Управление запасами и прогнозирование спроса

Четыре признака проблем с управлением запасами Как быстро понять, что у компании есть проблемы с управлением запасами? Ниже — четыре очевидных признака, которые говорят о том, что у вас не всё в порядке. 1. Слишком длинный "хвост" ассортимента Если построить график зависимости объёма продаж от SKU, мы обычно получаем характерную кривую: 20% позиций дают около 80% продаж. Классическое правило Парето. Но если у вас, например, 90% продаж приходятся на 10% ассортимента, или даже 95% на 5% — это уже сигнал о проблемах. Такая структура говорит о слишком широком ассортименте, который становится трудно управляемым. В этом случае вы почти наверняка столкнётесь с регулярными дефицитами одних товаров и переизбытком других. Это распространённая и, к сожалению, типичная проблема. 2. Отсутствие стратегии пополнения Ещё один признак — это отсутствие внятной стратегии запасов. Многие компании закупают товар исходя исключительно из минимальных заказов у поставщиков или по жёсткому графику (например, раз в месяц) и применяют одинаковый подход ко всему ассортименту. Такой подход не учитывает специфику каждой отдельной позиции. Стратегия управления и пополнения запасов должна быть гибкой и адаптированной под характеристики конкретных SKU. К сожалению, игнорирование этого принципа приводит к серьёзным сбоям в запасах. 3. Неясность ответственности за медленно оборачиваемый и устаревший товар Очень полезный вопрос: кто в вашей компании отвечает за залежавшиеся и устаревшие запасы? Логистика? Закупки? Управление запасами? Или, быть может, продажи? Скорее всего, не продажи — а зря. Отдел продаж должен активно участвовать в прогнозировании. Если прогнозы оказываются далеки от реальности, именно команда продаж должна нести часть ответственности за это. Если в вашей компании никто не отвечает за избыток медленно оборачиваемого товара — это ещё один тревожный сигнал. 4. Игнорирование реальной стоимости минимальных заказов Минимальные партии поставки — ещё один подводный камень. Закупщики часто стремятся снизить цену за единицу, заказывая больше, чем нужно. В результате товар "зависает" на складе на месяцы, а иногда и на годы. Зачастую выгоднее заплатить немного больше за единицу, но поддерживать более высокую оборачиваемость и свежесть запасов. Это снижает общую стоимость владения запасами и позволяет быстрее реагировать на изменения спроса.

Какие задачи с ИИ разобрать на вебинаре? Коллеги, мы планируем провести вебинар про ИИ в управлении запасами. При этом не хотим делать очередной обзор возможностей нейросетей и поверхностно рассуждать о том, что ИИ когда-нибудь сможет сделать. Нам интереснее разобрать реальные задачи специалистов по закупкам, логистике и управлению запасами. Поэтому просим поделиться задачами, которые отнимают у вас много времени, которые вам хотелось бы автоматизировать или просто задачами, в которых считаете нейросети могли бы быть полезны. Если мы наберем достаточное количество откликов, то проведем вебинар на реальных кейсах. Расскажем, как и с помощью каких инструментов можно автоматизировать и облегчить вашу работу, либо выполнить её более качественно. Важно описать саму задачу и добавить хотя бы минимальный контекст: как вы решаете ее сейчас, что вызывает сложности и какой результат хотели бы получить. Можно поделиться задачами в комментариях к этому посту либо написать персональное сообщение в бота @FnowQuestionBot

ABC-анализ — это не только анализ выручки ABC-анализ часто ассоциируют с выручкой и проводят по привычной схеме: ранжируют товары по выручке, делят на группы А, В и С — и на этом останавливаются. Но ABC-анализ — это способ разделить ассортимент по степени значимости. А значимость можно оценивать по разным критериям: прибыли, частоте продаж, стоимости запасов, количеству складских операций. Поэтому один и тот же ассортимент можно анализировать несколько раз и получать разные выводы. Всё зависит от задачи. Какие товары должны быть в наличии всегда Если нужно определить уровень сервиса, ABC-анализ лучше проводить по частоте продаж: количеству чеков или дней продаж. Хлеб и молоко могут не давать максимальную прибыль, но их покупают ежедневно. По частоте это группа А. Если покупатель не найдёт молоко, он может уйти в другой магазин и купить там всё остальное. При этом дорогой профессиональный перфоратор может относиться к группе А по выручке, хотя продаётся раз в месяц. Его отсутствие менее критично, чем отсутствие дюбелей и других базовых расходников. Где в запасах заморожены деньги Когда склад переполнен, ABC-анализ можно провести по стоимости запасов и сопоставить результат с прибылью. Частая ситуация: закупщики видят, что товар хорошо продаётся, и страхуются повышенным запасом. В итоге прибыльной позиции закупают на полгода вперёд. Формально это товар группы А, но фактически в нём могут быть заморожены миллионы рублей. Другой пример — дорогая запчасть для старой модели станка. По стоимости остатка она попадает в группу А, но год не продаётся и относится к группе С по прибыли. Это кандидат на распродажу, возврат поставщику или вывод из ассортимента. Какие товары можно продавать больше ABC-анализ помогает найти и точки роста. Для этого товары сопоставляют по прибыли и частоте продаж. Премиальное вино или дизайнерская мебельная фурнитура дают высокую прибыль с одной продажи, но продаются редко. По частоте это группа С, а по прибыли — А. Иногда достаточно изменить выкладку или провести акцию, чтобы увеличить продажи. Есть и обратная ситуация: редкий, но важный товар. Например, специфическое лекарство или дорогой ингредиент для производства. Такие позиции нужны для широты ассортимента, но постоянно держать их на складе может быть невыгодно. Иногда лучше поставлять их под заказ. Как сократить лишние перемещения на складе ABC-анализ можно провести и по количеству обращений к товару. Болты и гайки стоят недорого и по выручке могут относиться к группе С. Но сотрудники склада обращаются к ним десятки раз в день. Если разместить такие товары в дальнем углу, кладовщики будут тратить время на лишние перемещения. Поэтому часто востребованные позиции должны находиться в самой доступной зоне, даже если стоят недорого. Три важных нюанса при проведении анализа Первый — дефицит. Если товара долго не было на складе, его продажи, выручка и прибыль будут занижены. Перед анализом нужно восстановить упущенный спрос, иначе важная позиция может ошибочно попасть в группу С. Второй — новинки. Новый товар ещё не накопил статистику и почти всегда окажется в хвосте. Такие позиции лучше временно выделять в отдельную группу. Третий — границы групп. Не стоит механически применять пропорцию 80/15/5 ко всему ассортименту. Метод касательных позволяет определить границы по фактической кривой распределения и учесть специфику компании. ABC-анализ — это не один отчёт по выручке, а способ посмотреть на ассортимент с разных сторон. Поэтому перед расчётом важно сначала понять, какую задачу мы хотим решить.

Что на самом деле делает система управления запасами? Часто может казаться, что система управления запасами — это только система прогнозирования спроса. Логика здесь понятная: спрогнозировали, сколько купят, — столько и нужно заказать. И может показаться, что этого достаточно. Но на практике прогноз — только один из этапов работы системы, и не финальный. Сам по себе он не говорит, сколько товара держать на складе, когда делать заказ, каким объёмом и как быть, если поставщик отгружает только палетами, контейнерами или от минимальной суммы. Поэтому на систему правильнее смотреть не как на способ угадать спрос, а как на цепочку расчётов — от очистки истории продаж до конкретного заказа. Какие этапы могут быть в такой цепочке? Давайте посмотрим. По каким товарам вообще считать заказ Сначала система решает именно это. Для ответа ей нужны матрица ассортимента, расписание заказов, календарь поставщика, точка заказа и текущий остаток. Что делать с историей продаж Сырые продажи ещё не равны спросу. В них зашиты дефициты, промо, случайные всплески, сезонность. Если товара не было на полке, ноль в продажах не означает, что спроса не было. Если продажи взлетели под акцию, переносить их на обычный период нельзя. Историю нужно очистить и восстановить спрос настолько, насколько это возможно. Как считать разные товары Система должна определить характер спроса и подобрать модель заказа под каждый SKU. Спрос на молоко и на элитный алкоголь ведёт себя по-разному — и считать их одинаково нельзя. Поэтому модель заказа для товара должна учитывать разные факторы: новизна товара, вида спроса, прошлые дефициты, сезонность, сроки годности, промо, уровень сервиса, надежность поставщика, периодичность заказа, схемы снабжения и др. И только теперь появляется прогноз. Но хороший прогноз в управлении запасами — это не одно число. Не «завтра продадим 120 штук», а распределение вероятностей: с какой вероятностью спрос окажется таким, с какой — выше, с какой — ниже. Это как прогноз погоды: он не обещает вам ровно 4 миллиметра дождя, он говорит, с какой вероятностью стоит взять зонт. Зачем такая сложность? Затем, что бизнесу нужен не прогноз ради прогноза, а ответ на вопрос, какой запас держать при неопределённости. Какой остаток будет на складе После прогноза система моделирует будущий остаток. Она учитывает, что уже лежит на складе, какие поставки в пути и когда придут, есть ли сроки годности, резервы, закупки под клиента. Сколько держать про запас Система также должна учесть сколько держать сверх ожидаемого спроса, чтобы снизить риск дефицита. Здесь важен баланс: запас не должен превращаться в излишки и замороженные в товаре деньги. И наконец прогноз переводится в заказ Но идеальный с точки зрения математики заказ может не пройти по ограничениям: минимальная сумма, палеты, контейнеры, кратность транспорту, вес, объём, бюджет. Плюс разные схемы поставки — напрямую от поставщика, через распределительный центр или транзитом. Система должна учесть всё это и выдать не красивую цифру в отчёте, а рабочую рекомендацию: сколько заказать, когда и каким способом привезти. Ценность системы — в решении задачи бизнеса, а не в прогнозе Система управления запасами не пытается угадать будущее. Она делает другое — помогает вам принять оптимальное решение, когда будущее заранее неизвестно. Не отвечает на вопрос «сколько мы продадим», а считает, какой запас и какой заказ будут разумны с учётом спроса, неопределённости, уровня сервиса, сроков поставки, ограничений поставщика и денег, которые компания готова держать в товаре. Прогноз в этой цепочке нужен. Но платит бизнес в конечном счёте не за прогноз, а за решение, которое на его основе можно принять.

⚡8 правил антикризисного управления запасами: как избежать дефицита и излишков Бизнес всё чаще работает в условиях нестабильности: поставщики срывают сроки, спрос скачет, логистика дорожает, а поведение покупателей меняется. И главный вопрос уже не в том, когда всё снова станет спокойно, а в том, как эффективно управлять запасами в новой реальности. В новом видео разбираем 8 антикризисных правил, которые помогут снизить дефицит, не раздувать запасы и быстрее реагировать на изменения рынка. ▶️ Смотрите новый ролик здесь или на других наших площадках: YouTube Rutube ВКонтакте PeerTube А какие антикризисные подходы уже работают в вашей компании? Поделитесь опытом в комментариях.

Пора проверить, как у вас строится прогноз спроса Раньше во многих компаниях прогнозирование спроса во многом опиралось на прошлые продажи: смотрим историю, учитываем сезонность, корректируем на акции и получаем план. Сейчас такой подход работает хуже. За последние годы спрос стал меняться быстрее: пандемия, перебои в поставках, рост цен, развитие онлайн-каналов, изменение поведения покупателей. В России к этому добавился еще один фактор — сильная перестройка цепочек поставок. Компании меняли маршруты, искали новых поставщиков, переходили на параллельный импорт, заменяли одни бренды и товары другими. И этот процесс до сих пор не завершен. Для прогнозирования это тоже неопределенность. Спрос может быть, но товара нет в наличии. Или товар есть, но срок поставки стал не 30 дней, а 90. Или поставщик изменил минимальную партию заказа. Или привычный бренд ушел, а покупатель переключился на аналог, но не полностью и не сразу. В таких условиях исторические продажи уже не дают полной картины. Если товар плохо продавался, это могло быть связано не с низким спросом, а с перебоями в наличии. Если продажи выросли, это могло быть следствием ухода конкурента или временного дефицита. Если изменилась категория, старые сезонные коэффициенты могут больше не работать. Главная задача — понять, что именно изменилось: это временное отклонение или новая структура спроса. Поэтому хороший прогноз сегодня — это не только статистическая модель. Это сочетание данных, оценки рисков, экспертной оценки и регулярного пересмотра гипотез. Важно учитывать не только историю продаж, но и наличие товара, периоды out-of-stock, новых поставщиков, сроки поставки, MOQ, промо, цены, ассортиментные замены и влияние этих факторов на запасы, уровень сервиса и оборотный капитал. Отдельно важно, что точность прогноза сама по себе не всегда показывает качество планирования. Прогноз может выглядеть приемлемо в отчетах, но при этом приводить к дефициту, излишкам или росту неликвидов. Если прогноз не учитывает эти изменения, компания фактически планирует запасы по рынку, которого уже нет. Поэтому сегодня важно проверять не только сам прогноз, но и процесс, в котором он появляется. Хороший практический шаг — собрать закупки, продажи, логистику, категорийных менеджеров и тех, кто отвечает за планирование. Не для формального согласования цифр, а чтобы разобраться, как компания работает с неопределенностью. Кто вносит изменения в прогноз? На основании чего? Как эти изменения фиксируются? Учитываются ли новые сроки поставки, MOQ, перебои с наличием, замены брендов и изменение поведения покупателей? Отдельный вопрос — учитываются ли риски. Что будет, если поставка задержится, спрос окажется выше ожиданий или аналог не заменит ушедший товар полностью? Видит ли компания такие варианты заранее или реагирует уже после дефицита, излишков и замороженных денег в запасах? Именно здесь начинается современная работа с прогнозированием: не просто рассчитать одну цифру, а понять, какие допущения за ней стоят, кто за них отвечает и как они отражаются на запасах, уровне сервиса и деньгах компании.

8 шагов, которые помогут повысить качество ваших прогнозов На протяжении пятнадцати лет мы совершенствуем наши процессы прогнозирования спроса. За это время мы успели протестировать огромное количество алгоритмов и различных подходов к прогнозированию, общались со многими компаниями и экспертами. И одна из распространенных ошибок при прогнозировании — это сосредоточиться исключительно на модели и формуле, забывая о множестве этапов до и после её выбора. Чтобы избежать ее, делимся алгоритмом, как улучшить качество ваших прогнозов. 1️⃣ Определение цели прогноза Первый шаг — понять, зачем нужен прогноз. Иногда он вовсе не требуется. Например, если запасы пополняются ежедневно, долгосрочный прогноз на двенадцать месяцев не имеет смысла. Необходимо чётко сформулировать задачу, определить, кто несёт за неё ответственность, и какие преимущества даст более точный прогноз. 2️⃣ Сбор и преобразование данных Данные — основа прогнозирования. Важно собрать их корректно и привести к единому формату. Нужен не максимальный объём, а правильные данные. На практике часто можно начать с простого файла Excel — этого достаточно для построения базового прогноза. 3️⃣ Выбор модели После подготовки данных можно переходить к выбору модели прогнозирования. Сложная модель не всегда означает лучший результат. Иногда простые методы дают не меньшую точность, чем продвинутые алгоритмы. Важно понимать, для какой задачи и каких товаров создаётся прогноз. 4️⃣ Учет особенностей ассортимента и событий Следующий шаг — работа с разными типами товаров и активностей. Новые продукты, сезонные пики, акции — всё это требует отдельных подходов. Универсальной модели не существует: для каждой категории нужны свои настройки. 5️⃣ Измерение и улучшение Прогноз — это непрерывный цикл. Его нужно измерять, анализировать и пересматривать. Постоянная обратная связь помогает корректировать модель и повышать точность. Невозможно один раз настроить прогноз и пользоваться им все последующие годы. 6️⃣ Автоматизация процесса Ручные операции забирают много времени. Повторяющиеся действия нужно автоматизировать, чтобы сосредоточиться на анализе и принятии решений, а не на рутинных вычислениях. 7️⃣ Вовлечение команды Качественный прогноз невозможен без совместной работы. Необходимо наладить процесс обмена данными между отделами — закупок, продаж, маркетинга, финансового отдела и др. Задача координатора прогноза — обеспечить поступление корректных данных от всех участников. 8️⃣ Подготовка к будущему Сегодня многие компании переходят к вероятностным прогнозами и машинному обучению. Даже если сейчас вы используете только Excel или ERP‑систему, стоит постепенно изучать новые инструменты — они уже становятся стандартом. Прогнозирование — это не формула, а целостный процесс, включающий цели, данные, коммуникацию, автоматизацию и постоянное улучшение. Но также важно помнить, что сам по себе точный прогноз — это лишь один из инструментов, который помогает оптимизировать запасы. Конечная цель - это подобрать оптимальный баланс товаров, чтобы компания могла минимизировать издержки и получать максимум прибыли.

Как ИИ может помочь быстрее разобрать договор поставщика Еще один практический пример использования ИИ в продолжение к предыдущему посту. Давайте посмотрим, как можно сократить рутину при проверке договора. Цена, отсрочка, штрафы, сроки поставки, MOQ, порядок приемки, возвраты, брак, ответственность, ЭДО, персональные данные, маркировка, условия расторжения — всё это может быть написано нормально, а может быть спрятано в формулировках, которые потом создадут проблемы в поставках, оплате или претензионной работе. Здесь ИИ полезен как инструмент первого прохода по договору. Но лучше не давать задачу в формате “прочитай договор и скажи, можно ли подписывать”. Это слабая постановка задачи. Лучше работать иначе: сравнить договор поставщика с вашим шаблоном и playbook, найти отличия, оценить серьезность и подготовить черновик правок. Например, ИИ может пройти по каждому разделу и показать: 🔹 условие совпадает с нашим шаблоном; 🔹 условие отличается; 🔹 условие отсутствует; 🔹 отклонение низкого, среднего или высокого риска; 🔹 на что оно влияет — закупки, логистику, оплату, качество, данные, безопасность; 🔹 какую редакцию можно предложить поставщику; 🔹 кому нужно эскалировать вопрос. И это уже ускорит процесс и облегчит задачу. Закупщик быстрее видит, где договор можно обсуждать в обычном порядке, а в каких моментах нужно подключить юриста, финансы, безопасность или службу проверки качества. И другие отделы, когда получают уже размеченный список отклонений, сразу видят спорные моменты и могут быстрее дать ответ. Например, поставщик меняет формулировку по срокам поставки: 🔹 было “поставка в течение 5 рабочих дней с даты заказа”, 🔹 стало “поставка ориентировочно в течение 5 рабочих дней при наличии товара на складе поставщика”. Для закупок это серьезная корректировка. Такая фраза может превратить твердый срок в необязательное обещание. ИИ может подсветить это как отклонение высокой важности: влияет на lead time, риск дефицита, расчет точки заказа и уровень страхового запаса. Или другой пример: в договоре нет четкого порядка компенсации брака. Для юриста это один пункт договора. Для закупок и логистики — риск зависших претензий, лишних остатков и повторных споров с поставщиком. Но здесь важно учесть: ИИ хорошо работает там, где у компании есть нормальный шаблон договора и понятные правила проверки. Если у каждой категории свой исторический файл, условия собираются из старых договоров, а критерии “что приемлемо, а что нет” нигде не зафиксированы, ИИ не наведет порядок сам. Он просто быстрее перескажет хаос. Поэтому лучший порядок такой: 1️⃣сначала — единый шаблон договора и базовые условия; 2️⃣затем — playbook по ключевым условиям; 3️⃣после этого — ИИ для сравнения, поиска отклонений и подготовки redline; 4️⃣ и только потом — согласование с нужными участниками. В таком сценарии ИИ сокращает время на первичный разбор, но конечно не ответственность.

Как ИИ помогает закупщику лучше провести переговоры с поставщиком Хорошие переговоры начинаются с подготовки встречи. ИИ здесь может стать хорошим помощником. Он может быстро собирать переговорную позицию: вытащить факты из истории закупок, поставок, претензий, переписки, прайсов, КП и договоров. А дальше превратит этот набор данных в понятный план разговора. Практический сценарий может выглядеть так: 1️⃣ Сначала ИИ собирает историю по поставщику: объемы, цены, изменения условий, задержки, недопоставки, претензии, спорные документы, качество реакции на проблемы. Например: 🔹 за 6 месяцев было 12 задержек по поставкам; 🔹 по группе А среднее отклонение от срока — 4 дня; 🔹 по трем SKU из-за задержек возникал риск дефицита; 🔹 цена выросла на 8%, хотя объем закупки не снижался; 🔹 по двум претензиям поставщик отвечал дольше согласованного срока; 🔹 при этом по части ассортимента поставщик остается критичным, потому что быстрых альтернатив нет. 2️⃣ Потом выделяет рычаги. Где сильная позиция у нас: объем, регулярность заказов, возможность перераспределить часть закупки, накопленные претензии, нарушение SLA. Где сильная позиция у поставщика: уникальный товар, короткий lead time, ограниченное число альтернатив, зависимость по ходовым SKU. 3️⃣ Готовит карту условий. Не только “какую скидку просить”, а что вообще можно обсуждать: 🔹 цену; 🔹 отсрочку платежа; 🔹 MOQ; 🔹 кратность заказа; 🔹 срок поставки; 🔹 приоритетную отгрузку в период дефицита; 🔹 компенсацию брака; 🔹 условия возврата неликвида; 🔹 штрафы за срыв сроков; 🔹 фиксирование цены на период. 4️⃣ После этого ИИ помогает собрать матрицу уступок: что для нас принципиально, где можно торговаться, что можно отдать в обмен на более важное условие. Например, не просто просить “скидку 5%”, а зайти с более сильной позицией: “По цене мы готовы обсуждать не максимальное снижение, если поставщик фиксирует lead time, дает приоритетную отгрузку по A-SKU и берет на себя обязательство по компенсации при повторной задержке”. Получается уже не простая просьба “сделайте дешевле”. Это переговоры об общей экономике поставки. ИИ здесь помогает быстрее увидеть эту картину и подготовить аргументы. Для торговли и дистрибуции это особенно важно. Самая низкая закупочная цена не всегда означает лучшие условия. Если поставщик дешевле, но регулярно срывает сроки, создает дефицит и заставляет держать повышенный страховой запас, фактическая стоимость работы с ним может быть выше. Такой подход – это уже сильное применение ИИ в закупках. В результате закупщик тратит меньше времени на подготовку и чаще обсуждает не только цену, а реальные условия, которые влияют на запас, сервис и деньги компании.

Можно ли написать систему управления запасами с помощью ИИ? Искусственный интеллект развивается очень быстро: пишет код, помогает собирать аналитику, запускает агентов и берёт на себя задачи, которые ещё недавно требовали участия целой команды. На этом фоне вполне закономерно возникает вопрос: если ИИ уже настолько продвинулся, зачем покупать готовую систему управления запасами? Может быть, он способен написать такую систему сам? Этот вопрос нельзя просто отбросить. Он действительно актуален, особенно сейчас, когда возможности ИИ выглядят всё шире. Поэтому мы подготовили статью на эту тему и разобрали, что реально можно сделать с помощью ИИ уже сегодня, а где пока остаются серьёзные ограничения. В статье рассматриваем, насколько сейчас возможно полностью поручить ИИ разработку, внедрение и дальнейшее обслуживание системы управления запасами. Спойлер: на практике это пока скорее утопия. Но ситуация не такая однозначная: ИИ уже может быть полезен в отдельных этапах разработки и работы с такими системами.

Как понять, насколько эффективно вы управляете запасами? Почти в каждой компании есть знакомый набор симптомов: по одним позициям дефицит, по другим излишки; оборотные деньги застревают в запасах; закупки ведутся непрозрачно; есть ощущение, что можно лучше — но непонятно, насколько. Вопрос в том, как перейти от ощущений к цифрам. Для этого мы проводим исследование на ваших данных. Идея простая. Мы берём вашу реальную историю заказов и с помощью Forecast NOW! моделируем, как те же закупки выглядели бы, если бы их рассчитывала система. А потом сравниваем: как заказывали вы — и как заказала бы система. Разницу показываем в деньгах и в показателях запасов. В основе расчёта — современный подход: система не угадывает спрос одним числом, а просчитывает вероятные сценарии и моделирует всю цепочку поставок целиком в один проход. Такой расчёт ближе к реальности — он учитывает и то, что спрос непредсказуем, и то, что заказы, склады и сроки поставок связаны между собой, а также, что при расчетах стоит учитывать большое количество факторов риска. Что вы получаете на выходе: 🔹 оценку, есть ли потенциал для роста эффективности — и насколько он велик; 🔹 расчёт, сколько компания могла бы высвободить из запасов и сколько дополнительно заработать; 🔹 сравнение текущих результатов с возможными — по прибыли, оборачиваемости, дефициту и излишкам. Если окажется, что вы уже управляете запасами близко к оптимуму, мы так и скажем — потенциал небольшой. Это не презентация ради продажи, а расчёт на ваших цифрах. Исследование будет полезно, если вы: 🔹 сталкиваетесь с дефицитом и перезатариванием одновременно; 🔹 хотите высвободить оборотные средства; 🔹 ищете, как снизить ручной труд в планировании; 🔹 хотите понять, есть ли куда расти. Процесс занимает около 2–3 недели и дает на выходе отчет со сравнением текущих результатов и возможных. 👉 Подробнее о том, как проходит исследование, читайте по ссылке.

Forecast Value Added: ваш прогноз приносит пользу — или просто отнимает время? В последнее время мы много говорим про ИИ. Давайте поговорим про более привычную, но не менее актуальную тему — про точность прогноза. Логика в большинстве компаний обычно такая: чем больше мы вкладываем в прогноз — привлекаем экспертов, обсуждаем, вносим корректировки в несколько этапов — тем он точнее и полезнее. На практике часто бывает ровно наоборот. Проверить это помогает метрика Forecast Value Added (FVA) — «добавочная ценность прогноза». Идея простая: сравнить ваш прогноз с самым примитивным, «наивным». Наивный прогноз — это когда мы просто берём продажи прошлого периода и говорим: «в следующем будет столько же». . Вопрос FVA звучит так: "а ваш «умный» прогноз вообще будет лучше?" Как считать Есть несложный метод FVA-анализа, который популяризировал Майкл Гиллиланд из SAS (White Paper SAS «Forecast Value Added Analysis, Step by Step»). Он заключается в том, что мы берём ошибку прогноза (например, MAPE) на одном периоде в двух вариантах: 🔹 ошибка наивного прогноза; 🔹 ошибка вашего процесса (модель + ручные правки). FVA = ошибка наивного − ошибка вашего процесса 🔹 Положительное значение — шаг добавил ценность. 🔹 Отрицательное — вы потратили время и сделали прогноз хуже, чем если бы не делали ничего. Считать можно поэтапно, например: наивный прогноз → статистическая модель → правки аналитика. Так сразу видно, какой шаг реально добавляет ценность, а какой её съедает. Зачем это нужно 🔹 Видеть, какие шаги в процессе работают, а какие — скорее просто сложившиеся правила. 🔹 Перестать тратить время людей на правки, которые делают только хуже. 🔹 Отвечать на вопрос «а зачем нам эта модель?» цифрой, а не на ощущениях. Но тут важно не просто мерить, как повысилась точность, как это повлияло на прибыль и эффективность управления запасами в целом. Хорошая иллюстрация — анализ на данных соревнования M5. Это крупное международное состязание по прогнозированию на реальных продажах Walmart, которой проходило в 2020 году. На этих данных смоделировали 9,4 млн сценариев и проверили: влияет ли рост точности прогноза на экономику запасов? Результат оказался неоднозначным: 🔹 в 80% случаев более точный прогноз вообще не улучшил экономику; 🔹 лишь в 12,6% — улучшил и оправдал вложения; 🔹 а в 7,3% — даже ухудшил показатели. Поэтому правильный вопрос не «добавили ли мы точности», а «добавили ли мы ценности решению»: сколько заказать, когда и куда, с учётом рисков и ограничений. Прогноз — не самоцель, а сырьё для правильного решения по запасам.

Где ИИ в закупках уже полезен с первого дня В продолжение прошедшего вебинара, рассмотрим, как можно быстро начать применять ИИ в управлении запасами. С самого начала не нужно стоить больших сценариев. На практике первые рабочие применения обычно гораздо проще и именно поэтому они полезны. Самый быстрый эффект ИИ может дать там, где снимет рутинную подготовительную работу: собрать информацию, привести данные в нормальный вид, сравнить варианты, подготовить черновик решения и показать, где нужно внимание человека. Для закупщика, который каждый день работает с почтой, Excel, коммерческими предложениями, спецификациями, договорами и согласованиями, именно в таких задачах часто теряется много времени. Например, пришло три предложения от поставщиков в разных форматах. Один прислал PDF, другой - Excel, третий - текст в письме. ИИ может быстро вытащить из них цену, срок поставки, MOQ, условия оплаты, ограничения по отгрузке и собрать первичное сравнение. Еще один сценарий - коммуникация с поставщиками Закупщику нужно уточнить сроки, получить подтверждение заказа, напомнить о просрочке или запросить альтернативу по позиции, которая рискует уйти в дефицит. ИИ может быстро превратить рабочую ситуацию в нормальный текст: без лишней эмоциональности, с понятным запросом, сроками и фиксацией обязательств. Отдельное направление - первичный разбор документов ИИ может помочь подготовить черновик, сравнить условия контрактов, найти нестандартные пункты, подсветить автопродление, штрафы, ограничения ответственности, спорные условия оплаты или поставки. Но здесь важно не путать первичный анализ с финальным решением. ИИ может подсветить риски, а вывод должны делать закупки, юристы и финансы. Еще один вариант применения - анализ запасов и пополнения ИИ может помочь подсветить проблемные места, требуемые внимания: 🔹по каким SKU растет риск дефицита; 🔹где поставщик задерживает поставку; 🔹где продажи выбились из обычного ряда; 🔹где запас уже становится избыточным; 🔹где заказ "как в прошлый раз" может привести к ошибке. Нужно понимать, что хороший старт - это не попытка сразу подключить ИИ ко всем системам и автоматизировать закупку целиком. Начинать лучше с относительно безопасных сценариев: 🔹письма и follow-up поставщикам; 🔹сравнение КП и котировок; 🔹черновики документов; 🔹первичный разбор договоров; 🔹сводки встреч и длинной переписки; 🔹нормализация Excel и CSV-выгрузок; 🔹объяснение отклонений по спросу, срокам поставки и остаткам. Общее правило простое: чем ближе ИИ к финансовому обязательству, тем больше контроля должно оставаться у человека. Письмо, сводка, сравнение, черновик, подсказка, список рисков - хорошие задачи для первого этапа. Автоматическое подтверждение заказа, выбор поставщика или отправка закупочного документа без согласования - уже другой уровень риска.

Запись вебинара "Как использовать ИИ в управлении запасами" Во вторник мы провели вебинар "Как использовать ИИ в управлении запасами". На нем разобрали общие принципы использования ИИ: конкретные инструменты, в чем их различие, как составлять промпты и давать нужный контекст, почему не нужно полностью доверять результатам, а также поговорили о важных аспектах, связанных с безопасностью. Во второй части рассмотрели конкретные кейсы, как специалисты могут использовать ИИ в своей работе. Выкладываем запись: Смотреть на сайте fnow.ru Cмотреть на Youtube Смотреть в VK Видео

❗️Через час, в 12:00, начинаем вебинар «Как использовать ИИ в управлении запасами» На вебинаре разберем, как использовать ИИ в ежедневной работе специалиста по закупкам — без сложной технической подготовки и внедрения дорогостоящих проектов. Покажем, как ИИ может помогать в типовых задачах. Присоединяйтесь по ссылке: https://pruffme.com/landing/u707573/kak-ispolzovat-ii-v-upravlenii-zapasami

В кризис компании часто теряют деньги не на продажах, а на запасах. Когда прибыль начинает снижаться, внимание руководства обычно переключается на выручку, маркетинг и работу отдела продаж. Это вполне логично. Но на практике деньги нередко начинают уходить гораздо раньше — в момент принятия решений о закупках. Проблема обычно выглядит одинаково: одних товаров на складе слишком много, а других постоянно не хватает. В результате компания одновременно замораживает оборотный капитал в медленно оборачивающихся остатках и теряет продажи из-за дефицита ходовых позиций. В периоды нестабильности эта проблема становится особенно заметной. Спрос меняется быстрее, стоимость денег растёт, а ошибки в управлении запасами обходятся значительно дороже, чем в спокойные времена. В новой статье разбираем: 🔹 почему полные склады далеко не всегда означают финансовое благополучие; 🔹 как компания может одновременно сталкиваться и с дефицитом, и с излишками товаров; 🔹 почему закупки по принципу «возьмём побольше на всякий случай» часто только усугубляют ситуацию; 🔹 какие признаки указывают на то, что запасами управляют скорее интуитивно, чем системно; 🔹 что стоит изменить в подходах к управлению запасами, когда рынок становится менее предсказуемым.

📦 Неликвиды на складе: как найти, вывести и не закупать лишнее снова Неликвиды — это не просто товары, которые «пока не продаются». Это замороженные деньги, занятое складское пространство и постоянные расходы на хранение. В новом видео разбираем, как системно работать с неликвидными остатками. Рассказываем: 🔹 что такое неликвид и чем он отличается от сверхзапаса; 🔹 как определить критический срок хранения товара; 🔹 какие данные нужны для диагностики неликвидов; 🔹 что делать с зависшими позициями; 🔹 как автоматизация закупок и прогнозирование спроса помогают снижать неликвиды и избегать лишних закупок в будущем. Видео будет полезно закупщикам, руководителям складов, коммерческим директорам и всем, кто отвечает за управление запасами. 🎥 Смотрите новый ролик здесь или на других наших площадках: YouTube Rutube ВКонтакте PeerTube А как вы работаете с неликвидами на складе? Делитесь опытом в комментариях. И поставьте реакцию на пост, если тема для вас актуальна.

От хайпа к реальности: про ИИ в прогнозировании спроса Недавно на сайте demand-planning.com вышла интересная статья по итогам конференции IBF AI EDGE в Скоттсдейле — одного из крупнейших мероприятий по demand planning, forecasting и S&OP. На конференции собрались руководители supply chain, demand planners, data scientists и представители компаний вроде Microsoft, Unilever, Niagara Bottling, Clarios и других. Обсуждали не «ИИ будущего», а практичные вопросы: что из искусственного интеллекта в планировании реально работает уже сейчас, а что пока остается маркетингом. Главный вывод статьи получился довольно приземленным: ИИ не “чинит” плохие процессы и не заменяет специалистов. Он скорее усиливает текущее состояние компании — и хорошие процессы, и плохие. Один из участников конференции даже пошутил: «Некоторые компании используют обычное экспоненциальное сглаживание и называют это ИИ, просто чтобы порадовать руководство». И в этом есть доля правды. Многие организации пока находятся намного дальше от “автономного планирования”, чем кажется по презентациям вендоров. Что сейчас реально работает ИИ для объяснения прогнозов Не просто «прогноз изменился на 12%», а объяснение — почему это произошло, какие факторы повлияли и что с этим делать. Именно это сейчас дает бизнесу наиболее понятную ценность. Использование ИИ как помощника, а не “автономного планировщика” Компании двигаются к модели, где ИИ помогает разбирать исключения, анализировать отклонения и ускорять принятие решений, но не заменяет полностью специалистов. Связка прогноза с бизнес-решениями Очень важный тезис от Niagara Bottling: «Прогноз без контекста — просто число». Сама по себе точность прогноза мало что дает, если компания не умеет превращать прогноз в решения по закупкам, производству и запасам. Последовательное развитие ИИ Сначала аналитические модели, потом генеративный ИИ, и только потом — ИИ-агенты. Попытка сразу перепрыгнуть к “автономным агентам” без нормальных данных и процессов обычно заканчивается красивым пилотом без реального эффекта. Еще один показательный кейс: одна из компаний получила улучшение точности прогноза с помощью AI-модели, но отказалась от внедрения. Причина — процессы управления запасами были не готовы к изменениям, а значит улучшение прогнозов не превратилось бы в деньги. На практике это очень похоже на то, что многие видят и в управлении запасами: проблема часто не в отсутствии “умного ИИ”, а в качестве данных, дисциплине процессов, логике управления ассортиментом и связи между подразделениями. Сейчас ИИ действительно начинает приносить пользу в планировании, но скорее как инструмент усиления зрелых процессов, а не как магическая кнопка «починить планирование».