Закупки / SKU forecast
Как прогнозировать потребность по SKU с помощью ИИ
Прогноз потребности по SKU с ИИ — это расчет будущего спроса на каждую позицию ассортимента на основе исторических данных, сезонности и внешних факторов. ИИ автоматически выявляет закономерности, которые сложно учесть вручную, и помогает определить оптимальный объем закупки, чтобы избежать дефицита и излишков.
Проблема
Почему это важно
Без точного прогноза потребности по SKU компания сталкивается с дефицитом товаров (потеря продаж и клиентов) или с излишками (заморозка оборотных средств, затраты на хранение). Ручной расчет на основе средних продаж не учитывает сезонность, тренды, промо-акции и изменения рынка, что приводит к систематическим ошибкам.
Почему возникает
- Ручной расчет средних продаж без учета сезонности и трендов
- Отсутствие данных о сроках поставки и их вариативности
- Игнорирование внешних факторов (праздники, акции, изменения спроса)
- Невозможность обработать большой ассортимент (тысячи SKU) вручную
Риски и потери
- Потеря выручки из-за дефицита популярных позиций
- Затоваривание склада и рост затрат на хранение
- Списание просроченных или неликвидных товаров
- Снижение оборачиваемости и заморозка оборотных средств
Что влияет на результат
- Исторические продажи (объемы, динамика)
- Сезонность и тренды
- Срок поставки и его вариативность
- Текущие остатки и резервы
- Промо-акции и маркетинговые активности
- Внешние факторы (праздники, экономическая ситуация)
Типичные ошибки ручного подхода
- Усреднение продаж без учета сезонных пиков
- Недооценка влияния промо-акций
- Игнорирование изменений в ассортименте (новинки, вывод из ассортимента)
- Ошибки в расчете страхового запаса
Определение
Что важно понимать
SKU
Stock Keeping Unit — уникальный идентификатор товарной позиции (артикул), по которому ведется учет остатков и продаж.
Прогноз по каждому SKU позволяет точно планировать закупки, избегая смешения разных товаров.Страховой запас
Дополнительный объем товара, который хранится на случай непредвиденного роста спроса или задержки поставки.
Страховой запас снижает риск дефицита, но увеличивает затраты на хранение, поэтому его размер нужно оптимизировать.Точка заказа
Уровень остатка, при достижении которого необходимо размещать новый заказ, чтобы товар не закончился до прихода поставки.
Расчет точки заказа позволяет автоматизировать процесс закупок и избежать дефицита.Данные
Какие данные нужны
Исторические продажи по SKU
База для прогнозирования спроса: объемы продаж за прошлые периоды, динамика, сезонность.
- Дата продажи
- Количество единиц
- Сумма продажи
- SKU
- Канал продаж
Данные об остатках
Текущие остатки и резервы позволяют рассчитать, сколько товара уже есть и сколько нужно заказать.
- SKU
- Текущий остаток
- Зарезервировано
- В пути
Сроки поставки
Время от заказа до получения товара влияет на точку заказа и страховой запас.
- SKU
- Поставщик
- Средний срок поставки (дней)
- Вариативность срока (стандартное отклонение)
Календарь событий
Праздники, промо-акции, сезонные распродажи влияют на спрос и должны учитываться в прогнозе.
- Дата начала
- Дата окончания
- Тип события (праздник, промо, распродажа)
- Ожидаемый коэффициент влияния на спрос
Методология
Методика прогнозирования потребности по SKU с ИИ
Принципы
- Прогноз строится на основе исторических данных, а не интуиции
- Учитываются сезонность, тренды и внешние факторы
- Расчет ведется отдельно для каждого SKU
- Прогноз регулярно пересматривается и корректируется по фактическим данным
Допущения
- Исторические данные репрезентативны и не содержат значительных выбросов
- Спрос в будущем будет следовать выявленным закономерностям
- Сроки поставки стабильны или их вариативность известна
Ошибки
- Использование только средних продаж без учета сезонности
- Игнорирование промо-акций и маркетинговых активностей
- Неучет изменений в ассортименте (новинки, снятие с производства)
- Расчет страхового запаса без учета вариативности спроса и срока поставки
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса по каждому SKU
Данные на входе: Исторические продажи по SKU, Календарь событий, Данные о промо-акциях
Что делает модель: Обучаемая модель (например, градиентный бустинг или ARIMA) выявляет сезонность, тренды и влияние событий, формируя прогноз спроса на будущий период.
Результат: Прогнозное количество продаж по каждому SKU на каждый день/неделю/месяц
Как используется: Система использует прогноз для расчета потребности в закупке
Выявление аномалий в продажах
Данные на входе: Исторические продажи, Прогнозные значения
Что делает модель: Модель обнаруживает резкие отклонения фактических продаж от прогноза, которые могут указывать на ошибки ввода, форс-мажор или изменение спроса.
Результат: Список SKU с аномалиями и степенью отклонения
Как используется: Сотрудник проверяет аномалии и корректирует прогноз или данные
Классификация SKU по типу спроса
Данные на входе: Исторические продажи по SKU
Что делает модель: Модель группирует SKU по характеру спроса: стабильный, сезонный, трендовый, нерегулярный.
Результат: Категория спроса для каждого SKU
Как используется: Система выбирает подходящий метод прогнозирования для каждой категории
Разбор
Как это работает
- 1
Вход: исторические данные о продажах, остатках, сроках поставки, календарь событий. Действие: система очищает данные, устраняет выбросы и пропуски. Результат: подготовленный набор данных для обучения модели.
- 2
Вход: подготовленные данные. Действие: модель машинного обучения обучается на исторических продажах, выявляя сезонность, тренды и влияние событий. Результат: обученная модель прогнозирования спроса.
- 3
Вход: обученная модель и актуальные данные. Действие: модель формирует прогноз спроса на каждый SKU на нужный период. Результат: прогнозные значения продаж.
- 4
Вход: прогноз спроса, текущие остатки, сроки поставки. Действие: система рассчитывает потребность в закупке по формуле: потребность = прогноз спроса на период до следующей поставки + страховой запас - текущие остатки - товары в пути. Результат: рекомендуемый объем заказа по каждому SKU.
- 5
Вход: рекомендуемые объемы заказа. Действие: система формирует заказ поставщику, учитывая минимальные партии и кратность упаковки. Результат: готовый заказ для согласования.
- 6
Вход: фактические продажи после поставки. Действие: система сравнивает факт с прогнозом, выявляет отклонения и переобучает модель. Результат: уточненный прогноз на следующий период.
Расчет
Формулы для расчета потребности по SKU
Для расчета потребности используются следующие формулы. Все значения подставляются в единицах товара.
Потребность в закупке
Потребность = (Прогноз спроса на период до следующей поставки) + (Страховой запас) - (Текущий остаток) - (Товары в пути)- Прогноз спроса на период до следующей поставки — ожидаемые продажи за время, пока идет поставка
- Страховой запас — резерв на случай непредвиденного роста спроса или задержки
- Текущий остаток — количество товара на складе на момент расчета
- Товары в пути — уже заказанные, но еще не полученные единицы
Условный пример: Прогноз спроса на 30 дней = 120 шт., страховой запас = 20 шт., текущий остаток = 30 шт., товары в пути = 10 шт. Потребность = 120 + 20 - 30 - 10 = 100 шт.
Допущение: Если потребность отрицательная, заказ не требуется.
Страховой запас
Страховой запас = Z × √(σ²спроса × L + σ²срока × D²)- Z — коэффициент, зависящий от желаемого уровня сервиса (например, 1,65 для 95%)
- σспроса — стандартное отклонение дневного спроса
- L — средний срок поставки в днях
- σсрока — стандартное отклонение срока поставки
- D — средний дневной спрос
Условный пример: Z = 1,65, σспроса = 5 шт., L = 10 дней, σсрока = 2 дня, D = 10 шт. Страховой запас = 1,65 × √(25×10 + 4×100) = 1,65 × √(250+400) = 1,65 × √650 ≈ 1,65 × 25,5 ≈ 42 шт.
Допущение: Формула учитывает неопределенность спроса и срока поставки.
Доступная мощность команды закупок
Доступная мощность = Количество сотрудников × Рабочие часы в смену × Количество смен × Коэффициент доступности- Количество сотрудников — число сотрудников, занятых закупками
- Рабочие часы в смену — продолжительность одной смены в часах
- Количество смен — число рабочих смен в периоде (например, в день или неделю)
- Коэффициент доступности — доля времени, доступного для выполнения задач (например, 0,8)
Условный пример: 5 сотрудников × 8 часов × 1 смена × 0,8 = 32 часа доступной мощности в день.
Допущение: Расчет доступной мощности помогает оценить, хватает ли ресурсов команды для обработки прогнозируемой нагрузки по SKU.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчет заказа для SKU с сезонным спросом
- Допущение: Рассмотрим условный пример: компания продает сезонный товар — летние платья. Для SKU "Платье летнее" исторические продажи за прошлый год показывают пик в мае-июне.
- Допущение: Текущий остаток на начало мая: 50 шт.
- Допущение: Средний срок поставки: 14 дней.
- Допущение: Прогноз спроса на май (с учетом сезонности и промо-акции): 300 шт.
- Допущение: Страховой запас: 30 шт.
- Допущение: Товары в пути: 20 шт.
Потребность = 300 + 30 - 50 - 20 = 260 шт. Это количество необходимо заказать, чтобы покрыть спрос мая с учетом остатков и товаров в пути.Без ИИ компания могла бы заказать на основе среднемесячных продаж (например, 150 шт.), что привело бы к дефициту в пик сезона. ИИ, учитывая сезонность, рекомендует заказать 260 шт., что обеспечит наличие товара и не создаст излишков после сезона.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса, учитывающий сезонность и промо-акции
- Текущие остатки и товары в пути
- Страховой запас, рассчитанный с учетом вариативности спроса и срока поставки
Какие риски учтены
- Риск дефицита при недостаточном заказе
- Риск излишков при завышенном заказе
- Риск задержки поставки, покрываемый страховым запасом
Какие варианты рассматривались
- Заказ на основе средних продаж без учета сезонности
- Ручной расчет с использованием Excel
- Заказ по факту достижения точки заказа без прогноза
ИИ-прогноз учитывает множество факторов и автоматически обновляется, что снижает ошибки и экономит время закупщика.
Если бы спрос был стабильным без сезонности, можно было бы использовать более простые методы, например, скользящее среднее. ИИ особенно полезен при большом ассортименте и нестабильном спросе.
Результат
Что видит пользователь
Дашборд с прогнозом потребности по каждому SKU
Таблица с SKU, прогнозом спроса, текущими остатками, рекомендуемым заказом и статусом (нужно заказать / не нужно)
Закупщик видит, какие позиции требуют заказа, и может сформировать заказ поставщику в один кликУведомления о необходимости заказа
Система отправляет уведомление, когда остаток приближается к точке заказа
Сотрудник не пропускает момент заказа, даже если ассортимент большойОтчет о точности прогноза
Сравнение прогнозных и фактических продаж, ошибка прогноза (MAPE) по каждому SKU
Руководитель видит, насколько точен прогноз, и может корректировать настройки моделиАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, остатках, поставках
- Обучение и переобучение модели прогнозирования
- Расчет потребности и рекомендуемого заказа
- Формирование заказа поставщику (при интеграции с ERP)
Требует настройки
- Настройка пороговых значений для страхового запаса
- Определение календаря событий и коэффициентов влияния
- Настройка интеграции с учетной системой
- Выбор метода прогнозирования для разных категорий SKU
Остаётся за человеком
- Согласование заказа с поставщиком
- Корректировка прогноза при форс-мажорных обстоятельствах
- Решение о закупке новых SKU без истории продаж
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю продаж и остатков в Excel
- Построить простой прогноз на основе средних и сезонных коэффициентов
- Рассчитать потребность вручную по формуле для ключевых SKU
Рабочая система
- Настроить автоматическую загрузку данных из учетной системы
- Развернуть модель машинного обучения для прогнозирования
- Создать дашборд с прогнозом и рекомендациями по закупкам
- Настроить уведомления о необходимости заказа
Расширенный вариант
- Подключить внешние данные (погода, экономические индикаторы)
- Использовать сценарный анализ (оптимистичный, пессимистичный прогноз)
- Интегрировать с системой управления складом для автоматического заказа
Подготовка
Чек-лист перед запуском
- 1
Собрать данные о продажах минимум за 12 месяцев
- 2
Очистить данные от выбросов и ошибок
- 3
Определить перечень SKU для прогнозирования
- 4
Собрать данные о сроках поставки по каждому поставщику
- 5
Задать целевой уровень сервиса (например, 95%)
- 6
Рассчитать страховой запас для каждого SKU
- 7
Настроить календарь событий (праздники, промо)
- 8
Выбрать метод прогнозирования (ML или статистический)
- 9
Создать дашборд для визуализации прогноза
- 10
Настроить процесс регулярного пересмотра прогноза
Вывод
Главное
Точный прогноз потребности по SKU — это баланс между риском дефицита и излишков, достигаемый за счет учета всех значимых факторов.
Основные данные — история продаж, остатки, сроки поставки. Ключевые расчеты — прогноз спроса, страховой запас, потребность в закупке.
ИИ автоматизирует выявление закономерностей и прогнозирование, что особенно ценно при большом ассортименте и нестабильном спросе.
Начните с выгрузки данных о продажах за последний год и постройте простой прогноз в Excel для 10-20 ключевых SKU, чтобы оценить потенциальный эффект.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как построить работающее решение от бизнес-проблемы до автоматизации. Практикум учит создавать такие прогнозные модели без программирования, что подтверждает применимость описанного подхода.
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 программировать, чтобы внедрить ИИ-прогноз?
Нет, современные платформы и практикумы, такие как ReMetod, позволяют настроить прогнозирование без кода, используя готовые инструменты и визуальные конструкторы.
Сколько данных нужно для точного прогноза?
Для базового прогноза достаточно 12 месяцев истории, но чем больше данных, тем точнее модель. Для новых SKU без истории можно использовать аналоги или экспертные оценки.
Что делать, если прогноз ошибается?
Регулярно сравнивайте прогноз с фактом, выявляйте причины отклонений и корректируйте модель. ИИ-системы автоматически переобучаются на новых данных.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы? Приходите на бесплатный вебинар ReMetod.