Маркетплейсы / Понять, что не продается
Какие товары зависли на маркетплейсе: как ИИ находит неликвид
ИИ анализирует данные о продажах, остатках и спросе, чтобы выявить товары, которые не продаются или продаются слишком медленно. Он учитывает сезонность, тренды и поведение покупателей, помогая вовремя заметить неликвид и принять решение: уценить, продвинуть или вывести товар.
Проблема
Почему это важно
На маркетплейсе скапливаются товары, которые не продаются неделями или месяцами. Деньги заморожены в остатках, склад забит, а аналитик вручную просматривает сотни позиций, чтобы понять, что зависло. Часто это обнаруживается слишком поздно, когда товар уже устарел или сезон прошёл.
Почему возникает
- Нет регулярного контроля оборачиваемости: остатки не сопоставляются с динамикой продаж.
- Ручной анализ ограничен: невозможно вручную отследить все SKU и их тренды.
- Сезонность и тренды не учитываются: товар, который был актуален, перестал продаваться, но его не вывели.
- Отсутствие прогноза спроса: закупки делаются на основе прошлых продаж без учёта изменений.
Риски и потери
- Заморозка оборотных средств в неликвиде.
- Затраты на хранение и логистику не окупаются.
- Упущенная выгода: место на складе и в выдаче занято неходовым товаром.
- Штрафы или снижение рейтинга из-за неактуальных карточек.
Что влияет на результат
- Скорость продаж (штук в день/неделю)
- Остатки на складе и у продавца
- Сезонность и тренды спроса
- Цена и конкурентная среда
- Рейтинг и отзывы товара
- Эффективность рекламы и продвижения
Типичные ошибки ручного подхода
- Просмотр только топ-товаров, игнорирование длинного хвоста.
- Оценка по абсолютным цифрам без учёта сезонности.
- Запоздалое обнаружение залежавшегося товара.
- Субъективное решение о том, что считать неликвидом.
Определение
Что важно понимать
Dead stock
Товар, который не продаётся длительное время и не ожидается его продажа в ближайшей перспективе.
Заморозка оборотных средств, затраты на хранение, упущенная выгода.Оборачиваемость
Скорость, с которой товар продаётся и заменяется новым за период.
Низкая оборачиваемость указывает на неликвид, высокую — на хороший спрос.Прогноз спроса
Оценка будущего спроса на товар на основе исторических данных, сезонности и трендов.
Позволяет заранее выявить товары, которые могут стать неликвидами.Данные
Какие данные нужны
Данные о продажах
Для расчёта скорости продаж и динамики по каждому SKU.
- SKU
- Дата продажи
- Количество
- Выручка
Данные об остатках
Чтобы знать, сколько товара лежит на складе и как долго.
- SKU
- Остаток на складе
- Дата поступления
- Склад
Данные о цене и конкурентах
Для оценки ценовой конкурентоспособности и влияния на спрос.
- SKU
- Текущая цена
- Цена конкурентов
- История изменения цены
Данные о сезонности и трендах
Чтобы отличать сезонные колебания от устойчивого падения спроса.
- SKU
- Категория
- Сезонный коэффициент
- Тренд в поиске
Данные о рекламе и продвижении
Чтобы понять, поддерживается ли товар рекламой и как это влияет на продажи.
- SKU
- Рекламный бюджет
- Показы
- CTR
Методология
Как ИИ определяет залежавшиеся товары
Принципы
- Анализировать не только абсолютные продажи, но и динамику и оборачиваемость.
- Учитывать сезонность и тренды, чтобы не принять сезонный спад за неликвид.
- Сравнивать товары внутри категории и с конкурентами.
- Использовать прогноз спроса для раннего выявления потенциального неликвида.
Допущения
- Данные о продажах и остатках регулярно обновляются.
- Исторические данные достаточны для выявления сезонности (минимум 1 год).
- Категории товаров однородны для сравнения.
Ошибки
- Считать товар неликвидом только по низким продажам без учёта сезонности.
- Игнорировать длинный хвост товаров с малыми, но стабильными продажами.
- Не учитывать влияние рекламы: товар может продаваться только благодаря рекламе.
- Принимать решения на основе устаревших данных.
Роль ИИ
Как ИИ решает задачу
Классификация товаров по скорости продаж и оборачиваемости
Данные на входе: История продаж по SKU, Остатки на складе
Что делает модель: Определяет для каждого SKU скорость продаж, оборачиваемость и присваивает категорию (активный, медленно продающийся, неликвид).
Результат: Список SKU с категорией и метриками.
Как используется: Менеджер видит список и может отсортировать по категории, чтобы сфокусироваться на проблемных.
Прогноз спроса на основе исторических данных и сезонности
Данные на входе: История продаж за 1-2 года, Сезонные коэффициенты, Тренды в категории
Что делает модель: Строит прогноз продаж на будущий период для каждого SKU.
Результат: Прогнозные значения продаж и вероятность стать неликвидом.
Как используется: Система помечает товары с падающим прогнозом как потенциальный dead stock.
Выявление аномалий в динамике продаж
Данные на входе: Ежедневные продажи по SKU
Что делает модель: Обнаруживает резкие падения или всплески продаж, отклоняющиеся от обычного паттерна.
Результат: Уведомление о товарах с аномальным поведением.
Как используется: Менеджер проверяет причину: возможно, товар вытеснен конкурентами или изменился спрос.
Формирование рекомендаций по работе с неликвидами
Данные на входе: Категория неликвида, Остатки, Цена, Прогноз спроса
Что делает модель: Подбирает оптимальное действие: уценка, распродажа, продвижение, вывод из ассортимента.
Результат: Список рекомендаций с ожидаемым эффектом.
Как используется: Менеджер принимает решение на основе рекомендаций и утверждает.
Разбор
Как это работает
- 1
Вход: данные о продажах, остатках, ценах, рекламе за последние 1-2 года. Действие: система загружает и очищает данные, объединяя их по SKU. Результат: единая таблица с историей по каждому товару.
- 2
Вход: очищенные данные. Действие: рассчитываются метрики — скорость продаж, оборачиваемость, динамика. Результат: для каждого SKU известны ключевые показатели.
- 3
Вход: метрики и исторические данные. Действие: модель машинного обучения прогнозирует будущий спрос с учётом сезонности. Результат: прогноз продаж на следующий период.
- 4
Вход: прогноз и текущие метрики. Действие: система классифицирует товары на активные, медленно продающиеся и неликвидные. Результат: список SKU с категорией.
- 5
Вход: список неликвидных и медленно продающихся товаров. Действие: генеративная модель формирует рекомендации по каждому товару. Результат: перечень действий с обоснованием.
- 6
Вход: рекомендации. Действие: менеджер проверяет и утверждает действия, система отслеживает выполнение. Результат: запущены уценки, распродажи или вывод товаров.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Скорость продаж и её динамика
- Оборачиваемость запасов
- Прогноз спроса на будущий период
- Сезонность и тренды
- Остатки и затраты на хранение
Какие риски учтены
- Риск уценить товар, который ещё может продаться по полной цене
- Риск вывести товар, который станет актуальным в следующем сезоне
- Риск потери рейтинга из-за распродаж
Какие варианты рассматривались
- Оставить товар без изменений
- Увеличить рекламный бюджет
- Уценить на 10-30%
- Вывести из ассортимента и утилизировать
Выбирается действие с максимальным ожидаемым эффектом: если прогноз спроса низкий, уценка или вывод; если есть шанс продать — продвижение.
Если товар сезонный и приближается сезон, рекомендация может быть оставить товар до сезона. Если товар имеет высокий рейтинг и отзывы, можно попробовать продвижение вместо уценки.
Результат
Что видит пользователь
Дашборд с категориями товаров
Список SKU с метками: активный, медленно продающийся, неликвид, а также метрики и прогноз.
Быстро фильтровать и находить проблемные товары.Уведомления о новых неликвидах
Автоматические алерты при обнаружении товара с аномальным падением продаж.
Своевременно реагировать и принимать меры.Рекомендации по каждому неликвиду
Конкретные предложения: уценить, продвинуть, вывести, с ожидаемым эффектом.
Принимать обоснованные решения без долгого анализа.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах и остатках
- Расчёт метрик и классификация товаров
- Прогноз спроса и выявление потенциальных неликвидов
- Формирование рекомендаций
Требует настройки
- Настройка порогов для категорий (например, оборачиваемость > 90 дней)
- Определение сезонных коэффициентов
- Настройка прав доступа для разных ролей
Остаётся за человеком
- Утверждение рекомендаций по уценке или выводу товара
- Проверка нестандартных случаев (например, товар с высоким рейтингом)
- Контроль выполнения действий
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить данные о продажах и остатках в Excel/Google Sheets.
- Рассчитать скорость продаж и оборачиваемость вручную по формулам.
- Отсортировать товары по оборачиваемости и выделить те, что > 90 дней.
Рабочая система
- Настроить автоматическую загрузку данных из личного кабинета маркетплейса.
- Создать базу данных и скрипты для расчёта метрик.
- Разработать дашборд с категориями товаров и уведомлениями.
- Подключить простую модель прогноза (например, на основе средних и сезонности).
Расширенный вариант
- Внедрить ML-модели для прогноза спроса и выявления аномалий.
- Интегрировать данные о конкурентах и ценах.
- Настроить генеративные рекомендации с учётом стратегии продавца.
- Автоматизировать запуск уценок через API маркетплейса.
Подготовка
Чек-лист перед запуском
- 1
Определить источники данных: продажи, остатки, цены, реклама.
- 2
Настроить регулярную выгрузку данных (ежедневно/еженедельно).
- 3
Очистить данные от дублей и ошибок.
- 4
Рассчитать базовые метрики: скорость продаж, оборачиваемость.
- 5
Установить пороги для категорий (например, неликвид — оборачиваемость > 90 дней).
- 6
Учесть сезонность: собрать данные минимум за год.
- 7
Настроить уведомления о товарах с аномальным падением.
- 8
Определить ответственных за принятие решений по неликвидам.
- 9
Разработать шаблон рекомендаций (уценка, продвижение, вывод).
- 10
Провести пилотный запуск на 10-20 SKU и оценить результат.
Вывод
Главное
Главный принцип — не ждать, пока товар станет мёртвым грузом, а выявлять неликвид на ранней стадии по динамике продаж и прогнозу спроса.
Основные данные — история продаж, остатки, цены, сезонность. Ключевые расчёты — скорость продаж, оборачиваемость, прогноз спроса.
ИИ автоматизирует анализ больших объёмов данных, прогнозирует спрос и формирует рекомендации, освобождая менеджера от рутинной работы.
Начните с выгрузки данных о продажах и остатках в таблицу и расчёта оборачиваемости по ключевым товарам — это займёт пару часов и сразу покажет проблемные позиции.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема превращается в модель решения, данные и автоматизацию. В рамках практикума участники учатся строить такие решения, как выявление неликвидов на маркетплейсе, без необходимости программировать.
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 меня мало товаров, зачем мне ИИ?
Даже при 50 SKU ручной анализ может быть трудоёмким, а ИИ помогает не пропустить товар, который начал «зависать». Вы можете начать с простых формул в Excel, а ИИ добавит прогноз и автоматизацию.
ИИ может ошибиться и уценить нужный товар?
ИИ лишь предлагает рекомендации, а решение принимает человек. Вы можете настроить пороги и проверять спорные случаи. Кроме того, модель учитывает сезонность и тренды, снижая риск ошибки.
С чего начать, если нет данных за год?
Начните с тех данных, что есть, и постепенно накапливайте историю. Даже 3-6 месяцев помогут выявить первые паттерны. Для сезонности потребуется год, но базовые метрики можно считать уже сейчас.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать выявление неликвидных товаров с помощью ИИ? Приходите на бесплатный вебинар ReMetod.