ReMetod
Свяжитесь с нами

Остатки и склад / Inventory forecast

Как спрогнозировать остатки с ИИ

ИИ прогнозирует остатки, анализируя историю продаж, сезонность и тренды, и выдаёт прогноз спроса. На его основе рассчитывается рекомендуемый заказ и страховой запас, чтобы не замораживать деньги в излишках и не терять продажи из-за дефицита.

Проблема

Почему это важно

Без прогноза остатков компания закупает товар вслепую: ориентируется на интуицию менеджеров или на прошлогодние цифры без учёта изменений. В результате часть денег заморожена в неликвидах, а по ходовым позициям случаются дефициты и потерянные продажи.

Почему возникает

  • Ручной расчёт заказа по средним продажам не учитывает сезонность и тренды
  • Нет единой системы: данные по продажам, остаткам и поставкам разрознены
  • Страховой запас устанавливается на глаз или одинаково для всех товаров
  • Изменения спроса (акции, новые товары, внешние события) не попадают в расчёт

Риски и потери

  • Заморозка денег в неликвидах и сверхнормативных запасах
  • Дефицит ходовых позиций и потеря выручки
  • Списания и уценка из-за истечения сроков годности
  • Рост затрат на хранение и обслуживание запасов

Что влияет на результат

  • История продаж (штуки, дни)
  • Сезонность и тренды
  • Сроки поставки от поставщика
  • Текущие остатки и ожидаемые поступления
  • Маркетинговые акции и внешние события
  • Цена и ассортиментная политика

Типичные ошибки ручного подхода

  • Усреднение продаж без учёта сезонности
  • Игнорирование тренда роста или падения
  • Одинаковый страховой запас для всех товаров
  • Не учитываются сроки поставки и их вариативность

Определение

Что важно понимать

Прогноз спроса

Ожидаемое количество продаж товара за будущий период, рассчитанное на основе истории и факторов.

Является основой для расчёта заказа и страхового запаса.

Страховой запас

Дополнительный объём товара, который держат на случай колебаний спроса или задержек поставки.

Защищает от дефицита, но увеличивает заморозку денег.

Точка заказа

Уровень остатка, при достижении которого нужно размещать новый заказ.

Позволяет не допустить дефицита с учётом срока поставки.

Данные

Какие данные нужны

История продаж

Для выявления сезонности, трендов и базового уровня спроса.

  • дата продажи
  • SKU
  • количество
  • цена

Текущие остатки

Чтобы знать, сколько товара уже есть на складе.

  • SKU
  • остаток на складе
  • резерв

Ожидаемые поставки

Чтобы учесть уже заказанные партии.

  • SKU
  • дата поставки
  • количество

Сроки поставки

Для расчёта точки заказа и страхового запаса.

  • SKU
  • средний срок поставки (дни)
  • вариативность срока

Календарь сезонности и акций

Чтобы учесть плановые изменения спроса.

  • дата
  • тип события (сезон, акция)
  • коэффициент влияния

Методология

Методика прогнозирования остатков с ИИ

Принципы

  • Прогноз спроса строится на основе истории продаж с учётом сезонности и трендов.
  • Страховой запас рассчитывается отдельно для каждого SKU с учётом вариативности спроса и срока поставки.
  • Рекомендуемый заказ = прогноз спроса на период + страховой запас − текущий остаток − ожидаемые поступления.
  • ИИ автоматически обновляет прогноз при поступлении новых данных.

Допущения

  • История продаж достаточна для выявления сезонности (минимум 1-2 года).
  • Сроки поставки известны и относительно стабильны.
  • Данные по остаткам и продажам актуальны на момент расчёта.

Ошибки

  • Использовать средние продажи без учёта сезонности.
  • Устанавливать единый страховой запас для всех товаров.
  • Не учитывать ожидаемые поступления при расчёте заказа.
  • Игнорировать тренды роста или падения спроса.

Роль ИИ

Как ИИ решает задачу

Машинное обучение

Прогнозирование спроса на основе истории продаж

Данные на входе: История продаж по SKU, Календарь сезонности, Данные об акциях

Что делает модель: Обучаемая модель (например, градиентный бустинг или ARIMA) выявляет сезонные паттерны и тренды, прогнозирует спрос на будущий период.

Результат: Прогноз спроса по каждому SKU на день/неделю/месяц.

Как используется: Система использует прогноз для расчёта рекомендуемого заказа и страхового запаса.

Машинное обучение

Выявление аномалий в продажах

Данные на входе: История продаж, Прогнозные значения

Что делает модель: Модель обнаруживает резкие отклонения фактических продаж от прогноза (например, из-за сбоя поставки или всплеска спроса).

Результат: Список SKU с аномалиями и степенью отклонения.

Как используется: Менеджер проверяет аномалии и корректирует прогноз или заказ вручную.

Бизнес-правило

Расчёт страхового запаса

Данные на входе: Прогноз спроса, Вариативность спроса, Срок поставки и его вариативность

Что делает модель: Система рассчитывает страховой запас по формуле с учётом целевого уровня сервиса (например, 95%).

Результат: Страховой запас по каждому SKU.

Как используется: Используется в формуле рекомендуемого заказа.

Разбор

Как это работает

  1. 1

    Вход: история продаж по SKU за 1-2 года, календарь сезонности. Действие: модель обучается на данных и выявляет сезонные паттерны и тренды. Результат: прогноз спроса на следующий период.

  2. 2

    Вход: прогноз спроса, текущие остатки, ожидаемые поступления. Действие: система рассчитывает рекомендуемый заказ по формуле. Результат: список SKU с количеством к заказу.

  3. 3

    Вход: прогноз спроса, вариативность спроса, срок поставки. Действие: система вычисляет страховой запас для каждого SKU. Результат: уровень страхового запаса.

  4. 4

    Вход: фактические продажи за прошедший период. Действие: модель сравнивает факт с прогнозом и выявляет аномалии. Результат: отчёт об отклонениях.

  5. 5

    Вход: данные об акциях и внешних событиях. Действие: система корректирует прогноз с учётом этих факторов. Результат: уточнённый прогноз спроса.

  6. 6

    Вход: обновлённые данные по остаткам и поставкам. Действие: система пересчитывает рекомендуемый заказ и страховой запас. Результат: актуальные рекомендации для закупки.

Расчет

Формулы для прогноза остатков

Основные расчёты, которые выполняет система:

Рекомендуемый заказ

Заказ = Прогноз спроса на период + Страховой запас − Текущий остаток − Ожидаемые поступления
  • Прогноз спроса на период — ожидаемые продажи за время до следующей поставки
  • Страховой запас — резерв на случай колебаний
  • Текущий остаток — сколько товара на складе сейчас
  • Ожидаемые поступления — уже заказанные партии

Условный пример: Прогноз спроса на месяц = 100 шт., страховой запас = 20 шт., текущий остаток = 30 шт., ожидаемые поступления = 40 шт. Заказ = 100 + 20 − 30 − 40 = 50 шт.

Допущение: Если результат отрицательный, заказ не требуется.

Страховой запас (упрощённо)

Страховой запас = Z × σ_спроса_за_срок_поставки
  • Z — коэффициент, зависящий от целевого уровня сервиса (например, 1.65 для 95%)
  • σ_спроса_за_срок_поставки — стандартное отклонение спроса за время поставки

Условный пример: При Z=1.65 и σ=10 шт., страховой запас = 1.65 × 10 = 16.5 ≈ 17 шт.

Допущение: Более точный расчёт учитывает вариативность срока поставки.

Доступная мощность команды (пример для прогноза нагрузки)

Доступная мощность = Количество сотрудников × Рабочие часы в смене × Количество смен × Коэффициент доступности
  • Количество сотрудников — число работников, задействованных в закупках
  • Рабочие часы в смене — продолжительность одной смены в часах
  • Количество смен — число рабочих смен в периоде
  • Коэффициент доступности — доля времени, доступная для выполнения задач (например, 0.8)

Условный пример: Если 5 сотрудников работают по 8 часов в 2 смены с коэффициентом доступности 0.8, доступная мощность = 5 × 8 × 2 × 0.8 = 64 часа.

Пример иллюстративный для оценки загрузки команды в часах.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: прогноз заказа для товара А

  • Допущение: Прогноз спроса на месяц: 100 шт.
  • Допущение: Страховой запас: 20 шт.
  • Допущение: Текущий остаток: 30 шт.
  • Допущение: Ожидаемые поступления: 40 шт.
Заказ = 100 + 20 − 30 − 40 = 50 шт.

Нужно заказать 50 штук, чтобы покрыть прогнозируемый спрос и сохранить страховой запас. Если заказать больше, деньги будут заморожены в излишках; если меньше — возможен дефицит.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

  • Прогноз спроса на основе истории и сезонности
  • Текущий остаток и ожидаемые поступления
  • Целевой уровень сервиса и страховой запас
  • Сроки поставки и их вариативность

Какие риски учтены

  • Риск дефицита при заниженном заказе
  • Риск излишков и заморозки денег при завышенном заказе
  • Риск неучтённых аномалий спроса

Какие варианты рассматривались

  • Заказ по средним продажам без ИИ
  • Фиксированный страховой запас для всех товаров
  • Ручная корректировка прогноза менеджером

ИИ-прогноз учитывает сезонность и тренды, что снижает ошибку прогноза и позволяет точнее балансировать между дефицитом и излишками.

Если спрос очень волатилен или данных мало, ИИ может давать неточный прогноз — тогда нужен больший страховой запас и ручной контроль.

Результат

Что видит пользователь

Дашборд с прогнозом остатков

Таблица по SKU: прогноз спроса, текущий остаток, рекомендуемый заказ, страховой запас, ожидаемая дата дефицита.

Менеджер видит, какие товары нужно заказать и в каком количестве, и может сформировать заказ поставщику.

Уведомления о риске дефицита или излишков

Система присылает алерт, если по товару прогнозируется дефицит или превышение нормы запаса.

Сотрудник вовремя реагирует: корректирует заказ, переносит поставку или запускает акцию для распродажи.

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

  • Сбор и обновление данных о продажах, остатках и поставках
  • Расчёт прогноза спроса и страхового запаса
  • Формирование рекомендуемого заказа
  • Отправка уведомлений о рисках

Требует настройки

  • Настройка целевого уровня сервиса (например, 95%)
  • Задание сроков поставки по поставщикам
  • Определение порогов для уведомлений
  • Настройка календаря сезонности и акций

Остаётся за человеком

  • Подтверждение заказа перед отправкой поставщику
  • Корректировка прогноза при экстренных ситуациях
  • Решение о распродаже излишков

Внедрение

Как внедрить решение

Быстрый запуск

  • Выгрузить историю продаж и остатки в Excel
  • Построить простой прогноз по средним с учётом сезонности вручную
  • Рассчитать страховой запас по формуле для ключевых SKU

Рабочая система

  • Настроить автозагрузку данных из учётной системы
  • Развернуть модель прогнозирования (например, на Python)
  • Создать дашборд с прогнозом и рекомендациями
  • Настроить уведомления о рисках

Расширенный вариант

  • Подключить несколько источников данных (CRM, маркетплейсы)
  • Использовать более сложные модели (ML) с учётом внешних факторов
  • Внедрить сценарный анализ (что если спрос вырастет на 20%)

Подготовка

Чек-лист перед запуском

  1. 1

    Собрать историю продаж минимум за 1 год по каждому SKU

  2. 2

    Проверить качество данных: нет пропусков и дублей

  3. 3

    Определить целевой уровень сервиса (например, 95%)

  4. 4

    Зафиксировать сроки поставки по каждому поставщику

  5. 5

    Настроить календарь сезонности и акций

  6. 6

    Выбрать метод прогнозирования (статистика или ML)

  7. 7

    Рассчитать страховой запас для ключевых SKU

  8. 8

    Настроить автоматический пересчёт прогноза при новых данных

  9. 9

    Определить пороги для уведомлений о рисках

  10. 10

    Провести пилот на 10-20 SKU и сравнить с фактическими продажами

Вывод

Главное

Прогноз остатков с ИИ строится на точном прогнозе спроса и расчёте страхового запаса, что позволяет балансировать между дефицитом и излишками.

Основные данные — история продаж, остатки, поставки, сроки. Ключевые расчёты — прогноз спроса, страховой запас, рекомендуемый заказ.

ИИ автоматизирует прогнозирование спроса, выявляет аномалии и помогает рассчитать оптимальный заказ, снижая заморозку денег.

Начните с выгрузки истории продаж и расчёта прогноза по ключевым SKU в Excel, чтобы оценить потенциал.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает, как выстроить путь от бизнес-проблемы к работающему решению: модель решения, данные, автоматизация, интерфейс. Практикум помогает 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 практикума

Вопросы

Что обычно уточняют

У нас мало данных по продажам, ИИ не сможет прогнозировать

Даже с 6-12 месяцами истории можно построить базовый прогноз с учётом сезонности. Если данных совсем мало, используйте упрощённые методы и увеличивайте страховой запас.

ИИ-прогноз — это сложно и дорого

Начать можно с простых формул в Excel, а затем автоматизировать. ReMetod учит строить такие решения без программирования за 4 недели.

Мы доверяем опыту закупщика, а не алгоритму

ИИ не заменяет опыт, а дополняет его: даёт объективную оценку спроса, а человек принимает финальное решение с учётом контекста.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите научиться прогнозировать остатки 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