Маркетплейсы / Рассчитать поставку

Как рассчитать, сколько заказать на маркетплейсе с помощью ИИ

ИИ прогнозирует спрос на основе истории продаж, сезонности и внешних факторов, а затем рассчитывает рекомендуемый объём заказа. Формула: заказ = прогноз спроса на период поставки + страховой запас − остатки − товары в пути. Это позволяет избежать дефицита и излишков, поддерживая целевой fill rate.

Проблема

Почему это важно

Без ИИ продавец на маркетплейсе часто заказывает товар интуитивно или по простым средним продажам за прошлый месяц. Это приводит к дефициту на пиках спроса и затовариванию в периоды спада, что увеличивает затраты на хранение и снижает рейтинг из-за низкого fill rate.

Почему возникает

Ручной расчёт не учитывает сезонность, тренды и промоакции.
Нет единой системы, которая связывает остатки, товары в пути и прогноз спроса.
Сложно учесть сроки поставки и их вариативность.

Риски и потери

Дефицит товара: потерянные продажи, падение рейтинга, штрафы маркетплейса за низкий fill rate.
Излишки: заморозка денег в товаре, расходы на хранение, уценка или списание.
Неоптимальный заказ: упущенная выгода из-за нехватки ходовых позиций.

Что влияет на результат

Прогноз спроса на период поставки (с учётом сезонности, трендов, промо).
Текущие остатки на складе и товары в пути.
Срок поставки от поставщика и его вариативность.
Целевой уровень сервиса (fill rate).
Страховой запас для покрытия колебаний спроса и задержек.

Типичные ошибки ручного подхода

Использование средних продаж без учёта сезонности.
Игнорирование товаров в пути, что приводит к двойному заказу.
Недооценка страхового запаса при нестабильных поставках.
Отсутствие пересчёта при изменении промо или внешних факторов.

Определение

Что важно понимать

Fill rate

Доля заказов, которые маркетплейс может выполнить из наличия на складе. Обычно выражается в процентах.

Высокий fill rate повышает рейтинг и видимость товара, но требует большего запаса. Низкий — ведёт к штрафам и потере продаж.

Страховой запас

Дополнительный объём товара, который держат на случай непредвиденного роста спроса или задержки поставки.

Страхует от дефицита, но увеличивает затраты на хранение. Его размер зависит от вариативности спроса и сроков поставки.

Прогноз спроса

Оценка будущего объёма продаж на основе исторических данных, сезонности, трендов и внешних факторов.

Точный прогноз — основа расчёта заказа. ИИ улучшает точность, учитывая множество факторов.

Данные

Какие данные нужны

История продаж

Для прогнозирования спроса: тренды, сезонность, реакция на промо.

дата продажи
SKU
количество
цена
промо-флаг

Текущие остатки

Чтобы вычесть уже имеющийся товар из расчёта заказа.

SKU
склад
количество

Товары в пути

Чтобы не заказать повторно то, что уже едет.

SKU
ожидаемая дата
количество

Сроки поставки

Для расчёта периода, на который нужен прогноз спроса.

поставщик
средний срок
вариативность

Целевой fill rate

Определяет уровень страхового запаса.

SKU
целевой fill rate

Методология

Методика расчёта объёма заказа с ИИ

Принципы

Прогноз спроса должен учитывать сезонность, тренды и промоакции.
Заказ рассчитывается на период поставки, а не на месяц.
Страховой запас зависит от вариативности спроса и сроков поставки.
Все данные (остатки, в пути, прогноз) должны быть в единой системе.

Допущения

Исторические данные достаточны для обучения модели (минимум 3-6 месяцев).
Сроки поставки известны и могут быть оценены.
Целевой fill rate задан бизнесом.

Ошибки

Использование средних продаж без учёта сезонности.
Игнорирование товаров в пути.
Заказ на месяц, а не на период поставки.
Недооценка страхового запаса при нестабильных поставках.

Роль ИИ

Как ИИ решает задачу

Машинное обучение

Прогнозирование спроса на основе исторических данных

Данные на входе: История продаж по SKU, Календарь сезонности, Данные о промоакциях, Внешние факторы (погода, праздники)

Что делает модель: Обучаемая модель (например, градиентный бустинг) предсказывает ожидаемый спрос на каждый день/неделю на период поставки.

Результат: Прогноз спроса на период поставки с доверительным интервалом.

Как используется: Система использует прогноз для расчёта рекомендуемого заказа.

Бизнес-правило

Расчёт рекомендуемого объёма заказа по формуле

Данные на входе: Прогноз спроса, Текущие остатки, Товары в пути, Страховой запас

Что делает модель: Применяет бизнес-правило: заказ = прогноз + страховой запас − остатки − в пути.

Результат: Число единиц к заказу по каждой позиции.

Как используется: Система формирует заказ или передаёт рекомендацию менеджеру.

Статистический метод

Выявление аномалий в спросе

Данные на входе: История продаж, Прогноз

Что делает модель: Статистический метод (например, z-score) обнаруживает резкие отклонения фактических продаж от прогноза.

Результат: Список SKU с аномалиями и степень отклонения.

Как используется: Менеджер проверяет аномалии и корректирует заказ вручную.

Разбор

Как это работает

1
Вход: история продаж, остатки, товары в пути, сроки поставки, целевой fill rate. Действие: система загружает и консолидирует данные. Результат: единая база для расчёта.
2
Вход: история продаж по SKU. Действие: модель прогнозирует спрос на период поставки. Результат: прогноз спроса с доверительным интервалом.
3
Вход: прогноз спроса, вариативность спроса и сроков поставки. Действие: рассчитывается страховой запас по формуле (например, z * σ * √L). Результат: страховой запас для каждой позиции.
4
Вход: прогноз, страховой запас, остатки, товары в пути. Действие: применяется формула заказа. Результат: рекомендуемый объём заказа.
5
Вход: рекомендуемый заказ, минимальная партия поставщика, ограничения по складу. Действие: система округляет до партии и проверяет лимиты. Результат: скорректированный заказ.
6
Вход: скорректированный заказ. Действие: система формирует заказ или отправляет рекомендацию менеджеру. Результат: заказ готов к подтверждению.

Расчет

Формула расчёта объёма заказа

Основная формула для расчёта заказа на маркетплейсе:

Как это выглядит в цифрах

Условный пример

Условный пример: расчёт заказа для товара А

Допущение: Прогноз спроса на период поставки (2 недели) = 500 шт.
Допущение: Страховой запас = 100 шт.
Допущение: Текущие остатки = 150 шт.
Допущение: Товары в пути = 50 шт.

Заказ = 500 + 100 − 150 − 50 = 400 шт.

Нужно заказать 400 единиц, чтобы покрыть ожидаемый спрос и страховой запас с учётом текущих остатков и товаров в пути.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

Прогноз спроса на период поставки
Страховой запас, зависящий от вариативности спроса и сроков
Текущие остатки и товары в пути
Целевой fill rate

Какие риски учтены

Риск дефицита при росте спроса выше прогноза
Риск излишков при снижении спроса
Риск задержки поставки

Какие варианты рассматривались

Заказ по средним продажам без ИИ
Ручной расчёт в Excel
Заказ с запасом на всякий случай

ИИ-прогноз учитывает сезонность и тренды, а формула связывает все данные, минимизируя издержки при целевом fill rate.

Если спрос очень волатилен или данных мало, рекомендация может быть менее точной, и потребуется ручная корректировка.

Результат

Что видит пользователь

Дашборд с прогнозом и остатками

Графики прогноза спроса, текущие остатки, товары в пути, уровень fill rate.

Отслеживать динамику и вовремя реагировать на изменения.

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

Сбор и консолидация данных о продажах, остатках, поставках.
Прогнозирование спроса с помощью ИИ.
Расчёт рекомендуемого объёма заказа по формуле.
Формирование заказа или уведомления менеджеру.

Требует настройки

Настройка целевого fill rate для каждой категории.
Задание сроков поставки и их вариативности.
Определение минимальной партии заказа и ограничений склада.

Остаётся за человеком

Подтверждение заказа перед отправкой поставщику.
Корректировка при форс-мажорах (резкий рост спроса, отмена промо).
Решение по новым товарам без истории продаж.

Внедрение

Как внедрить решение

Быстрый запуск

Собрать данные о продажах, остатках, поставках в Excel.
Построить простой прогноз по средним с учётом сезонности вручную.
Рассчитать заказ по формуле в таблице.

Рабочая система

Настроить автозагрузку данных из личного кабинета маркетплейса.
Создать базу данных для хранения истории.
Подключить модель прогнозирования (например, на Python).
Разработать дашборд с рекомендациями по заказу.

Расширенный вариант

Использовать несколько моделей и ансамбли для повышения точности.
Учитывать внешние факторы (погода, праздники, конкуренты).
Внедрить сценарный анализ: что будет при изменении спроса или сроков.

Подготовка

Чек-лист перед запуском

1
Собрать историю продаж минимум за 6 месяцев.
2
Определить целевой fill rate для каждой категории.
3
Указать сроки поставки и их вариативность.
4
Настроить регулярную выгрузку остатков и товаров в пути.
5
Выбрать модель прогнозирования и обучить её на исторических данных.
6
Проверить точность прогноза на тестовом периоде.
7
Внедрить формулу расчёта заказа.
8
Настроить уведомления о необходимости заказа.
9
Обучить менеджеров работе с рекомендациями.
10
Провести пилотный запуск на 10-20 SKU.

Вывод

Главное

Точный расчёт заказа на маркетплейсе строится на прогнозе спроса, страховом запасе и актуальных остатках, а не на интуиции.

Ключевые данные: история продаж, остатки, товары в пути, сроки поставки. Основной расчёт — формула заказа = прогноз + страховой запас − остатки − в пути.

ИИ прогнозирует спрос, выявляет аномалии и автоматизирует расчёт, освобождая менеджера для контроля и корректировок.

Начните с малого: соберите данные по 10-20 ходовым позициям в Excel и рассчитайте заказ по формуле вручную, чтобы увидеть эффект.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает, как бизнес-проблема превращается в модель решения с помощью данных и автоматизации. Практикум «Архитектор» 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 практикума

Вопросы

Что обычно уточняют

У меня мало данных, ИИ не сможет точно спрогнозировать.

Для новых товаров можно использовать похожие товары или экспертные оценки. ИИ всё равно полезен для расчёта страхового запаса и автоматизации формулы.

Я не умею программировать, как внедрить ИИ?

Можно начать с простых инструментов: Excel с формулами, готовые сервисы прогнозирования. Практикум ReMetod обучает без кода.

Не будет ли ИИ ошибаться и приводить к излишкам?

ИИ даёт рекомендацию, а решение принимает человек. Всегда можно скорректировать заказ. Точность растёт с накоплением данных.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите научиться строить такие расчёты с 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