Остатки и склад / Safety stock
Как рассчитать страховой запас с ИИ
Страховой запас — это буферный объем товара, который покрывает колебания спроса и задержки поставок. ИИ помогает рассчитать его точнее: прогнозирует спрос, учитывает сезонность и автоматически подбирает коэффициент уровня сервиса, снижая риск дефицита и излишних запасов.
Проблема
Почему это важно
Без страхового запаса компания сталкивается с дефицитом товара: полки пустеют, заказы не выполняются, клиенты уходят к конкурентам. Слишком большой запас замораживает деньги в неликвидных остатках и увеличивает затраты на хранение.
Почему возникает
- Спрос неравномерен: в одни периоды он резко растет, в другие падает, и средние значения не отражают реальность.
- Поставщики срывают сроки: задержки на несколько дней приводят к простою продаж.
- Ручной расчет страхового запаса часто основан на интуиции или средних значениях, которые не учитывают волатильность.
Риски и потери
- Потеря выручки и клиентов из-за дефицита.
- Замораживание оборотных средств в излишних запасах.
- Рост затрат на хранение, списание и уценку неликвидных товаров.
Что влияет на результат
- Колебания спроса (стандартное отклонение спроса).
- Время выполнения заказа (lead time) и его вариативность.
- Желаемый уровень сервиса (вероятность отсутствия дефицита).
- Сезонность и тренды спроса.
Типичные ошибки ручного подхода
- Использование среднего спроса вместо учета отклонений.
- Игнорирование вариативности времени поставки.
- Одинаковый коэффициент уровня сервиса для всех товаров без учета их важности.
Определение
Что важно понимать
Страховой запас
Буферный объем товара сверх ожидаемого спроса, который покрывает неопределенность спроса и поставок.
Позволяет поддерживать уровень сервиса и избегать потерь от дефицита.Уровень сервиса
Вероятность того, что спрос будет удовлетворен без дефицита в течение цикла пополнения.
Определяет коэффициент Z в формуле: чем выше уровень сервиса, тем больше страховой запас.Стандартное отклонение спроса
Мера разброса значений спроса вокруг среднего. Чем выше отклонение, тем менее предсказуем спрос.
Ключевой параметр в формуле: рост отклонения требует большего страхового запаса.Данные
Какие данные нужны
История продаж (спрос)
Для расчета среднего спроса и стандартного отклонения.
- Дата
- SKU
- Количество проданных единиц
- Цена
Время выполнения заказа (lead time)
Для учета периода, в течение которого нужно покрывать неопределенность.
- SKU
- Поставщик
- Срок поставки в днях
- Вариативность срока
Уровень сервиса
Для выбора коэффициента Z (например, 95% → Z=1.65).
- SKU
- Целевой уровень сервиса (%)
Сезонность и тренды
Для корректировки прогноза спроса, особенно в пиковые периоды.
- Месяц
- Коэффициент сезонности
- Тренд
Методология
Методика расчета страхового запаса
Принципы
- Страховой запас должен покрывать неопределенность спроса и времени поставки.
- Расчет основан на статистике: среднее и стандартное отклонение.
- Уровень сервиса задает баланс между затратами на хранение и риском дефицита.
Допущения
- Спрос распределен нормально (или близко к нормальному).
- Время выполнения заказа постоянно (или известно его стандартное отклонение).
- Прогноз спроса на период пополнения корректен.
Ошибки
- Использование среднего спроса без учета отклонений.
- Игнорирование вариативности времени поставки.
- Применение единого уровня сервиса для всех товаров без учета их маржинальности и критичности.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса с учетом сезонности и трендов
Данные на входе: История продаж за 1-2 года, Календарь праздников и акций
Что делает модель: Обучаемая модель (например, ARIMA или градиентный бустинг) строит прогноз спроса на следующий период, учитывая сезонные паттерны.
Результат: Прогноз среднего спроса и стандартного отклонения на период пополнения.
Как используется: Система использует прогноз для расчета страхового запаса по формуле.
Автоматический подбор коэффициента уровня сервиса
Данные на входе: Маржинальность товара, Критичность (например, A/B/C классификация), Затраты на хранение
Что делает модель: Бизнес-правило или оптимизационная модель определяет оптимальный уровень сервиса для каждой категории товаров.
Результат: Индивидуальный коэффициент Z для каждой SKU.
Как используется: Система подставляет Z в формулу расчета страхового запаса.
Выявление аномалий спроса
Данные на входе: Ежедневные продажи, Внешние события (погода, акции)
Что делает модель: Статистический метод (например, Z-score или метод межквартильного размаха) обнаруживает выбросы, которые искажают расчет.
Результат: Список аномальных дней, которые исключаются из расчета или корректируются.
Как используется: Аналитик проверяет аномалии и подтверждает корректировку.
Генерация рекомендаций по корректировке запасов
Данные на входе: Текущий остаток, Прогноз спроса, Страховой запас
Что делает модель: Генеративная модель формирует понятные рекомендации на естественном языке: например, 'Увеличьте заказ на 20% из-за роста спроса'.
Результат: Текстовые рекомендации для менеджера по закупкам.
Как используется: Менеджер получает рекомендации и принимает решение о заказе.
Разбор
Как это работает
- 1
Вход: история продаж по SKU за последние 12 месяцев. Действие: система очищает данные от выбросов и пропусков. Результат: чистый ряд данных для анализа.
- 2
Вход: очищенные данные. Действие: модель машинного обучения прогнозирует спрос на следующий месяц с учетом сезонности. Результат: прогноз среднего спроса и стандартного отклонения.
- 3
Вход: прогноз и данные о времени поставки. Действие: система рассчитывает страховой запас по формуле: Z × σ_d × √L. Результат: числовое значение страхового запаса для каждой SKU.
- 4
Вход: рассчитанный страховой запас и текущий остаток. Действие: система сравнивает остаток с суммой прогноза и страхового запаса. Результат: рекомендация по объему заказа.
- 5
Вход: рекомендация. Действие: менеджер проверяет и утверждает заказ. Результат: заказ размещен, уровень запаса поддерживается.
Расчет
Формула расчета страхового запаса
Базовая формула для случая, когда спрос и время поставки независимы и распределены нормально.
Страховой запас
SS = Z × σ_d × √L- SS — страховой запас (единиц товара)
- Z — коэффициент уровня сервиса (например, 1.65 для 95%)
- σ_d — стандартное отклонение спроса за единицу времени (например, за день)
- L — время выполнения заказа в днях
Условный пример: Z = 1.65 (уровень сервиса 95%), σ_d = 10 единиц/день, L = 4 дня. SS = 1.65 × 10 × √4 = 1.65 × 10 × 2 = 33 единицы.
Допущение: Если время поставки варьируется, используйте более сложную формулу: SS = Z × √(L × σ_d² + μ_d² × σ_L²), где μ_d — средний спрос, σ_L — стандартное отклонение времени поставки.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчет страхового запаса для электроники
- Допущение: Товар: смартфоны модели X
- Допущение: Средний дневной спрос: 20 штук
- Допущение: Стандартное отклонение спроса: 5 штук в день
- Допущение: Время выполнения заказа: 7 дней
- Допущение: Целевой уровень сервиса: 95% (Z = 1.65)
SS = 1.65 × 5 × √7 ≈ 1.65 × 5 × 2.65 ≈ 21.8 ≈ 22 штуки. Точка заказа = средний спрос за время поставки + SS = 20 × 7 + 22 = 162 штуки.При текущем уровне сервиса 95% необходимо держать 22 единицы страхового запаса. Если компания хочет снизить риск дефицита до 99% (Z = 2.33), страховой запас вырастет до 2.33 × 5 × 2.65 ≈ 31 штуки, что увеличит затраты на хранение, но снизит вероятность дефицита.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Стандартное отклонение спроса
- Время выполнения заказа
- Целевой уровень сервиса
- Маржинальность товара
Какие риски учтены
- Риск дефицита при низком уровне сервиса
- Риск излишних запасов при высоком уровне сервиса
Какие варианты рассматривались
- Снизить уровень сервиса для менее критичных товаров
- Сократить время поставки, выбрав другого поставщика
Выбран баланс между затратами на хранение и риском дефицита, основанный на статистике спроса.
Если спрос сильно сезонный, рекомендуется использовать прогнозные модели ИИ для корректировки σ_d по периодам.
Результат
Что видит пользователь
Дашборд с расчетом страхового запаса по каждой SKU
Таблица с текущим остатком, прогнозом спроса, страховым запасом и рекомендацией по заказу
Менеджер видит, какие товары требуют пополнения, и может сразу сформировать заказУведомление о необходимости заказа
Автоматическое уведомление, когда остаток падает ниже точки заказа
Своевременное размещение заказа без ручного мониторингаАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах
- Прогнозирование спроса с помощью ИИ
- Расчет страхового запаса по формуле
- Сравнение остатка с точкой заказа и генерация уведомлений
Требует настройки
- Настройка уровня сервиса для каждой категории товаров
- Определение времени выполнения заказа по поставщикам
- Настройка порогов для уведомлений
Остаётся за человеком
- Утверждение заказов
- Корректировка прогноза при известных акциях или изменениях рынка
- Решение о повышении уровня сервиса для критичных товаров
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать историю продаж за последние 12 месяцев в Excel
- Рассчитать среднее и стандартное отклонение спроса по каждой SKU
- Вручную применить формулу SS = Z × σ_d × √L для ключевых товаров
Рабочая система
- Настроить автоматическую загрузку данных из учетной системы
- Развернуть модель прогнозирования спроса (например, на Python)
- Создать дашборд с расчетом страхового запаса и уведомлениями
Расширенный вариант
- Подключить несколько источников данных (продажи, поставки, маркетинг)
- Использовать машинное обучение для учета сезонности и трендов
- Внедрить сценарный анализ: как изменится страховой запас при изменении уровня сервиса или времени поставки
Подготовка
Чек-лист перед запуском
- 1
Собрать данные о продажах минимум за 12 месяцев
- 2
Определить время выполнения заказа по каждому поставщику
- 3
Задать целевой уровень сервиса для каждой категории товаров
- 4
Рассчитать стандартное отклонение спроса
- 5
Применить формулу для каждой SKU
- 6
Сравнить расчет с фактическими дефицитами за прошлый период
- 7
Настроить автоматический расчет в таблице или системе
- 8
Внедрить уведомления о точке заказа
- 9
Провести обучение менеджеров по работе с дашбордом
- 10
Пересматривать параметры ежемесячно
Вывод
Главное
Страховой запас — это баланс между риском дефицита и затратами на хранение, который рассчитывается на основе статистики спроса и времени поставки.
Основные данные — история продаж и время выполнения заказа. Ключевой расчет — формула SS = Z × σ_d × √L.
ИИ повышает точность прогноза спроса, автоматически подбирает уровень сервиса и выявляет аномалии, что делает расчет более надежным.
Начните с расчета страхового запаса по ключевым товарам в Excel, используя формулу и исторические данные.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема (дефицит или излишек запасов) решается через модель решения, данные и автоматизацию. Практикум обучает строить работающие решения без программирования, что позволяет внедрить расчет страхового запаса с ИИ в малом и среднем бизнесе.
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
Не слишком ли сложно внедрять ИИ для расчета страхового запаса?
Начать можно с простой формулы в Excel, а ИИ подключать поэтапно: сначала прогнозирование спроса, затем автоматический подбор коэффициентов. ReMetod обучает этому за 4 недели без требования программировать.
Какие данные нужны для точного расчета?
Минимум — история продаж за 12 месяцев и время выполнения заказа. Чем больше данных (сезонность, акции, поставщики), тем точнее прогноз ИИ.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться рассчитывать страховой запас с ИИ? Приходите на бесплатный вебинар ReMetod.