Маркетплейсы / Распределить склады
Как распределить товар по складам WB с ИИ
ИИ анализирует историю продаж, остатки и логистические тарифы, чтобы предсказать спрос по регионам и подсказать оптимальное распределение товара по складам Wildberries. Это снижает недоступность товара (availability) и уменьшает расходы на доставку, так как товар оказывается ближе к покупателю. Внедрение начинается с выгрузки данных о продажах и остатках, затем модель строит прогноз и формирует рекомендации по поставкам.
Проблема
Почему это важно
Без ИИ продавец на Wildberries часто распределяет товар по складам интуитивно или по принципу «все на один склад». Это приводит к тому, что в одном регионе товар заканчивается и покупатель видит недоступность, а на другом складе он лежит мёртвым грузом, увеличивая затраты на хранение. Логистические тарифы Wildberries зависят от того, откуда и куда едет заказ, поэтому неправильное распределение напрямую бьёт по марже.
Почему возникает
- Отсутствие данных о географии спроса: продавец не знает, из каких регионов приходят заказы.
- Ручное распределение не учитывает скорость продаж по каждому SKU и складу.
- Игнорирование логистических тарифов: товар на дальнем складе везётся дольше и дороже.
- Остатки распределяются равномерно, без учёта сезонности и трендов.
Риски и потери
- Потеря продаж из-за недоступности товара (availability) в регионе с высоким спросом.
- Рост затрат на логистику из-за доставки с удалённого склада.
- Штрафы или упущенная выгода из-за неоптимального распределения остатков.
- Затоваривание складов, ведущее к дополнительным расходам на хранение.
Что влияет на результат
- География спроса: из каких регионов приходят заказы.
- Скорость продаж по каждому SKU и складу.
- Текущие остатки и лимиты на складах.
- Логистические тарифы Wildberries для разных направлений.
- Сезонность и тренды спроса.
Типичные ошибки ручного подхода
- Равномерное распределение без учёта спроса.
- Ориентация только на общий объём продаж, без разбивки по регионам.
- Игнорирование изменения тарифов и лимитов складов.
- Запоздалая реакция на изменение спроса.
Определение
Что важно понимать
Availability
Доля времени, в течение которого товар доступен для заказа на складе Wildberries. Если товар закончился, он становится недоступным, и покупатель не может его заказать.
Высокий availability напрямую влияет на продажи: чем больше товар доступен, тем больше заказов. ИИ помогает поддерживать availability на нужном уровне, прогнозируя спрос и пополняя запасы вовремя.География спроса
Распределение заказов по регионам. Показывает, из каких городов и областей приходят запросы на товар.
Зная географию спроса, можно размещать товар на складах, ближайших к покупателям, сокращая сроки и стоимость доставки.Логистические тарифы Wildberries
Стоимость доставки товара от склада до покупателя, которая зависит от расстояния и направления. Тарифы различаются для разных складов и регионов.
Оптимизация распределения с учётом тарифов позволяет снизить логистические затраты, размещая товар на складах с более выгодными условиями доставки.Данные
Какие данные нужны
История продаж по SKU и регионам
Для прогнозирования спроса и выявления географии заказов.
- SKU
- дата продажи
- регион доставки
- количество проданных единиц
- цена продажи
Текущие остатки по складам
Чтобы знать, сколько товара уже есть на каждом складе и где есть свободные лимиты.
- SKU
- склад
- количество остатков
- лимит склада
Логистические тарифы Wildberries
Для расчёта стоимости доставки с каждого склада в каждый регион.
- склад отправления
- регион назначения
- стоимость доставки за единицу
Данные о поставках
Чтобы учитывать уже запланированные поставки и не создавать избыточные заказы.
- SKU
- склад назначения
- дата поставки
- количество
Методология
Методика распределения товара по складам с ИИ
Принципы
- Сначала прогноз спроса, затем распределение: ИИ предсказывает, сколько товара будет продано в каждом регионе за период.
- Учёт ограничений: лимиты складов, минимальный остаток, логистические тарифы.
- Оптимизация по целевой функции: максимизация маржи или минимизация затрат при заданном уровне availability.
- Итеративность: распределение пересчитывается регулярно по мере поступления новых данных.
Допущения
- Исторические данные о продажах репрезентативны и отражают будущий спрос.
- Логистические тарифы и лимиты складов известны и стабильны на горизонте планирования.
- Спрос на товар не зависит от распределения (то есть покупатель не переключается на другой товар при недоступности).
Ошибки
- Использовать только общий объём продаж без разбивки по регионам.
- Не учитывать сезонность и тренды.
- Игнорировать лимиты складов и тарифы.
- Рассчитывать распределение один раз и не обновлять его.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса по регионам
Данные на входе: История продаж по SKU и регионам, Сезонность, Тренды, Маркетинговые активности
Что делает модель: Обучаемая модель (например, градиентный бустинг) предсказывает ожидаемый спрос на каждый SKU в каждом регионе на ближайший период.
Результат: Таблица прогнозных продаж по SKU и регионам.
Как используется: Используется как вход для задачи оптимизации распределения.
Оптимизация распределения остатков
Данные на входе: Прогноз спроса, Текущие остатки, Лимиты складов, Логистические тарифы
Что делает модель: Алгоритм оптимизации (например, линейное программирование) находит такое распределение товара по складам, которое минимизирует затраты на логистику и потери от недоступности при соблюдении ограничений.
Результат: Рекомендация: сколько единиц каждого SKU отправить на каждый склад.
Как используется: Менеджер получает план поставок и может скорректировать его вручную.
Выявление аномалий спроса
Данные на входе: Текущие продажи, Прогнозные значения
Что делает модель: Статистический метод (например, контрольные карты) обнаруживает резкие отклонения фактических продаж от прогноза.
Результат: Уведомление о SKU и регионах с аномальным спросом.
Как используется: Менеджер проверяет причины (акция, конкурент, логистический сбой) и корректирует распределение.
Разбор
Как это работает
- 1
Вход: выгрузка данных о продажах, остатках, поставках и тарифах из личного кабинета Wildberries. Действие: данные очищаются и приводятся к единому формату. Результат: структурированная таблица для анализа.
- 2
Вход: история продаж по SKU и регионам. Действие: модель машинного обучения обучается на исторических данных и прогнозирует спрос на следующий период. Результат: прогноз продаж по каждому SKU и региону.
- 3
Вход: прогноз спроса, текущие остатки, лимиты складов, тарифы. Действие: алгоритм оптимизации решает задачу распределения, минимизируя затраты и потери от недоступности. Результат: рекомендуемые объёмы поставок на каждый склад.
- 4
Вход: рекомендуемый план поставок. Действие: менеджер проверяет его, при необходимости корректирует и создаёт заказы на поставку в Wildberries. Результат: утверждённый план поставок.
- 5
Вход: фактические продажи после поставки. Действие: система сравнивает факт с прогнозом, выявляет отклонения и обновляет модель. Результат: уточнённый прогноз и рекомендации на следующий период.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса по регионам
- Текущие остатки и лимиты складов
- Логистические тарифы
- Сезонность и тренды
Какие риски учтены
- Риск дефицита товара в регионе с высоким спросом
- Риск затоваривания склада с низким спросом
- Риск роста затрат из-за неоптимальных тарифов
Какие варианты рассматривались
- Равномерное распределение по всем складам
- Концентрация на одном крупном складе
- Ручное распределение на основе опыта менеджера
ИИ-подход выбран, потому что он учитывает множество факторов одновременно и позволяет находить оптимальное решение быстрее и точнее, чем ручные методы.
Если спрос стабилен и география узкая, возможно, достаточно простых правил. Но при росте ассортимента и числа складов ИИ становится необходимым.
Результат
Что видит пользователь
План поставок по складам
Таблица с SKU, складом, рекомендуемым количеством к поставке и ожидаемой стоимостью логистики.
Менеджер может сразу создать заказы на поставку в Wildberries или скорректировать план.Дашборд с прогнозом спроса
Графики и карта с прогнозными продажами по регионам и фактическими остатками.
Позволяет видеть, где ожидается дефицит или избыток, и принимать превентивные меры.Уведомления об аномалиях
Сообщения о резком изменении спроса на конкретный SKU в регионе.
Позволяет быстро отреагировать на непредвиденные изменения (акции, логистические сбои).Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных из личного кабинета Wildberries
- Прогнозирование спроса по регионам
- Расчёт оптимального распределения остатков
- Формирование плана поставок
Требует настройки
- Настройка источников данных (API или выгрузки)
- Определение целевой функции (минимизация затрат или максимизация маржи)
- Задание ограничений: лимиты складов, минимальные остатки, тарифы
Остаётся за человеком
- Утверждение плана поставок
- Корректировка при форс-мажорах
- Решение о запуске новых SKU или выходе на новые регионы
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить данные о продажах и остатках из Wildberries в Excel.
- Построить простую таблицу с прогнозом спроса по регионам (например, скользящая средняя).
- Вручную распределить товар, ориентируясь на прогноз и тарифы.
Рабочая система
- Настроить автоматическую выгрузку данных через API Wildberries.
- Разработать модель прогнозирования спроса (например, на Python с библиотекой scikit-learn).
- Реализовать алгоритм оптимизации распределения (линейное программирование).
- Создать дашборд для визуализации и уведомлений.
Расширенный вариант
- Интегрировать данные о маркетинговых активностях и внешних факторах (погода, праздники).
- Использовать более сложные модели (нейросети) для прогноза.
- Внедрить сценарный анализ: что будет при изменении тарифов или лимитов.
Подготовка
Чек-лист перед запуском
- 1
Собрать данные о продажах за последние 6-12 месяцев с разбивкой по регионам.
- 2
Определить перечень складов Wildberries, на которых планируется размещение.
- 3
Получить актуальные логистические тарифы для всех направлений.
- 4
Установить лимиты складов и минимальные остатки для каждого SKU.
- 5
Выбрать период прогнозирования (неделя, месяц).
- 6
Настроить автоматическую выгрузку данных (API или CSV).
- 7
Разработать или настроить модель прогнозирования спроса.
- 8
Реализовать алгоритм оптимизации распределения.
- 9
Создать дашборд для контроля и уведомлений.
- 10
Провести пилотный запуск на ограниченном ассортименте и сравнить с ручным распределением.
Вывод
Главное
Распределение товара по складам должно основываться на данных о спросе и логистических затратах, а не на интуиции.
Ключевые данные — история продаж по регионам, остатки, тарифы. Основные расчёты — прогноз спроса и оптимизация затрат.
ИИ автоматизирует прогнозирование и оптимизацию, позволяя быстро находить оптимальное распределение и реагировать на изменения.
Начните с выгрузки данных о продажах и остатках в Excel и постройте простую таблицу прогноза спроса по регионам.
Метод ReMetod
На чем основан вывод
Метод ReMetod помогает системно подойти к автоматизации распределения товара: от бизнес-проблемы до работающего решения. Практикум «Архитектор» обучает собственников и менеджеров 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
Сложно ли внедрить ИИ для распределения товара?
Начать можно с простых инструментов: выгрузка данных в Excel и использование формул прогноза. Постепенно можно перейти к автоматизированным моделям. ReMetod помогает освоить этот путь за 4 недели.
Не будет ли ИИ ошибаться в прогнозах?
Любая модель имеет погрешность, но она меньше, чем ошибки ручного подхода. Важно регулярно обновлять модель и учитывать новые данные.
Какие данные нужны для начала?
Достаточно истории продаж по регионам и текущих остатков. Тарифы и лимиты можно добавить позже.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать распределение товара с ИИ? Приходите на бесплатный вебинар ReMetod.