Управление запасами и прогнозирование спроса

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».

ИИ в закупках уже активно меняет повседневную операционную работу специалистов. Многие задачи, на которые раньше уходили часы, теперь можно делать значительно быстрее. Но самостоятельно разобраться в обилии возможностей сейчас сложно. На практике главный вопрос обычно в том, чтобы понять, где ИИ действительно экономит время, а где создает красивые, но бесполезные решения. 2 июня в 12:00 (МСК) на бесплатном вебинаре разберем практические сценарии использования ИИ в закупках и управлении запасами. Без сложных IT-проектов и “магии нейросетей”. Поговорим: 🔹 как ускорять обработку документов и анализов; 🔹 как автоматически структурировать данные; 🔹 как использовать ИИ для отчетов, писем и рабочих коммуникаций; 🔹 как быстрее сравнивать предложения поставщиков и контролировать сроки поставок; 🔹 где ИИ помогает в ежедневной работе закупщика уже сейчас. Будет много практики, примеров и разборов реальных задач из закупок и supply chain. Зарегистрироваться

Оборачиваемость товарных запасов по отраслям Мы часто говорим о важности отслеживания ключевых показателей эффективности. Один из способов понять, насколько хорошо вы управляете запасами, — это сравнение с бенчмарками рынка. Собрали для вас статистику оборачиваемости разных отраслей торговли за прошедшие года. Данные по компаниям из США. В РФ, к сожалению, такую статистику найти не удалось. Но тем не менее эти данные можно использовать, как бенчмарки. Если вы знаете, где можно найти такую статистику по РФ, напишите в комментариях. Отрасли: - Стройматериалы и инструменты - Автозапчасти - Аптечные сети - Косметика и парфюмерия - Электроника и бытовая техника - Мебель и фурнитура - Продуктовый ритейл (супермаркеты) - Алкогольные напитки - Товары для дома Оборачиваемость указана в разах в год. Совпадает ли с вашими показателями? Поделитесь в комментариях.

Excel — отличный инструмент для управления запасами. Но у него есть предел📈 В какой-то момент бизнес начинает тратить на поддержку таблиц больше ресурсов, чем получает от их использования . В новом видео разбираем 6 признаков, что Excel уже не справляется с управлением запасами. А вы используете Excel? На каком этапе он ещё справляется, а где уже создаёт сложности?Напишите в комментариях.

Что умеет ИИ в прогнозировании спроса — и чего нет «Используем Excel для расчетов. Нам нужно прикрутить ИИ для прогнозов» или «Ищем решение для прогнозирования спроса на основе ИИ/ML» — такие запросы мы в последнее время видим регулярно. При этом за ними редко стоит понимание, как именно работают нейросети в задачах прогнозирования и с какими ограничениями приходится сталкиваться на практике. Информационное поле сейчас перегружено новостями и материалами про нейросети. Появляется огромное количество кейсов и статей, где ИИ применяют для самых разных прикладных задач. На этом фоне легко возникает ощущение, что такие инструменты способны решить практически любую проблему — достаточно «подключить ИИ». Но в задачах прогнозирования спроса всё устроено заметно сложнее. Когда говорят про ИИ, чаще всего имеют в виду LLM (Large Language Models — большие языковые модели): такие как ChatGPT, Claude, DeepSeek и другие. Именно они сегодня находятся в центре внимания и формируют основную повестку. LLM действительно хорошо работают с текстами: помогают искать и анализировать информацию, объяснять сложные вещи, поддерживать пользователей в диалоге. В этих задачах они показывают быстрый и заметный результат. Однако прямое прогнозирование спроса — это другой тип задачи. Здесь LLM обычно не являются основным и тем более самым надежным инструментом. Для таких задач чаще используют специализированные статистические или ML-модели, которые изначально создавались именно для работы с временными рядами и числовыми данными. Поэтому важно не смешивать эти два класса инструментов. LLM и модели прогнозирования решают разные задачи, и подмена одного другим приводит к завышенным ожиданиям и ошибочным решениям. В статье разбираем, какие модели вообще используются в прогнозировании спроса, что из этого действительно применимо в бизнесе и с какими ограничениями неизбежно придётся столкнуться.

Чем опасен дефицит товара? Дефицит товаров обычно не так заметен, как излишки или неликвиды на складах. Но отсутствие нужного товара в наличии – это не просто упущенная продажа, а реальная потеря прибыли и риска потери клиентов. Давайте разберёмся, во что обходится дефицит товаров бизнесу. Считаем потери Допустим, товарооборот вашей компании — 150 млн руб. в месяц. Дефицит всего 1% означает потерю продаж 1 500 000 руб. ежемесячно. Если дефицит 2%, то недопродажа составит уже 3 млн руб. в месяц, а за год более 15 млн. рублей. Как дефицит снижает прибыль Допустим, вы сократили нехватку товаров на 1%. Это сразу даст +1 500 000 руб. к продажам в месяц. При маржинальности 30% ваша дополнительная прибыль составит 450 000 руб. ежемесячно или 5,4 млн руб. в год. Если сократить дефицит на 2%, дополнительная прибыль достигнет более 10 млн. в год. Как измерять дефицит? Один из самых распространенных методов расчета OOS воспользоваться формулой: Количество товаров с нулевым остатком ÷ Общее количество складских товаров × 100% Но лучше всего считать показатель уровня сервиса второго рода (fill rate). Что делать? Оптимизируйте закупки, анализируйте причины дефицита и улучшайте прогнозирование спроса. Это позволит увеличить прибыль без дополнительных вложений в привлечение клиентов. Проверьте, сколько вы теряете на дефиците, – цифры вас могут удивить!

Чем опасен дефицит товара? Дефицит товаров обычно не так заметен, как излишки или неликвиды на складах. Но отсутствие нужного товара в наличии – это не просто упущенная продажа, а реальная потеря прибыли и риска потери клиентов. Давайте разберёмся, во что обходится дефицит товаров бизнесу. Считаем потери Допустим, товарооборот вашей компании — 150 млн руб. в месяц. Дефицит всего 1% означает потерю продаж 1 500 000 руб. ежемесячно. Если дефицит 2%, то недопродажа составит уже 3 млн руб. в месяц, а за год более 15 млн. рублей. Как дефицит снижает прибыль Допустим, вы сократили нехватку товаров на 1%. Это сразу даст +1 500 000 руб. к продажам в месяц. При маржинальности 30% ваша дополнительная прибыль составит 450 000 руб. ежемесячно или 5,4 млн руб. в год. Если сократить дефицит на 2%, дополнительная прибыль достигнет более 10 млн. в год. Как измерять дефицит? Один из самых распространенных методов расчета OOS воспользоваться формулой: Количество товаров с нулевым остатком ÷ Общее количество складских товаров × 100% Но лучше всего считать показатель уровня сервиса второго рода (fill rate). Что делать? Оптимизируйте закупки, анализируйте причины дефицита и улучшайте прогнозирование спроса. Это позволит увеличить прибыль без дополнительных вложений в привлечение клиентов. Проверьте, сколько вы теряете на дефиците, – цифры вас могут удивить!