Остатки и склад / Inventory turnover
Как снизить остатки с ИИ
ИИ помогает снизить остатки, прогнозируя спрос и выявляя избыточные запасы. Система анализирует историю продаж, сезонность и внешние факторы, чтобы рассчитать оптимальный уровень запаса и вовремя сигнализировать о необходимости распродажи или перераспределения. Это высвобождает оборотные средства и снижает затраты на хранение.
Проблема
Почему это важно
Без автоматизации остатки на складе часто копятся: закупки делаются на основе интуиции или прошлогодних данных, а спрос меняется быстрее, чем обновляются планы. В результате часть товара лежит месяцами, замораживая деньги и занимая площадь.
Почему возникает
- Прогноз спроса делается вручную или не делается вовсе, поэтому закупки не учитывают сезонность и тренды.
- Нет системы раннего выявления неликвидов — товар с низкой оборачиваемостью не замечают, пока он не займет полку.
- Закупки и продажи не связаны: отдел закупок не видит актуальные остатки и скорость продаж.
- Нет нормативов по оборачиваемости для разных категорий товара.
Риски и потери
- Заморозка оборотных средств в товаре, который не продается.
- Затраты на хранение, страхование и обслуживание избыточных запасов.
- Списания и уценка неликвидов, потеря маржи.
- Дефицит ходовых позиций из-за того, что деньги вложены в неликвиды.
Что влияет на результат
- История продаж и ее сезонность
- Сроки поставки и надежность поставщиков
- Маржинальность товара и стоимость хранения
- Внешние факторы: акции, тренды, экономическая ситуация
Типичные ошибки ручного подхода
- Закупки на основе прошлогодних данных без учета изменений спроса.
- Игнорирование медленно оборачиваемых позиций до момента, когда они становятся неликвидами.
- Отсутствие единого регламента: каждый менеджер считает по-своему.
- Ошибки в учете остатков из-за ручного ввода.
Определение
Что важно понимать
Оборачиваемость запасов
Показатель, показывающий, сколько раз за период (обычно год) компания полностью продает и пополняет свой запас. Чем выше оборачиваемость, тем меньше денег заморожено в товаре.
Высокая оборачиваемость означает, что товар быстро продается и деньги возвращаются, а низкая — что часть средств лежит на складе без движения.Неликвиды
Товары, которые не продаются длительное время (например, более 90 дней) и не ожидается роста спроса. Они занимают место и требуют затрат на хранение.
Выявление неликвидов позволяет вовремя провести распродажу или уценку, вернув часть денег.Прогноз спроса
Оценка будущего объема продаж на основе исторических данных, сезонности, трендов и внешних факторов. ИИ строит прогноз точнее, чем простые средние.
Точный прогноз позволяет закупать ровно столько, сколько нужно, избегая как избытка, так и дефицита.Данные
Какие данные нужны
История продаж
База для прогноза спроса и расчета оборачиваемости.
- Дата продажи
- SKU
- Количество
- Цена
- Себестоимость
Данные об остатках
Текущий уровень запасов по каждой позиции для выявления избытка.
- SKU
- Остаток на складе
- Дата последнего поступления
- Склад
Параметры поставок
Для расчета точки заказа и страхового запаса.
- Срок поставки
- Минимальная партия
- Надежность поставщика
Маржинальность и стоимость хранения
Для оценки экономического эффекта от снижения остатков.
- Маржа по позиции
- Стоимость хранения единицы в день
Методология
Методика снижения остатков с ИИ
Принципы
- Прогнозируй спрос на основе данных, а не интуиции.
- Рассчитывай оптимальный запас для каждой позиции с учетом сезонности и сроков поставки.
- Регулярно выявляй неликвиды и принимай меры: распродажа, перераспределение, возврат поставщику.
- Связывай закупки с прогнозом и остатками в единой системе.
Допущения
- История продаж достаточна для построения прогноза (минимум 12 месяцев).
- Данные об остатках и продажах актуальны и точны.
- Компания готова менять процессы закупок на основе рекомендаций системы.
Ошибки
- Использовать только средние продажи без учета сезонности.
- Не учитывать сроки поставки при расчете точки заказа.
- Считать все позиции одинаковыми, не разделяя по оборачиваемости.
- Не проверять прогноз на фактических данных и не корректировать модель.
Роль ИИ
Как ИИ решает задачу
Прогноз спроса на основе истории продаж и внешних факторов
Данные на входе: История продаж по SKU за 1-2 года, Календарь сезонности и праздников, Данные о маркетинговых акциях
Что делает модель: Обучаемая модель (например, градиентный бустинг) предсказывает ожидаемый объем продаж на следующий период (неделю/месяц) по каждой позиции.
Результат: Прогноз продаж по SKU с доверительным интервалом.
Как используется: Система использует прогноз для расчета оптимального заказа и точки заказа.
Выявление неликвидов и избыточных остатков
Данные на входе: Текущие остатки по SKU, Прогноз продаж, История продаж за 90+ дней
Что делает модель: Правило: если остаток превышает прогноз продаж на N месяцев и продажи за 90 дней низкие, позиция помечается как неликвид.
Результат: Список позиций с избыточным запасом и рекомендуемыми действиями (распродажа, перераспределение).
Как используется: Менеджер по закупкам получает уведомление и принимает решение о судьбе позиции.
Оптимизация закупок: расчет оптимального заказа
Данные на входе: Прогноз спроса, Текущие остатки, Сроки поставки, Страховой запас
Что делает модель: Формула: оптимальный заказ = max(0, прогноз спроса на срок поставки + страховой запас - текущий остаток).
Результат: Рекомендуемый объем закупки по каждой позиции.
Как используется: Система формирует заказ поставщику, менеджер проверяет и утверждает.
Разбор
Как это работает
- 1
Вход: история продаж, остатки, параметры поставок. Действие: система загружает и очищает данные, объединяя их по SKU. Результат: единая база для анализа.
- 2
Вход: очищенные данные. Действие: модель машинного обучения строит прогноз спроса на следующий период с учетом сезонности. Результат: прогноз продаж по каждой позиции.
- 3
Вход: прогноз и текущие остатки. Действие: система рассчитывает оборачиваемость и выявляет позиции с избыточным запасом. Результат: список неликвидов и избытков.
- 4
Вход: прогноз, остатки, сроки поставки. Действие: рассчитывается оптимальный заказ для каждой позиции. Результат: рекомендации по закупкам.
- 5
Вход: рекомендации. Действие: менеджер проверяет и утверждает заказ. Результат: заказ отправлен поставщику.
- 6
Вход: фактические продажи после внедрения. Действие: система сравнивает прогноз с фактом и корректирует модель. Результат: повышение точности прогноза.
Расчет
Ключевые формулы для снижения остатков
Для управления остатками используются две основные формулы: оборачиваемость запасов и оптимальный заказ. Ниже приведены формулы и примеры расчета.
Оборачиваемость запасов
Оборачиваемость = Себестоимость проданных товаров / Средняя стоимость запасов за период- Себестоимость проданных товаров (COGS) — затраты на товары, проданные за период
- Средняя стоимость запасов — (Остаток на начало периода + Остаток на конец периода) / 2
Условный пример: За год себестоимость продаж составила 12 млн руб., средняя стоимость запасов — 3 млн руб. Оборачиваемость = 12 / 3 = 4 раза в год.
Допущение: Чем выше оборачиваемость, тем быстрее деньги возвращаются из товара.
Оптимальный заказ (точка заказа)
Оптимальный заказ = max(0, (Прогноз спроса на срок поставки + Страховой запас) - Текущий остаток)- Прогноз спроса на срок поставки — ожидаемые продажи за время доставки
- Страховой запас — резерв на случай колебаний спроса или задержек
- Текущий остаток — количество товара на складе на момент расчета
Условный пример: Прогноз продаж на 2 недели (срок поставки) — 100 единиц, страховой запас — 20, текущий остаток — 50. Оптимальный заказ = 100 + 20 - 50 = 70 единиц.
Допущение: Если результат отрицательный, заказ не требуется.
Пример расчета
Как это выглядит в цифрах
Условный пример: снижение остатков по категории товаров
- Допущение: Компания продает электронику, категория «наушники».
- Допущение: Текущий остаток по одной модели — 500 штук, продажи за последние 90 дней — 150 штук.
- Допущение: Прогноз спроса на следующие 30 дней — 80 штук.
- Допущение: Стоимость хранения единицы — 5 руб. в день, маржа — 500 руб. с единицы.
Оборачиваемость по модели: продажи за 90 дней / остаток = 150 / 500 = 0,3, то есть за квартал продается 30% запаса. При таком темпе остаток будет распродан за 300 дней. Прогноз на 30 дней (80 штук) значительно ниже остатка (500), значит, избыток составляет 500 - 80 = 420 штук. Затраты на хранение избытка за месяц: 420 * 5 * 30 = 63 000 руб.Модель является неликвидом: при текущем спросе остаток будет лежать около 10 месяцев. Рекомендуется провести распродажу со скидкой, чтобы вернуть часть денег и снизить затраты на хранение.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Оборачиваемость позиции
- Отношение остатка к прогнозу спроса
- Стоимость хранения и маржинальность
- Сроки поставки и надежность поставщика
Какие риски учтены
- Риск дефицита, если сократить закупки слишком сильно
- Риск устаревания товара, если не провести распродажу вовремя
- Риск потери клиентов из-за отсутствия ходовых позиций
Какие варианты рассматривались
- Перераспределить избыток между складами
- Вернуть часть товара поставщику
- Оставить товар, если ожидается рост спроса
Выбрана распродажа, так как прогноз спроса низкий и хранение дорогое, а возврат поставщику не всегда возможен.
Если бы прогноз спроса был высоким или товар был сезонным с ожидаемым пиком, рекомендация была бы сохранить запас.
Результат
Что видит пользователь
Дашборд с оборачиваемостью и остатками
Список позиций с оборачиваемостью, остатками и прогнозом, цветовая индикация избытка и дефицита.
Быстро выявлять проблемные позиции и принимать решения о закупках или распродажах.Уведомления о неликвидах
Автоматические алерты по позициям, которые превышают порог по остатку и низкой оборачиваемости.
Своевременно запускать распродажи или перераспределение.Рекомендации по закупкам
Сформированный список заказов с объемами, основанными на прогнозе и остатках.
Утверждать заказы, снижая риск избыточных закупок.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах и остатках
- Построение прогноза спроса
- Расчет оборачиваемости и выявление неликвидов
- Формирование рекомендаций по закупкам
Требует настройки
- Настройка порогов для неликвидов (например, 90 дней без продаж)
- Определение страхового запаса для каждой категории
- Настройка интеграции с учетной системой
Остаётся за человеком
- Утверждение заказов поставщикам
- Решение о распродаже или уценке
- Корректировка прогноза при экстремальных событиях
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю продаж и остатки в Excel
- Рассчитать оборачиваемость по каждой позиции вручную
- Выявить топ-20 неликвидов и провести распродажу
Рабочая система
- Настроить автоматическую загрузку данных из учетной системы
- Внедрить модель прогнозирования спроса
- Создать дашборд с оборачиваемостью и остатками
- Настроить уведомления о неликвидах
Расширенный вариант
- Подключить внешние данные (погода, тренды, экономические индикаторы)
- Использовать сценарный анализ для разных уровней спроса
- Автоматически формировать заказы поставщикам с согласованием
Подготовка
Чек-лист перед запуском
- 1
Собрать данные о продажах минимум за 12 месяцев
- 2
Проверить точность остатков в учетной системе
- 3
Определить категории товаров и пороги оборачиваемости
- 4
Настроить страховой запас для каждой категории
- 5
Выбрать модель прогнозирования и обучить на исторических данных
- 6
Создать дашборд для мониторинга остатков
- 7
Настроить уведомления о неликвидах
- 8
Провести пилот на одной категории и оценить эффект
- 9
Обучить сотрудников работе с рекомендациями
- 10
Регулярно пересматривать пороги и модель
Вывод
Главное
Снижение остатков — это управление оборачиваемостью: нужно закупать столько, сколько реально продается, и вовремя избавляться от избытка.
Основные данные — история продаж, остатки, сроки поставки. Ключевые расчеты — оборачиваемость и оптимальный заказ.
ИИ автоматизирует прогноз спроса и выявление неликвидов, позволяя принимать решения на основе данных, а не интуиции.
Начните с расчета оборачиваемости по ключевым позициям в Excel и выявления топ-10 неликвидов для распродажи.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как автоматизировать процесс снижения остатков: от бизнес-проблемы к модели решения, данным и автоматизации. Практикум ReMetod позволяет освоить этот подход 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
У нас маленький бизнес, ИИ — это дорого и сложно?
Начать можно с простых формул в Excel, а ИИ подключать постепенно. ReMetod учит строить решения без программирования, используя доступные инструменты.
Насколько точны прогнозы ИИ?
Точность зависит от качества данных и стабильности спроса. ИИ обычно точнее ручных методов, но требует регулярной проверки и корректировки модели.
Что делать, если у нас нет истории продаж?
Без истории прогноз строить сложно. Начните собирать данные, а для новых товаров используйте экспертные оценки и аналогии.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться снижать остатки с помощью ИИ? Приходите на бесплатный вебинар ReMetod.