Логистика / In-transit stock
Как управлять запасом в пути с ИИ
Запас в пути — это товары, которые уже отгружены поставщиком, но еще не поступили на склад. ИИ помогает точно прогнозировать дату прибытия, автоматически рассчитывать оптимальный уровень запаса и заранее сигнализировать о рисках задержки, чтобы вы не замораживали лишние деньги и не теряли продажи из-за дефицита.
Проблема
Почему это важно
Без системы управления запасом в пути компании часто работают вслепую: товар уже оплачен, но неизвестно, когда он прибудет. Это приводит к кассовым разрывам, когда деньги заморожены в товаре, который еще не продается, и одновременно к дефициту, если поставка задерживается, а страховой запас не рассчитан.
Почему возникает
- Нет точных данных о сроках поставки от перевозчиков и поставщиков
- Ручной расчет страхового запаса без учета вариативности сроков
- Отсутствие автоматического мониторинга статусов отгрузок
- Игнорирование внешних факторов: погода, таможня, загруженность портов
Риски и потери
- Кассовые разрывы из-за замороженных средств в товаре в пути
- Потеря продаж и клиентов из-за дефицита при задержке поставки
- Излишние затраты на срочные поставки и альтернативных поставщиков
- Штрафы за срыв сроков перед розничными сетями
Что влияет на результат
- Срок доставки от поставщика до склада
- Вариативность сроков (стандартное отклонение)
- Среднедневной спрос на товар
- Страховой запас, который нужно держать на время в пути
- Точность прогноза даты прибытия
Типичные ошибки ручного подхода
- Оценка срока поставки «на глаз» без учета истории
- Игнорирование задержек, которые уже произошли
- Расчет страхового запаса без учета вариативности
- Отсутствие пересчета при изменении спроса или сроков
Определение
Что важно понимать
Запас в пути (in-transit stock)
Товары, которые уже отгружены поставщиком, но еще не прибыли на склад. Они оплачены, но не доступны для продажи.
Это замороженные деньги и потенциальный риск дефицита, если поставка задержится.Страховой запас
Дополнительный объем товара, который держат на складе, чтобы покрыть спрос на время задержки поставки.
Правильный расчет страхового запаса защищает от дефицита без излишних затрат на хранение.Прогноз срока поставки
Ожидаемая дата прибытия товара, рассчитанная на основе исторических данных и текущих условий.
Точный прогноз позволяет планировать продажи и не замораживать лишний капитал.Данные
Какие данные нужны
История поставок
Для расчета среднего срока доставки и его вариативности по каждому поставщику и маршруту.
- поставщик
- маршрут
- дата отгрузки
- дата прибытия
- фактический срок
Текущие заказы в пути
Чтобы знать, какие товары уже едут и когда ожидаются.
- номер заказа
- товар
- количество
- дата отгрузки
- ожидаемая дата прибытия
Среднедневной спрос
Для расчета того, сколько товара нужно на время в пути и страхового запаса.
- товар
- среднедневные продажи
- стандартное отклонение спроса
Внешние факторы
Для корректировки прогноза срока поставки (погода, таможня, загруженность).
- погодные условия
- статус таможни
- загруженность порта
Методология
Методика управления запасом в пути с ИИ
Принципы
- Точный прогноз срока поставки на основе исторических данных и внешних факторов
- Автоматический расчет оптимального страхового запаса с учетом вариативности
- Непрерывный мониторинг статусов и раннее предупреждение о рисках
- Интеграция с системой управления запасами для автоматического пересчета
Допущения
- Исторические данные о поставках достаточны для статистического анализа
- Спрос на товар относительно стабилен или прогнозируем
- Внешние факторы могут быть учтены в модели (погода, таможня)
Ошибки
- Использование среднего срока без учета вариативности
- Игнорирование сезонности спроса
- Ручной пересчет страхового запаса вместо автоматического
- Отсутствие проверки точности прогнозов
Роль ИИ
Как ИИ решает задачу
Прогноз срока поставки
Данные на входе: История поставок по поставщику и маршруту, Текущие заказы в пути, Внешние факторы (погода, таможня)
Что делает модель: Обучаемая модель предсказывает ожидаемую дату прибытия для каждого заказа, учитывая сезонность и текущие условия.
Результат: Прогнозная дата прибытия и вероятность задержки
Как используется: Система использует прогноз для расчета доступного запаса и автоматического заказа
Расчет оптимального страхового запаса
Данные на входе: Среднедневной спрос, Стандартное отклонение спроса, Средний срок поставки и его стандартное отклонение
Что делает модель: По формуле рассчитывается страховой запас, обеспечивающий заданный уровень сервиса.
Результат: Рекомендуемый уровень страхового запаса по каждому товару
Как используется: Система автоматически корректирует заказы, чтобы поддерживать этот уровень
Выявление аномалий и рисков задержки
Данные на входе: Текущие статусы отгрузок, Исторические данные о задержках, Внешние события
Что делает модель: Модель обнаруживает нетипичные отклонения от обычного хода поставки и оценивает риск задержки.
Результат: Уведомление о риске с указанием вероятной причины
Как используется: Менеджер получает алерт и может принять меры: связаться с поставщиком, переключиться на альтернативный источник
Разбор
Как это работает
- 1
Вход: данные о заказах в пути, история поставок, текущий спрос. Действие: система загружает и консолидирует данные из ERP и TMS. Результат: единая база для анализа.
- 2
Вход: исторические сроки поставки по каждому поставщику и маршруту. Действие: модель обучается на этих данных, учитывая сезонность и внешние факторы. Результат: модель прогноза срока поставки.
- 3
Вход: текущие заказы в пути. Действие: модель предсказывает дату прибытия для каждого заказа. Результат: список ожидаемых поступлений с датами и вероятностью задержки.
- 4
Вход: прогнозные даты, среднедневной спрос, страховой запас. Действие: система рассчитывает, на сколько дней хватит текущего запаса до поступления товара. Результат: прогноз дефицита или излишка.
- 5
Вход: прогноз дефицита. Действие: система автоматически формирует рекомендацию по дополнительному заказу или перераспределению. Результат: предложение по закупке с указанием объема и срока.
- 6
Вход: статусы отгрузок в реальном времени. Действие: модель отслеживает отклонения от плана и сигнализирует о рисках. Результат: уведомление менеджеру о возможной задержке.
- 7
Вход: фактические даты прибытия. Действие: система сравнивает прогноз с фактом и обновляет модель. Результат: повышение точности будущих прогнозов.
Расчет
Формулы для расчета
Для управления запасом в пути используются две ключевые формулы: расчет страхового запаса и расчет точки заказа. Ниже приведены формулы с условным примером.
Страховой запас
SS = Z × σ_d × √(L) + Z × d × σ_L- Z — коэффициент уровня сервиса (например, 1.65 для 95%)
- σ_d — стандартное отклонение спроса в день
- L — среднее время поставки в днях
- d — среднедневной спрос
- σ_L — стандартное отклонение времени поставки
Условный пример: При Z=1.65, σ_d=10 шт/день, L=10 дней, d=50 шт/день, σ_L=2 дня: SS = 1.65×10×√10 + 1.65×50×2 = 52.2 + 165 = 217.2 ≈ 218 шт.
Допущение: Этот запас покрывает колебания спроса и задержки поставки.
Точка заказа
ROP = d × L + SS- d — среднедневной спрос
- L — среднее время поставки в днях
- SS — страховой запас
Условный пример: При d=50 шт/день, L=10 дней, SS=218 шт: ROP = 50×10 + 218 = 718 шт. Когда остаток на складе падает до 718 шт., пора заказывать следующую партию.
Допущение: Точка заказа учитывает время на поставку и страховой запас.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчет страхового запаса для товара А
- Допущение: Среднедневной спрос: 50 шт/день
- Допущение: Стандартное отклонение спроса: 10 шт/день
- Допущение: Среднее время поставки: 10 дней
- Допущение: Стандартное отклонение времени поставки: 2 дня
- Допущение: Требуемый уровень сервиса: 95% (Z=1.65)
SS = 1.65 × 10 × √10 + 1.65 × 50 × 2 = 52.2 + 165 = 217.2 ≈ 218 шт. Точка заказа: ROP = 50 × 10 + 218 = 718 шт.Для товара А необходимо держать страховой запас 218 шт., чтобы покрыть колебания спроса и возможные задержки поставки. Точка заказа 718 шт. позволяет вовремя пополнить запас, не допуская дефицита.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Точность прогноза срока поставки
- Вариативность спроса и времени поставки
- Уровень сервиса, который хочет обеспечить компания
- Стоимость хранения и стоимость дефицита
Какие риски учтены
- Задержка поставки из-за внешних факторов
- Резкий рост спроса
- Ошибки в данных о поставках
Какие варианты рассматривались
- Держать больший страховой запас (снижает риск дефицита, но увеличивает затраты)
- Использовать нескольких поставщиков для снижения риска
- Ускорять поставки за дополнительную плату
ИИ позволяет найти баланс между риском дефицита и затратами на хранение, автоматически пересчитывая параметры при изменении условий.
Если спрос сильно сезонный или поставки крайне нестабильны, может потребоваться более сложная модель прогнозирования и больший страховой запас.
Результат
Что видит пользователь
Дашборд с прогнозом поступлений
Список заказов в пути с ожидаемыми датами прибытия и вероятностью задержки
Планировать продажи и заранее реагировать на возможные задержкиУведомления о рисках
Алерт о задержке поставки с указанием причины
Связаться с поставщиком или переключиться на альтернативный источникРекомендации по закупке
Предложение сформировать заказ на определенный объем
Быстро оформить заказ, не допуская дефицитаАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор данных о заказах в пути из ERP и TMS
- Прогноз даты прибытия по каждому заказу
- Расчет страхового запаса и точки заказа
- Мониторинг статусов и выявление рисков задержки
Требует настройки
- Настройка интеграции с ERP и TMS
- Задание уровня сервиса (Z-коэффициента)
- Определение порогов для уведомлений
- Обучение модели на исторических данных
Остаётся за человеком
- Решение о выборе альтернативного поставщика при задержке
- Утверждение крупных заказов
- Корректировка прогнозов при форс-мажоре
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать историю поставок в Excel
- Рассчитать средний срок и стандартное отклонение
- Вручную пересчитать страховой запас по формуле
Рабочая система
- Настроить автозагрузку данных из ERP
- Создать дашборд с прогнозом поступлений
- Настроить уведомления о рисках задержки
Расширенный вариант
- Внедрить ML-модель для прогноза сроков с учетом внешних факторов
- Подключить данные о погоде и таможне
- Автоматически формировать заказы на основе прогноза
Подготовка
Чек-лист перед запуском
- 1
Собрать данные о поставках за последние 12 месяцев
- 2
Определить среднедневной спрос по каждому товару
- 3
Рассчитать стандартное отклонение спроса
- 4
Рассчитать средний срок поставки и его стандартное отклонение
- 5
Выбрать целевой уровень сервиса (например, 95%)
- 6
Рассчитать страховой запас и точку заказа
- 7
Настроить интеграцию с ERP для получения данных о заказах
- 8
Создать дашборд для мониторинга
- 9
Настроить уведомления о рисках задержки
- 10
Проверить точность прогнозов через месяц и скорректировать модель
Вывод
Главное
Управление запасом в пути строится на точном прогнозе сроков поставки и расчете страхового запаса с учетом вариативности.
Основные данные — история поставок, текущие заказы, спрос. Ключевые расчеты — страховой запас и точка заказа.
ИИ автоматизирует прогнозирование сроков, выявление рисков и пересчет параметров, освобождая менеджера от рутины.
Начните с расчета страхового запаса по формуле на основе исторических данных — это даст быстрый эффект без внедрения сложных систем.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема превращается в модель решения с помощью данных и автоматизации. В случае управления запасом в пути это означает: сначала определить проблему (кассовые разрывы, дефицит), затем построить модель расчета страхового запаса и прогноза сроков, и только потом автоматизировать процесс.
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 для внедрения ИИ?
Нет. ReMetod обучает без требования уметь программировать. Вы можете начать с простых таблиц и постепенно автоматизировать процесс.
Насколько точны прогнозы ИИ?
Точность зависит от качества данных. При достаточной истории поставок и спроса модель может достигать высокой точности, но всегда есть вероятность отклонений. Поэтому важно регулярно обновлять модель.
Что делать, если у нас мало данных о поставках?
Начните с простых расчетов на основе доступных данных, а затем накапливайте историю. ИИ может работать и с небольшим объемом данных, но точность будет ниже.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать управление запасами с ИИ? Приходите на бесплатный вебинар ReMetod.