Маркетинг и реклама / Availability

Как распределить ассортимент по складам с ИИ

ИИ распределяет ассортимент по складам, прогнозируя спрос на каждый товар в зоне каждого склада и рассчитывая оптимальный уровень запасов. Это позволяет снизить дефицит, сократить излишки и повысить доступность товара для клиентов.

Проблема

Почему это важно

Без системного подхода ассортимент распределяется по складам на основе прошлого опыта или равномерно, что приводит к дефициту популярных товаров на одних складах и затовариванию на других. Спрос в разных регионах отличается, и компания теряет продажи из-за отсутствия нужного товара в нужном месте.

Почему возникает

Спрос на товары сильно различается по регионам и сезонам, но это не учитывается при распределении.
Запасы пополняются по факту продаж, а не по прогнозу, поэтому реакция на изменения спроса запаздывает.
Отсутствует единый расчет оптимального уровня запаса для каждого склада и SKU.

Риски и потери

Потеря продаж из-за дефицита: клиент уходит к конкурентам.
Замораживание оборотных средств в излишних запасах на складах с низким спросом.
Рост затрат на хранение и логистику из-за неоптимального перемещения товаров.

Что влияет на результат

Исторические продажи по каждому складу и региону.
Сезонность и тренды спроса.
Сроки поставки от поставщиков и между складами.
Логистические ограничения (емкость склада, стоимость перевозки).

Типичные ошибки ручного подхода

Распределение на основе интуиции, а не данных.
Игнорирование региональных особенностей спроса.
Отсутствие регулярного пересмотра распределения при изменении спроса.

Определение

Что важно понимать

Availability

Доля времени или случаев, когда товар есть в наличии на складе и готов к отгрузке клиенту.

Высокий Availability напрямую влияет на выручку и лояльность клиентов: чем реже дефицит, тем больше продаж.

Прогноз спроса

Оценка будущего объема продаж товара на конкретном складе за определенный период, основанная на исторических данных и факторах.

Точный прогноз позволяет заранее пополнить запасы и избежать дефицита.

Оптимальный уровень запаса

Количество товара, которое нужно хранить на складе, чтобы покрыть спрос за время поставки с учетом страхового запаса.

Слишком мало — дефицит, слишком много — заморозка средств и издержки хранения.

Данные

Какие данные нужны

Исторические продажи по складам

База для прогнозирования спроса по каждому складу.

SKU
склад
дата
количество проданных единиц

Текущие остатки на складах

Чтобы понять, какой запас уже есть и где есть дефицит или излишек.

SKU
склад
текущий остаток

Сроки поставки

Для расчета времени пополнения запасов и страхового запаса.

SKU
поставщик
срок поставки в днях

Сезонность и календарь

Для учета сезонных колебаний спроса.

дата
праздники
сезонный коэффициент

Методология

Методика распределения ассортимента по складам с ИИ

Принципы

Прогнозируй спрос по каждому складу отдельно, а не по всей компании.
Рассчитывай оптимальный уровень запаса для каждого SKU и склада.
Регулярно пересматривай распределение на основе новых данных.

Допущения

Спрос в будущем следует историческим паттернам с учетом сезонности и трендов.
Сроки поставки стабильны и известны.
Логистические затраты на перемещение товаров между складами не превышают выгоду от перераспределения.

Ошибки

Использование среднего спроса по компании вместо регионального.
Игнорирование страхового запаса, что приводит к дефициту при колебаниях спроса.
Неучет сроков поставки при расчете точки заказа.

Роль ИИ

Как ИИ решает задачу

Машинное обучение

Прогнозирование спроса по каждому складу

Данные на входе: Исторические продажи по складам, Сезонность, Тренды, Маркетинговые активности

Что делает модель: Обучаемая модель (например, градиентный бустинг) предсказывает ожидаемый спрос на каждый SKU на каждом складе на следующий период.

Результат: Прогноз спроса в единицах товара на склад на период.

Как используется: Система использует прогноз для расчета оптимального уровня запаса и формирования рекомендаций по пополнению.

Бизнес-правило

Расчет оптимального уровня запаса

Данные на входе: Прогноз спроса, Сроки поставки, Желаемый уровень Availability

Что делает модель: По формуле рассчитывается точка заказа и страховой запас для каждого SKU и склада.

Результат: Оптимальный уровень запаса и рекомендуемое количество для заказа.

Как используется: Система автоматически формирует заказы на пополнение или предлагает перераспределение между складами.

Статистический метод

Выявление аномалий спроса

Данные на входе: Фактические продажи, Прогноз

Что делает модель: Статистический метод сравнивает факт с прогнозом и выявляет резкие отклонения, которые могут указывать на изменение спроса.

Результат: Список SKU и складов с аномалиями.

Как используется: Менеджер проверяет аномалии и корректирует прогноз или распределение.

Разбор

Как это работает

1
Вход: исторические продажи по складам, остатки, сроки поставки. Действие: система загружает и очищает данные. Результат: единая база для анализа.
2
Вход: данные о сезонности и трендах. Действие: модель машинного обучения строит прогноз спроса на каждый SKU и склад. Результат: прогнозные значения спроса на период.
3
Вход: прогноз спроса, сроки поставки, целевой Availability. Действие: по формуле рассчитывается точка заказа и страховой запас. Результат: оптимальный уровень запаса для каждого SKU и склада.
4
Вход: текущие остатки и оптимальные уровни. Действие: система сравнивает остатки с оптимальными и определяет дефицит или излишек. Результат: список SKU, требующих пополнения или перераспределения.
5
Вход: список дефицитов и излишков. Действие: система предлагает перераспределение товаров между складами с учетом логистики. Результат: рекомендации по перемещению или заказу.
6
Вход: рекомендации системы. Действие: менеджер утверждает или корректирует предложения. Результат: сформированные заказы и задания на перемещение.
7
Вход: фактические продажи после внедрения. Действие: система отслеживает отклонения и обновляет прогноз. Результат: актуальное распределение, снижение дефицита.

Расчет

Ключевые формулы для распределения ассортимента

Для расчета оптимального распределения используются две основные формулы: точка заказа и страховой запас. Они позволяют определить, когда и сколько заказывать товара на каждый склад.

Точка заказа (Reorder Point)

ROP = (средний дневной спрос × срок поставки в днях) + страховой запас

средний дневной спрос — прогнозируемый спрос в день на складе
срок поставки — время от заказа до получения товара
страховой запас — резерв на случай колебаний спроса

Условный пример: Средний дневной спрос = 10 шт., срок поставки = 5 дней, страховой запас = 20 шт. ROP = 10 × 5 + 20 = 70 шт. Когда остаток падает до 70 шт., нужно заказывать.

Допущение: Точка заказа показывает, при каком остатке пора пополнять запас.

Страховой запас (Safety Stock)

SS = Z × σ × √L

Z — коэффициент, соответствующий желаемому уровню Availability (например, 1.65 для 95%)
σ — стандартное отклонение спроса за период
L — срок поставки в днях

Условный пример: Z = 1.65, σ = 5 шт., L = 5 дней. SS = 1.65 × 5 × √5 ≈ 18.4 шт. Округляем до 19 шт.

Допущение: Страховой запас защищает от дефицита при колебаниях спроса и задержках поставки.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: распределение товара по двум складам

Допущение: Компания продает товар X на двух складах: Москва и Новосибирск.
Допущение: Средний дневной спрос в Москве — 100 шт., в Новосибирске — 30 шт.
Допущение: Срок поставки от поставщика в Москву — 3 дня, в Новосибирск — 7 дней.
Допущение: Желаемый уровень Availability — 95% (Z = 1.65).
Допущение: Стандартное отклонение спроса в Москве — 20 шт., в Новосибирске — 10 шт.

Москва: SS = 1.65 × 20 × √3 ≈ 57 шт., ROP = 100 × 3 + 57 = 357 шт. Новосибирск: SS = 1.65 × 10 × √7 ≈ 44 шт., ROP = 30 × 7 + 44 = 254 шт. Текущие остатки: Москва — 200 шт., Новосибирск — 300 шт. Система определяет: в Москве дефицит (нужно 357, есть 200), в Новосибирске излишек (нужно 254, есть 300). Рекомендация: переместить 100 шт. из Новосибирска в Москву.

Перераспределение позволяет покрыть дефицит в Москве без дополнительных закупок, снижая потери продаж и излишки в Новосибирске.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

Прогнозный спрос по каждому складу
Текущие остатки
Сроки поставки
Желаемый уровень Availability

Какие риски учтены

Риск дефицита при росте спроса
Риск излишков при снижении спроса
Логистические затраты на перемещение

Какие варианты рассматривались

Закупка дополнительного товара у поставщика
Перемещение товара с другого склада
Увеличение страхового запаса

Перемещение выбрано, потому что излишек на одном складе может покрыть дефицит на другом без дополнительных затрат на закупку.

Если бы логистические затраты на перемещение превышали стоимость закупки, система рекомендовала бы закупку у поставщика.

Результат

Что видит пользователь

Дашборд с прогнозом спроса и оптимальными уровнями запасов

Таблица по каждому SKU и складу: прогноз, текущий остаток, ROP, страховой запас, статус (дефицит/норма/излишек)

Менеджер видит, где нужны действия, и может утвердить заказы или перемещения

Автоматические уведомления о необходимости пополнения

Список SKU, по которым остаток упал ниже точки заказа

Своевременное размещение заказов без ручного мониторинга

Что автоматизируется, а что нет

Выполняется автоматически

Сбор и очистка данных о продажах и остатках
Прогнозирование спроса по складам
Расчет точки заказа и страхового запаса
Формирование уведомлений о необходимости пополнения

Требует настройки

Настройка целевого уровня Availability
Определение сроков поставки по каждому SKU и поставщику
Настройка логистических ограничений (стоимость перемещения, емкость склада)

Остаётся за человеком

Утверждение заказов и перемещений
Корректировка прогноза при форс-мажорах
Решение о закупке нового товара

Внедрение

Как внедрить решение

Быстрый запуск

Собрать данные о продажах и остатках в Excel
Рассчитать средний дневной спрос и сроки поставки вручную
Использовать простую формулу ROP для контроля запасов

Рабочая система

Настроить автозагрузку данных из учетной системы
Внедрить модель прогнозирования спроса
Создать дашборд с автоматическим расчетом ROP и SS
Настроить уведомления о дефиците

Расширенный вариант

Подключить несколько источников данных (продажи, маркетинг, погода)
Использовать машинное обучение для прогноза с учетом сезонности и трендов
Внедрить сценарный анализ для оценки влияния изменений спроса и поставок

Подготовка

Чек-лист перед запуском

1
Определить перечень складов и зон обслуживания
2
Собрать исторические данные о продажах по каждому складу за 1-2 года
3
Уточнить сроки поставки по каждому SKU и поставщику
4
Задать целевой уровень Availability (например, 95%)
5
Рассчитать страховой запас для каждого SKU и склада
6
Настроить автоматический расчет точки заказа
7
Разработать дашборд для мониторинга остатков и прогнозов
8
Определить ответственных за утверждение заказов и перемещений
9
Провести пилотный запуск на одной категории товаров
10
Оценить эффект через 1-2 месяца и скорректировать параметры

Вывод

Главное

Распределение ассортимента по складам должно основываться на прогнозе спроса по каждому складу и расчете оптимальных запасов, а не на интуиции.

Основные данные — исторические продажи, остатки, сроки поставки. Ключевые расчеты — прогноз спроса, точка заказа, страховой запас.

ИИ автоматизирует прогнозирование спроса, выявляет аномалии и предлагает оптимальное распределение, снижая дефицит и излишки.

Начните с простого: соберите данные о продажах и остатках в Excel и рассчитайте точку заказа для ключевых SKU.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает путь от бизнес-проблемы к работающему решению: модель решения, данные, автоматизация. Практикум позволяет освоить этот подход и внедрить распределение ассортимента с ИИ.

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 распределения ассортимента?

Начать можно с простых формул в Excel, а ИИ подключать постепенно. ReMetod учит строить решение без программирования, от простого к сложному.

Что делать, если нет исторических данных по складам?

Можно начать с экспертных оценок спроса и постепенно накапливать данные. ИИ будет уточнять прогноз по мере поступления фактических продаж.

Как часто нужно пересматривать распределение?

Рекомендуется пересматривать еженедельно или ежемесячно в зависимости от динамики спроса. ИИ может автоматически обновлять прогноз и сигнализировать о необходимости изменений.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите научиться распределять ассортимент с помощью ИИ? 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