Маркетплейсы / Прогнозировать остатки по SKU
Как спрогнозировать остатки по товарам с ИИ
Прогноз остатков по SKU строится на основе прогноза спроса, текущих остатков, ожидаемых поставок и целевого страхового запаса. ИИ уточняет прогноз спроса, учитывая сезонность, тренды и аномалии, и автоматически подсказывает, когда и сколько заказать. Формула: остаток на конец периода = текущий остаток + ожидаемые поставки − прогноз спроса.
Проблема
Почему это важно
Без прогноза остатков маркетплейс-продавец сталкивается с двумя крайностями: товар заканчивается в самый пик спроса, что ведёт к потере выручки и ухудшению позиций в выдаче, либо склад переполнен неликвидами, замораживая оборотные средства и увеличивая затраты на хранение. Ручное планирование закупок на основе прошлых продаж не учитывает сезонные всплески, акции конкурентов и изменения спроса, поэтому решения часто опаздывают.
Почему возникает
- Прогноз спроса делается вручную по средним продажам за прошлый период, без учёта трендов и сезонности
- Нет единой системы, которая связывает остатки, поставки и прогноз спроса
- Страховой запас устанавливается интуитивно, без расчёта
- Данные о продажах и остатках разрознены по разным таблицам и не обновляются в реальном времени
Риски и потери
- Упущенная выручка из-за отсутствия товара в момент пикового спроса
- Штрафы и снижение рейтинга магазина за срывы сроков доставки
- Замораживание оборотных средств в неликвидах
- Рост затрат на хранение и утилизацию просроченных товаров
Что влияет на результат
- Прогноз спроса на период (с учётом сезонности, тренда, акций)
- Текущий остаток на складе
- Ожидаемые поставки (в пути, подтверждённые заказы)
- Целевой страховой запас
- Срок поставки от поставщика
Типичные ошибки ручного подхода
- Использование среднего арифметического за весь период без учёта сезонности
- Игнорирование аномалий (всплески из-за акций, сбои поставок)
- Неверный расчёт страхового запаса (слишком малый или слишком большой)
- Отсутствие учёта товаров в пути
Определение
Что важно понимать
Остаток по SKU
Количество единиц конкретного товара (артикула) на складе на определённый момент времени.
Остаток определяет, сможет ли продавец выполнить заказы и не заморозит ли деньги в неликвидах.Прогноз спроса
Ожидаемое количество продаж товара за будущий период, рассчитанное на основе исторических данных, сезонности, трендов и внешних факторов.
Точный прогноз спроса — основа для расчёта необходимого запаса и заказов.Страховой запас
Дополнительный объём товара, который держат на случай непредвиденного роста спроса или задержки поставки.
Страховой запас защищает от дефицита, но его избыток увеличивает затраты на хранение.Данные
Какие данные нужны
История продаж по SKU
Для расчёта прогноза спроса: выявление трендов, сезонности и аномалий.
- дата продажи
- количество проданных единиц
- цена
- SKU
Текущие остатки
База для расчёта: сколько товара уже есть на складе.
- SKU
- количество на складе
- склад
Планируемые поставки
Учитывают товары в пути, которые увеличат остаток в течение периода.
- SKU
- ожидаемая дата поставки
- количество
Срок поставки от поставщика
Для расчёта времени, за которое нужно сделать заказ, чтобы товар пришёл до дефицита.
- SKU
- срок в днях
Целевой уровень сервиса
Определяет желаемую вероятность отсутствия дефицита, влияет на размер страхового запаса.
- процент (например, 95%)
Методология
Методика прогнозирования остатков по SKU
Принципы
- Прогноз остатков строится от прогноза спроса, а не от средних продаж за прошлый период.
- Учитываются все компоненты: текущий остаток, ожидаемые поставки, прогноз спроса и страховой запас.
- Страховой запас рассчитывается на основе вариативности спроса и срока поставки, а не берётся с потолка.
- ИИ используется для уточнения прогноза спроса и выявления аномалий, а не для замены базовой формулы.
Допущения
- Прогноз спроса на период уже рассчитан (например, с помощью модели машинного обучения).
- Поставки происходят равномерно в течение периода или известны точные даты.
- Целевой уровень сервиса задан компанией.
Ошибки
- Использование среднего арифметического без учёта сезонности и тренда.
- Игнорирование товаров в пути — остаток занижается, заказ делается раньше, чем нужно.
- Слишком маленький страховой запас — частые дефициты.
- Слишком большой страховой запас — заморозка денег и рост затрат на хранение.
Роль ИИ
Как ИИ решает задачу
Прогнозирование спроса по каждому SKU
Данные на входе: История продаж по SKU за 1-2 года, Календарь сезонности, Данные об акциях и маркетинговых активностях
Что делает модель: Обучаемая модель (например, градиентный бустинг или ARIMA) выявляет тренды, сезонность и влияние внешних факторов, строит прогноз на нужный период.
Результат: Прогноз спроса по каждому SKU на день/неделю/месяц с доверительным интервалом.
Как используется: Прогноз используется в формуле расчёта остатков и для формирования рекомендаций по закупке.
Выявление аномалий в продажах
Данные на входе: История продаж, Прогнозные значения
Что делает модель: Статистический метод (например, z-score или межквартильный размах) определяет выбросы — всплески или падения, не объяснимые обычной динамикой.
Результат: Список SKU с аномалиями и степень отклонения.
Как используется: Аналитик проверяет аномалии: если это разовая акция, прогноз корректируется вручную; если систематический тренд — модель переобучается.
Автоматическая рекомендация заказа на пополнение
Данные на входе: Прогноз спроса, Текущий остаток, Ожидаемые поставки, Страховой запас, Срок поставки
Что делает модель: Бизнес-правило: если прогнозируемый остаток на конец периода ниже целевого страхового запаса, рассчитывается необходимый объём заказа с учётом срока поставки.
Результат: Рекомендация: сколько единиц и когда заказать по каждому SKU.
Как используется: Менеджер по закупкам проверяет рекомендацию и подтверждает заказ в системе.
Разбор
Как это работает
- 1
Вход: история продаж по SKU, календарь сезонности, данные об акциях. Действие: модель машинного обучения строит прогноз спроса на период. Результат: прогноз спроса по каждому SKU.
- 2
Вход: прогноз спроса, текущие остатки, ожидаемые поставки. Действие: система рассчитывает прогнозный остаток на конец периода по формуле: остаток = текущий остаток + ожидаемые поставки − прогноз спроса. Результат: прогнозный остаток по каждому SKU.
- 3
Вход: прогнозный остаток, целевой страховой запас. Действие: система сравнивает прогнозный остаток со страховым запасом. Результат: список SKU с дефицитом или избытком.
- 4
Вход: список SKU с дефицитом, срок поставки, текущая дата. Действие: система рассчитывает рекомендуемый объём заказа и дату заказа так, чтобы товар пришёл до исчерпания запаса. Результат: рекомендация по закупке.
- 5
Вход: рекомендация, данные о поставщиках и условиях. Действие: менеджер проверяет и подтверждает заказ. Результат: заказ отправлен поставщику.
- 6
Вход: фактические продажи и остатки после периода. Действие: система сравнивает факт с прогнозом, выявляет отклонения и обновляет модель. Результат: уточнённый прогноз на следующий период.
Расчет
Формула прогноза остатков
Основная формула для расчёта прогнозного остатка на конец периода:
Прогноз остатка на конец периода
Остаток_кон = Остаток_нач + Поставки_ожид − Прогноз_спроса- Остаток_нач — текущий остаток на складе, шт.
- Поставки_ожид — ожидаемые поставки за период, шт.
- Прогноз_спроса — прогнозируемый спрос за период, шт.
Условный пример: Остаток_нач = 100 шт., Поставки_ожид = 50 шт., Прогноз_спроса = 120 шт. Остаток_кон = 100 + 50 − 120 = 30 шт.
Допущение: Если Остаток_кон меньше целевого страхового запаса, требуется заказ.
Расчёт доступной мощности для обработки заказов
Доступная_мощность = Количество_сотрудников × Рабочие_часы_в_смену × Коэффициент_доступности- Количество_сотрудников — число сотрудников, занятых планированием и закупками
- Рабочие_часы_в_смену — среднее количество рабочих часов в смену
- Коэффициент_доступности — доля времени, доступного для работы с прогнозами (например, 0.8)
Условный пример: Если 3 сотрудника работают по 8 часов в день с коэффициентом доступности 0.8, доступная мощность = 3 × 8 × 0.8 = 19.2 часа в день.
Допущение: Расчёт мощности помогает определить, сколько задач по прогнозированию и заказам можно обработать в заданный период.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз остатков для SKU «Кроссовки белые 42»
- Допущение: Текущий остаток на складе: 100 пар
- Допущение: Ожидаемая поставка через 10 дней: 50 пар
- Допущение: Прогноз спроса на ближайшие 30 дней: 120 пар
- Допущение: Целевой страховой запас: 40 пар
- Допущение: Срок поставки от поставщика: 14 дней
Остаток_кон = 100 + 50 − 120 = 30 пар. Так как 30 < 40 (страховой запас), возникает дефицит. Для покрытия дефицита и страхового запаса нужно заказать: 40 − 30 = 10 пар, но с учётом срока поставки 14 дней и прогноза спроса за эти 14 дней (например, 56 пар) рекомендуемый заказ = 10 + 56 = 66 пар.Без заказа остаток упадёт ниже страхового запаса, что приведёт к дефициту и потере продаж. Рекомендуется заказать 66 пар, чтобы обеспечить страховой запас и покрыть спрос на время доставки.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогноз спроса на период
- Текущий остаток
- Ожидаемые поставки
- Целевой страховой запас
- Срок поставки
Какие риски учтены
- Риск дефицита из-за роста спроса
- Риск избыточного заказа, если прогноз завышен
- Риск задержки поставки
Какие варианты рассматривались
- Не заказывать, если остаток выше страхового запаса
- Заказать меньший объём, если есть возможность быстрой дозакупки
- Заказать больший объём, если поставщик ненадёжен
Выбран вариант заказа с учётом страхового запаса и спроса на время доставки, чтобы минимизировать риск дефицита без избыточного запаса.
Если бы срок поставки был короче (например, 3 дня), рекомендуемый заказ был бы меньше, так как не нужно покрывать спрос на длительный период.
Результат
Что видит пользователь
Дашборд с прогнозом остатков по всем SKU
Таблица с текущим остатком, прогнозом спроса, прогнозным остатком на конец периода, целевым страховым запасом и статусом (дефицит/норма/избыток).
Быстро определить, какие SKU требуют заказа, и приоритизировать закупки.Уведомление о необходимости заказа
Система автоматически отправляет уведомление, когда прогнозный остаток опускается ниже страхового запаса.
Своевременно инициировать заказ, не дожидаясь ручной проверки.Рекомендация по закупке
По каждому SKU с дефицитом указано рекомендуемое количество и дата заказа.
Менеджер подтверждает заказ в один клик, сокращая время на планирование.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и обновление данных о продажах, остатках и поставках
- Расчёт прогноза спроса с помощью модели ИИ
- Расчёт прогнозного остатка по формуле
- Сравнение со страховым запасом и формирование списка SKU с дефицитом
- Отправка уведомлений о необходимости заказа
Требует настройки
- Настройка целевого страхового запаса для каждого SKU или категории
- Настройка сроков поставки от поставщиков
- Настройка порогов для уведомлений
- Обучение модели прогнозирования на исторических данных
Остаётся за человеком
- Подтверждение заказов поставщикам
- Проверка аномалий, выявленных моделью
- Корректировка прогноза при известных будущих акциях или изменениях ассортимента
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о продажах, остатках и поставках в Excel или Google Sheets
- Рассчитать прогноз спроса простым методом (например, скользящее среднее с учётом сезонности)
- Вручную применять формулу остатка и сравнивать со страховым запасом
- Настроить условное форматирование для подсветки дефицита
Рабочая система
- Настроить автозагрузку данных из личного кабинета маркетплейса в базу данных
- Разработать скрипт или использовать BI-инструмент для расчёта прогноза и остатков
- Подключить модель машинного обучения для прогноза спроса
- Создать дашборд с прогнозом и уведомлениями
Расширенный вариант
- Интегрировать данные о рекламных кампаниях и внешних факторах (цены конкурентов, сезонность)
- Использовать сценарный анализ: оптимистичный, базовый, пессимистичный прогноз
- Автоматически формировать заказы и отправлять поставщикам через API
Подготовка
Чек-лист перед запуском
- 1
Определить перечень SKU, для которых нужен прогноз
- 2
Собрать историю продаж минимум за 12 месяцев
- 3
Учесть сезонность и тренды в прогнозе
- 4
Настроить целевой страховой запас для каждого SKU
- 5
Внести актуальные сроки поставки от поставщиков
- 6
Настроить автозагрузку данных о продажах и остатках
- 7
Проверить формулу расчёта остатка на тестовых данных
- 8
Сравнить прогноз с фактическими остатками за прошлый период
- 9
Настроить уведомления о дефиците
- 10
Определить ответственного за подтверждение заказов
Вывод
Главное
Прогноз остатков должен опираться на прогноз спроса, а не на средние продажи, и учитывать все компоненты: текущий остаток, поставки и страховой запас.
Основные данные — история продаж, текущие остатки, ожидаемые поставки, сроки поставки. Ключевой расчёт — формула остатка на конец периода.
ИИ уточняет прогноз спроса, выявляет аномалии и автоматизирует рекомендации по закупке, но не заменяет базовую формулу.
Начните с простого: соберите данные в таблицу, рассчитайте остаток по формуле для нескольких ключевых SKU и сравните с фактическими остатками через месяц.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как выстроить путь от бизнес-проблемы к работающему решению: сначала модель решения, затем данные, автоматизация и интерфейс. В случае прогноза остатков это означает: сначала определить формулу и правила, затем собрать данные о продажах и остатках, автоматизировать расчёт и вывести результат в удобный дашборд.
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
Нужно ли программировать, чтобы настроить прогноз остатков?
Нет, для старта достаточно Excel или Google Sheets. Настроив формулу и собрав данные, вы уже получите базовый прогноз. Для более точного прогноза с ИИ можно использовать готовые сервисы или обучиться на практикуме ReMetod, где создаётся работающее решение без глубоких знаний программирования.
Насколько точен прогноз ИИ?
Точность зависит от качества и объёма данных, а также от стабильности спроса. ИИ лучше учитывает сезонность и тренды, чем средние значения, но прогноз всегда содержит погрешность. Поэтому важно регулярно сравнивать прогноз с фактом и корректировать модель.
Что делать, если у меня мало данных по новым товарам?
Для новых SKU можно использовать прогноз на основе похожих товаров или категорий, а также задать более высокий страховой запас на первое время. По мере накопления данных модель уточняется.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы и автоматизировать их? Приходите на бесплатный вебинар ReMetod.