Маркетплейсы / Снизить остатки
Как сократить остатки на складе с помощью ИИ
ИИ сокращает остатки на складе за счет точного прогноза спроса и автоматического расчета оптимального запаса под каждый товар. Вместо усредненных норм система учитывает сезонность, тренды и промо-акции, что снижает замороженные деньги в товаре и уменьшает списания.
Проблема
Почему это важно
Без прогнозирования спроса компания закупает товары на основе прошлых продаж или интуиции менеджеров. Это приводит к тому, что часть товара залеживается на складе, занимая место и замораживая оборотные средства, а часть — заканчивается в самый неподходящий момент, вызывая потерю продаж.
Почему возникает
- Ручной расчет закупок без учета сезонности и трендов
- Отсутствие единой системы учета остатков и продаж
- Страх дефицита заставляет заказывать больше, чем нужно
- Нет регулярной работы с неликвидами и товарами с низкой оборачиваемостью
Риски и потери
- Заморозка оборотных средств в товаре, который не продается
- Списание товара с истекшим сроком годности или устаревшего
- Штрафы маркетплейса за невыкуп или низкую оборачиваемость
- Потеря выручки из-за дефицита ходовых позиций
Что влияет на результат
- История продаж по каждому товару
- Сезонность и тренды спроса
- Маркетинговые акции и промо-периоды
- Сроки поставки от поставщиков
- Остатки на складе и в пути
Типичные ошибки ручного подхода
- Закупка по средним продажам без учета сезонных пиков
- Игнорирование товаров с низкой оборачиваемостью
- Отсутствие учета времени доставки при расчете заказа
- Дублирование заказов из-за несогласованности отделов
Определение
Что важно понимать
Оборачиваемость запасов
Показатель, сколько раз за период товар полностью продается и заменяется новым. Рассчитывается как отношение себестоимости проданных товаров к средней стоимости запасов.
Высокая оборачиваемость означает, что деньги не лежат на складе, а работают. Низкая — сигнал о залежавшихся товарах.Страховой запас
Дополнительное количество товара, которое держат на случай непредвиденного роста спроса или задержки поставки.
Слишком большой страховой запас увеличивает остатки, слишком маленький — приводит к дефициту.Неликвиды
Товары, которые не продаются длительное время (например, более 90 дней) и замораживают деньги.
Их нужно выявлять и распродавать со скидкой или утилизировать, чтобы освободить склад и деньги.Данные
Какие данные нужны
История продаж
База для прогнозирования спроса и расчета оптимального запаса
- SKU
- дата продажи
- количество
- цена
- канал продаж
Данные об остатках
Текущее количество товара на складе, чтобы рассчитать, сколько нужно заказать
- SKU
- склад
- количество
- дата обновления
Сроки поставки
Время от заказа до получения товара, чтобы рассчитать точку заказа
- SKU
- поставщик
- средний срок поставки в днях
- вариативность срока
Маркетинговые активности
Промо-акции и рекламные кампании влияют на спрос, их нужно учитывать в прогнозе
- SKU
- период акции
- скидка
- тип акции
Методология
Методика сокращения остатков с помощью ИИ
Принципы
- Прогнозируй спрос на основе данных, а не интуиции
- Рассчитывай оптимальный запас для каждого SKU отдельно
- Учитывай сезонность, тренды и промо-акции
- Регулярно пересматривай параметры модели
- Автоматизируй формирование заказов и выявление неликвидов
Допущения
- История продаж достаточна для выявления закономерностей (минимум 6-12 месяцев)
- Данные о продажах и остатках собираются в единой системе
- Поставщики соблюдают сроки поставки (или есть статистика отклонений)
Ошибки
- Использование средних продаж без учета сезонности
- Игнорирование товаров с низкой оборачиваемостью
- Отсутствие страхового запаса или его чрезмерный размер
- Ручной пересчет заказов без автоматизации
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса на основе истории продаж
Данные на входе: История продаж по SKU, Календарь сезонности, Данные о промо-акциях
Что делает модель: Модель машинного обучения (например, градиентный бустинг) обучается на исторических данных и прогнозирует спрос на следующий период
Результат: Прогноз продаж по каждому SKU на день/неделю/месяц
Как используется: Система использует прогноз для расчета оптимального запаса и формирования заказа
Расчет оптимального запаса и точки заказа
Данные на входе: Прогноз спроса, Срок поставки, Страховой запас
Что делает модель: По формуле рассчитывается точка заказа и оптимальный размер заказа
Результат: Рекомендация: сколько и когда заказать по каждому SKU
Как используется: Менеджер по закупкам видит рекомендации и подтверждает заказ
Выявление неликвидов и товаров с низкой оборачиваемостью
Данные на входе: Остатки на складе, История продаж, Срок хранения
Что делает модель: Алгоритм определяет товары, которые не продаются дольше заданного периода, и рассчитывает потенциальные потери
Результат: Список неликвидов с рекомендациями: уценка, перераспределение, списание
Как используется: Менеджер по ассортименту принимает решение о судьбе товара
Разбор
Как это работает
- 1
Вход: история продаж, остатки, сроки поставки, промо-календарь. Действие: система собирает данные из разных источников в единую базу. Результат: структурированный набор данных для анализа.
- 2
Вход: данные о продажах за 6-12 месяцев. Действие: модель машинного обучения обучается на истории и выявляет сезонные паттерны и тренды. Результат: прогноз спроса на следующий период по каждому SKU.
- 3
Вход: прогноз спроса, срок поставки, желаемый уровень сервиса. Действие: система рассчитывает точку заказа и оптимальный размер заказа по формуле. Результат: рекомендация по закупке для каждого товара.
- 4
Вход: остатки на складе, история продаж, срок хранения. Действие: алгоритм выявляет товары с нулевыми продажами за 90+ дней. Результат: список неликвидов с оценкой потерь.
- 5
Вход: рекомендации системы. Действие: менеджер по закупкам проверяет и подтверждает заказы, учитывая контекст (например, предстоящую акцию). Результат: сформированный заказ поставщику.
- 6
Вход: фактические продажи и остатки после поставки. Действие: система сравнивает прогноз с фактом и обновляет модель. Результат: уточненный прогноз и корректировка следующих заказов.
Расчет
Ключевые формулы для расчета остатков
Для сокращения остатков важно рассчитать оптимальный запас и точку заказа. Ниже приведены основные формулы.
Точка заказа (Reorder Point)
ROP = (среднедневные продажи × срок поставки в днях) + страховой запас- среднедневные продажи — среднее количество товара, продаваемое за день
- срок поставки — время от заказа до получения товара
- страховой запас — резерв на случай непредвиденных задержек
Условный пример: Среднедневные продажи = 10 шт., срок поставки = 7 дней, страховой запас = 20 шт. ROP = 10 × 7 + 20 = 90 шт. Когда остаток падает до 90 шт., нужно заказывать.
Допущение: Страховой запас зависит от вариативности спроса и сроков поставки.
Оптимальный размер заказа (EOQ)
EOQ = sqrt((2 × годовой спрос × стоимость заказа) / стоимость хранения единицы)- годовой спрос — количество товара, продаваемое за год
- стоимость заказа — затраты на оформление и доставку одного заказа
- стоимость хранения — затраты на хранение одной единицы за год
Условный пример: Годовой спрос = 1200 шт., стоимость заказа = 500 руб., стоимость хранения = 100 руб./шт. в год. EOQ = sqrt((2 × 1200 × 500) / 100) = sqrt(12000) ≈ 110 шт. Заказывать по 110 шт. — оптимально.
Допущение: Формула предполагает равномерный спрос и постоянные затраты.
Доступная мощность команды (пример для менеджеров по закупкам)
Доступная мощность = количество сотрудников × рабочие часы в смене × коэффициент доступности- количество сотрудников — число менеджеров по закупкам
- рабочие часы в смене — стандартная продолжительность рабочего дня
- коэффициент доступности — доля времени, доступная для обработки заказов (без совещаний и перерывов)
Условный пример: 5 менеджеров × 8 часов × 0.75 = 30 часов доступного времени в день для обработки заказов и анализа остатков.
Допущение: Расчет помогает понять, хватает ли команды для обработки прогнозируемого объема задач по закупкам.
Пример расчета
Как это выглядит в цифрах
Условный пример: сокращение остатков по категории товаров
- Допущение: Категория: бытовая химия, 50 SKU
- Допущение: История продаж за 12 месяцев
- Допущение: Средний срок поставки 10 дней
- Допущение: Текущие остатки: 5000 единиц на сумму 2 млн руб.
Система прогнозирует спрос на следующий месяц: 3000 единиц. Оптимальный запас с учетом страхового = 3500 единиц. Текущие остатки 5000 единиц, избыток = 1500 единиц. Система рекомендует не закупать 1500 единиц и распродать излишки со скидкой.За счет точного прогноза удалось снизить закупку на 1500 единиц, что высвободило около 600 тыс. руб. оборотных средств. Оборачиваемость категории выросла с 2 до 3 раз в год.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса по каждому SKU
- Текущие остатки и скорость продаж
- Сроки поставки и надежность поставщиков
- Сезонность и промо-активности
Какие риски учтены
- Риск дефицита при слишком агрессивном сокращении запасов
- Риск роста затрат на хранение при увеличении страхового запаса
- Риск ошибок в данных о продажах
Какие варианты рассматривались
- Сокращать остатки вручную, пересматривая каждый SKU
- Использовать простые правила (например, заказывать по средним продажам)
- Внедрить ИИ-прогноз и автоматизацию
ИИ-прогноз позволяет учесть множество факторов одновременно и обновлять рекомендации в реальном времени, что снижает риск ошибок и экономит время менеджеров.
Если у компании мало данных по продажам (менее 6 месяцев), ИИ-прогноз может быть неточным, тогда лучше начать с простых правил и накапливать данные.
Результат
Что видит пользователь
Дашборд с остатками и прогнозом
Таблица по каждому SKU: текущий остаток, прогноз спроса, точка заказа, рекомендуемый заказ, статус (норма/избыток/дефицит)
Менеджер видит, какие товары нужно заказать, а какие распродать, и может сформировать заказ в один кликУведомления о неликвидах
Список товаров, которые не продаются более 90 дней, с суммой замороженных средств
Менеджер по ассортименту принимает решение об уценке или перераспределенииАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор данных о продажах и остатках из учетной системы
- Прогнозирование спроса по каждому SKU
- Расчет точки заказа и оптимального размера заказа
- Выявление неликвидов и товаров с низкой оборачиваемостью
Требует настройки
- Настройка параметров модели (горизонт прогноза, уровень сервиса)
- Определение страхового запаса для каждой категории
- Настройка порогов для отнесения товара к неликвидам
Остаётся за человеком
- Подтверждение заказов поставщикам
- Решение об уценке или списании неликвидов
- Корректировка прогноза при форс-мажорных обстоятельствах
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о продажах и остатках в Excel
- Рассчитать средние продажи и точку заказа вручную для топ-100 SKU
- Начать вести учет неликвидов в отдельной таблице
Рабочая система
- Настроить автоматическую выгрузку данных из учетной системы
- Разработать модель прогноза спроса (например, на Python)
- Создать дашборд с рекомендациями по закупкам
- Настроить уведомления о неликвидах
Расширенный вариант
- Подключить данные о маркетинговых активностях и внешние факторы (погода, праздники)
- Использовать более сложные модели (нейросети) для прогноза
- Внедрить сценарный анализ: что будет при изменении спроса или сроков поставки
Подготовка
Чек-лист перед запуском
- 1
Собрать историю продаж минимум за 6 месяцев
- 2
Внести данные о сроках поставки по каждому поставщику
- 3
Определить страховой запас для каждой категории товаров
- 4
Настроить автоматическую выгрузку остатков
- 5
Выбрать горизонт прогноза (неделя/месяц)
- 6
Определить порог для неликвидов (например, 90 дней без продаж)
- 7
Настроить дашборд для менеджеров
- 8
Провести обучение сотрудников работе с рекомендациями
- 9
Установить регулярность пересмотра параметров модели (ежемесячно)
- 10
Сравнивать прогноз с фактом для оценки точности
Вывод
Главное
Сокращение остатков начинается с точного прогноза спроса, а не с урезания закупок вслепую.
Основные данные — история продаж, остатки, сроки поставки. Ключевые расчеты — точка заказа и оптимальный размер заказа.
ИИ автоматизирует прогнозирование и выявление неликвидов, освобождая менеджеров для принятия решений.
Начните с анализа текущих остатков и выявления товаров, которые не продаются более 90 дней. Это даст быстрый эффект без сложных моделей.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема превращается в модель решения, данные и автоматизацию. Внедрение ИИ-прогноза остатков — это пример такого пути: от проблемы замороженных денег к работающему решению.
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 мало данных, ИИ не сможет точно прогнозировать
Начните с простых правил на основе средних продаж, а ИИ подключите, когда накопится история минимум за 6 месяцев. Даже базовый анализ поможет выявить неликвиды.
Внедрение ИИ — это дорого и сложно
Можно начать с малого: использовать готовые инструменты или написать простой скрипт. Постепенно автоматизация окупится за счет снижения остатков и уменьшения списаний.
ИИ может ошибиться, и мы останемся без товара
Всегда оставляйте страховой запас и контролируйте рекомендации. ИИ — это помощник, а не замена решению менеджера.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать прогноз остатков? Приходите на бесплатный вебинар ReMetod.