренд и влияние акций, прогнозирует спрос на будущие периоды.
Результат: Прогноз продаж по дням/неделям для каждого SKU с доверительным интервалом.
Как используется: Система использует прогноз для расчета прогнозного остатка и точки заказа.
Выявление аномалий в продажах
Данные на входе: История продаж, Данные о рекламных кампаниях, акциях, внешних событиях
Что делает модель: Статистический метод (например, Z-score или межквартильный размах) определяет выбросы, которые не объясняются обычной сезонностью.
Результат: Список аномальных дней с указанием причины (акция, сбой, внешний шок).
Как используется: Аналитик проверяет аномалии и корректирует прогноз или исключает их из обучения.
Расчет страхового запаса и точки заказа
Данные на входе: Прогноз спроса, Сроки поставки, Целевой уровень сервиса (например, 95%)
Что делает модель: Бизнес-правило: страховой запас = Z × σ × √L, где Z — коэффициент для целевого уровня сервиса, σ — стандартное отклонение спроса, L — срок поставки. Точка заказа = спрос за время поставки + страховой запас.
Результат: Рекомендуемый страховой запас и точка заказа для каждого SKU.
Как используется: Система автоматически формирует заказ на пополнение, когда остаток падает ниже точки заказа.
Формирование рекомендаций по пополнению запасов
Данные на входе: Прогноз остатков, Текущие остатки, Планы поставок, Страховые запасы
Что делает модель: Генеративный ИИ (LLM) анализирует текущую ситуацию и формирует понятные рекомендации на естественном языке: какие SKU требуют срочного пополнения, какие можно отложить.
Результат: Текстовые рекомендации с приоритетами и обоснованием.
Как используется: Менеджер по закупкам просматривает рекомендации и принимает решение о заказе.
Разбор
Как это работает
- 1
Вход: история продаж, остатки, планы поставок, календарь сезонности. Действие: система загружает и очищает данные, объединяя их по SKU и датам. Результат: единая таблица для анализа.
- 2
Вход: очищенные данные. Действие: модель машинного обучения обучается на истории продаж, выявляет сезонность, тренд и влияние акций. Результат: прогноз спроса на будущие периоды с доверительным интервалом.
- 3
Вход: прогноз спроса, сроки поставки. Действие: система рассчитывает страховой запас и точку заказа по бизнес-правилам. Результат: параметры пополнения для каждого SKU.
- 4
Вход: прогноз спроса, текущие остатки, планы поставок. Действие: система рассчитывает прогнозный остаток на каждую дату: остаток = текущий остаток + поставки − прогноз продаж. Результат: динамика остатков по дням.
- 5
Вход: прогнозные остатки, страховые запасы. Действие: система определяет SKU, где остаток опустится ниже страхового запаса или точки заказа. Результат: список SKU, требующих пополнения.
- 6
Вход: список SKU, требующих пополнения, и контекст. Действие: генеративный ИИ формирует текстовые рекомендации с приоритетами и обоснованием. Результат: понятные рекомендации для менеджера.
- 7
Вход: рекомендации. Действие: менеджер проверяет и утверждает заказы, система отправляет их поставщикам. Результат: оформленные заказы на пополнение.
Расчет
Формулы для прогноза остатков
Основная формула прогноза остатка и формула страхового запаса.
Прогноз остатка на дату
Остаток_прогноз = Остаток_текущий + Поставки_ожидаемые − Прогноз_продаж- Остаток_текущий — количество товара на складе на начало периода
- Поставки_ожидаемые — суммарное количество товара, которое прибудет за период
- Прогноз_продаж — ожидаемое количество продаж за период
Условный пример: Остаток_текущий = 100 шт., Поставки_ожидаемые = 50 шт., Прогноз_продаж = 80 шт. Остаток_прогноз = 100 + 50 − 80 = 70 шт.
Допущение: Прогноз продаж может быть получен с помощью ИИ или простого среднего, но ИИ точнее учитывает сезонность.
Страховой запас
Страховой_запас = Z × σ × √L- Z — коэффициент, зависящий от целевого уровня сервиса (например, 1.65 для 95%)
- σ — стандартное отклонение дневных продаж
- L — срок поставки в днях
Условный пример: Z = 1.65, σ = 10 шт., L = 7 дней. Страховой_запас = 1.65 × 10 × √7 ≈ 43.6 шт.
Допущение: Страховой запас покрывает колебания спроса и задержки поставок.
Доступная мощность команды для обработки заказов
Доступная_мощность = Количество_сотрудников × Рабочие_часы_в_смену × Коэффициент_доступности- Количество_сотрудников — число сотрудников, занимающихся прогнозированием и закупками
- Рабочие_часы_в_смену — количество рабочих часов в смену на одного сотрудника
- Коэффициент_доступности — доля времени, доступного для работы над задачами (например, 0.8)
Условный пример: 3 сотрудника × 8 часов × 0.8 = 19.2 часа доступной мощности в день.
Пример расчёта доступной мощности команды для обработки заявок и принятия решений.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз остатков для SKU на 30 дней
- Допущение: Текущий остаток: 150 единиц
- Допущение: План поставки через 10 дней: 100 единиц
- Допущение: Прогноз продаж на 30 дней: 180 единиц (с учетом сезонного роста)
Остаток на 30-й день = 150 + 100 − 180 = 70 единиц. Страховой запас = 50 единиц. Остаток выше страхового запаса, но ниже точки заказа (точка заказа = 120 единиц), поэтому требуется заказ.Прогнозный остаток через 30 дней составит 70 единиц, что ниже точки заказа (120 единиц). Это сигнал к пополнению запасов, иначе к концу периода возможен дефицит.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогнозный остаток ниже точки заказа
- Сезонный рост спроса
- Срок поставки и надежность поставщика
- Целевой уровень сервиса
Какие риски учтены
- Риск дефицита при задержке поставки
- Риск излишков при неточном прогнозе
- Риск упущенных продаж из-за отсутствия товара
Какие варианты рассматривались
- Увеличить страховой запас для снижения риска дефицита
- Использовать экспресс-доставку для ускорения пополнения
- Снизить цену для стимулирования спроса и распродажи излишков
Выбран вариант размещения заказа на пополнение, так как он балансирует риск дефицита и издержки хранения, учитывая сезонный рост спроса.
Если бы спрос был стабильным и поставки надежными, можно было бы снизить страховой запас и заказывать реже.
Результат
Что видит пользователь
Дашборд с прогнозом остатков по SKU
Таблица с текущими остатками, прогнозом на 30 дней, точкой заказа и статусом (требует пополнения/достаточно)
Менеджер видит, какие SKU требуют заказа, и может сразу перейти к формированию заказаУведомления о необходимости пополнения
Автоматические уведомления (email/Telegram) о SKU, где остаток опустится ниже точки заказа
Менеджер оперативно реагирует на приближающийся дефицитРекомендации по закупкам на естественном языке
Текстовые рекомендации: "SKU 123: прогнозный остаток 70, точка заказа 120, рекомендуем заказать 100 единиц"
Менеджер быстро принимает решение, не анализируя таблицы вручнуюАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, остатках, поставках
- Прогнозирование спроса с помощью ML
- Расчет прогнозных остатков, страхового запаса и точки заказа
- Формирование уведомлений о необходимости пополнения
Требует настройки
- Настройка источников данных (API маркетплейса, ERP)
- Определение целевого уровня сервиса и страхового запаса
- Настройка порогов для уведомлений
- Обучение модели на исторических данных
Остаётся за человеком
- Утверждение заказов на пополнение
- Корректировка прогноза при экстренных ситуациях (форс-мажор)
- Выбор поставщика и условий поставки
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю продаж и остатки в Excel
- Рассчитать средние продажи и страховой запас вручную
- Настроить простое правило: заказывать, когда остаток ниже точки заказа
Рабочая система
- Настроить автоматическую загрузку данных из API маркетплейса
- Развернуть базу данных для хранения истории
- Внедрить ML-модель для прогноза спроса
- Создать дашборд с прогнозом остатков и уведомлениями
Расширенный вариант
- Подключить несколько источников данных (прогнозы, рекламные кампании)
- Использовать сценарный анализ (оптимистичный/пессимистичный прогноз)
- Интегрировать с системой закупок для автоматического формирования заказов
Подготовка
Чек-лист перед запуском
- 1
Собрать историю продаж минимум за 12 месяцев
- 2
Определить перечень SKU для прогнозирования
- 3
Настроить источники данных (API, выгрузки)
- 4
Определить целевой уровень сервиса (например, 95%)
- 5
Рассчитать страховой запас для каждого SKU
- 6
Настроить прогнозную модель (ML или статистическую)
- 7
Создать дашборд с прогнозом остатков
- 8
Настроить уведомления о необходимости пополнения
- 9
Определить ответственного за утверждение заказов
- 10
Провести пилотный запуск на 10-20 SKU и сверить с фактическими остатками
Вывод
Главное
Главный принцип — прогноз остатков должен опираться на прогноз спроса, а не на средние значения, и учитывать сезонность и аномалии.
Основные данные: история продаж, остатки, планы поставок, сроки поставки. Ключевые расчеты: прогноз остатка = текущий остаток + поставки − прогноз продаж; страховой запас = Z × σ × √L.
ИИ уточняет прогноз спроса, выявляет аномалии и формирует рекомендации по пополнению, автоматизируя рутинные расчеты.
Начните с выгрузки истории продаж и расчета средних продаж и страхового запаса в Excel, чтобы понять текущую ситуацию.
Метод ReMetod
На чем основан вывод
Метод ReMetod строится вокруг пути: бизнес-проблема → модель решения → данные → автоматизация → интерфейс → работающее решение. Практикум рассчитан на собственников, руководителей, аналитиков и менеджеров малого и среднего бизнеса без требования уметь программировать.
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
Нужно ли уметь программировать, чтобы внедрить прогноз остатков с ИИ?
Нет, ReMetod обучает без требования программировать. Вы сможете настроить автоматизацию с помощью готовых инструментов и моделей.
Насколько точен прогноз ИИ по сравнению с ручным расчетом?
ИИ учитывает сезонность, тренды и аномалии, что снижает ошибку прогноза по сравнению со средними значениями. Точность зависит от качества и объема данных.
Сколько времени занимает внедрение?
Быстрый старт возможен за несколько дней, полноценная система — за 2-4 недели в рамках практикума ReMetod.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться прогнозировать остатки с ИИ? Приходите на бесплатный вебинар ReMetod.