Управление запасами и прогнозирование спроса

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!

О чём этот канал Новые люди подписываются на канал, поэтому подробнее хотим рассказать о нашем сообществе в телеграм. Мы - команда Forecast NOW! Занимаемся разработкой системы управления запасами и прогнозирования спроса. Мы исследуем и тестируем практики со всего мира, постоянно ищем способы, как бизнесу повысить свою эффективность. Когда мы начинали в 2011 году, то на русском языке было очень мало информации об управлении товарными запасами. Именно поэтому мы начали вести блог на сайте, записывать видео, делать всевозможные гайды и проводить вебинары. Всеми этими материалами мы делимся здесь. Популярные посты на канале Видео по управлению запасами: - Как рассчитать заказ поставщику - RFM Анализ в закупках - XYZ Анализ ассортимента - VEN Анализ ассортимента - Как сократить избыточные запасы - Метод экспоненциального сглаживания (ES) - Метод средней взвешенной (по Шрайбфердеру) - Расчет прогноза по среднему (SMA) - Нужно ли отдельно считать страховой запас? - Модели управления запасами - Факторы, которые надо учитывать при прогнозировании спроса - Как нейронные сети работают в ритейле - OTIF в логистике и закупках - Как использовать FMR анализ - Как повысить оборачиваемость - Как оценить эффективность управления запасами - Как рассчитать коэффициент сезонности Записи вебинаров: - Точность прогнозирования: как рассчитать и использовать в работе - Ключевые показатели эффективности управления запасами - Как прогнозировать сезонность и промо без дефицита и неликвидов - Как подготовить историю продаж, чтобы получить корректный прогноз спроса - Практика управления ассортиментом - Как сэкономить на страховом запасе без потери продаж - 10 рекомендаций, как взять под контроль товарные запасы в компании - Работа с поставщиками: анализ, оценка и планирование заказов - Человек VS автоматизированная система в управлении запасами - Как пройти новогодний сезон без дефицита и неликвидов - IBP или S&OP: что подойдет вашей компании? - Как оценить эффективность системы управления запасами: аудит и улучшение процессов - Управление товарными запасами в условиях постоянных рисков и дефицита - Сверхзапас и дефицит по разным группам товаров: почему возникает и в чем сложность прогнозирования Посты про нюансы управления запасами: - Почему несогласованность между отделами - это одна из самых острых проблем - Недостатки управления запасами в Excel - Почему вы не сможете найти на 100% подходящее решение для управления запасами - Как ставить цели по SMART в управлении запасами - Как подготовиться к изменениям в управлении товарными запасами - Связь точности прогнозирования и экономической эффективности - На что ориентироваться, если точность прогнозирования не влияет на экономическую эффективность - Точность прогноза - дорогая иллюзия для компании - Почему нужно сразу рассчитывать заказ, не прогнозировать отдельно спрос и запас - Как прогнозировать спрос на новые товары - Статистика оборачиваемости товаров по разным отраслям - Распространенные ошибки при отслеживании времени выполнения заказа - Что такое мультиэшелонная оптимизация запасов - Преимущества мультиэшелонной оптимизации запасов - 7 неочевидных рекомендаций как выбрать систему управления запасами - Какая нейросеть подходит для прогнозирования спроса - Как оценить структуру запасов в компании - Почему нужно планировать уровень сервиса - Преимущества вероятностных прогнозов - Финансово рисковая модель. Как она помогает принимать решения - Тонкости применения ABC-анализа - Проблемы планирования заказов с длинными плечами поставок - Исследование о влияния ручных корректировок на точность прогноза - Цифровой двойник цепочки поставок. Как видеть проблемы до их появления Руководства: - Как сэкономить на страховом запасе - Как подготовиться к изменениям в управлении товарными запасами - Как подготовить компанию к внедрению системы управления запасами - Как выбрать систему управления запасами - Как управлять запасами в условиях постоянных рисков и неопределенности

Повышаем качество планирования запасов и прибыль торговых компаний Один из способов улучшить показатели бизнеса и повысить эффективность работы сотрудников — внедрение специализированной системы управления запасами. Так как помимо образовательной деятельности мы разрабатываем ПО, хотим рассказать подробнее про нашу программу. Forecast NOW! — это программа для автозаказа, оптимизации запасов и прогнозирования спроса. Она подходит как для небольших торговых компаний с одним складом, так и для крупных федеральных сетей. Какие задачи решает программа? 🔹 Сокращает излишки и дефицит товаров. Обычно эти проблемы наблюдаются одновременно по разным группам товаров. 🔹 Повышает точность прогнозирования. В программе используются вероятностные модели совместно с мультиэшелонным моделированием запасов по всей цепи поставок. 🔹 Оптимально распределяет товары по складам и магазинам. Запасы перемещаются с учётом затрат, разниц цен, спроса, загруженности транспорта и других параметров. 🔹 Снижает нагрузку на сотрудников за счёт автоматизации рутинных процессов. Автоматизируются прогнозы, расчёт заказов, распределение товара по транспортным средствам, перемещения между филиалами и многие другие процессы. 🔹 Повышает эффективность работы с промоакциями и сезонными товарами. Автоматизирует расчёт промо и сезонности, оценивает их влияние на спрос. 🔹 Делает управление запасами прозрачным. Глубокая аналитика показывает динамику прибыли компании и эффективность управления запасами. Доступны расчёты различных сценариев для принятия обоснованных решений. С какими отраслями мы работаем? Практически со всеми — от продуктов питания до сложного промышленного оборудования. На нашем сайте представлены разнообразные кейсы. Исключение, где программа вряд ли будет полезна, — это индустрия fashion-товаров, характеризующаяся частой сменяемостью ассортимента. Краткий обзор возможностей программы можно посмотреть здесь. Также мы можем провести для вас индивидуальную демонстрацию и показать, как программа может решить именно ваши задачи. Заявку на демонстрацию можно оставить на нашем сайте fnow.ru.

Какая нейросеть подходит для прогнозирования спроса? Частый запрос от компаний – поиск решения для прогнозирования спроса на основе ML/AI. Как правило он появляется из-за обилия новостей и кейсов автоматизации с помощью ИИ. И если сильно не вникать и не разбираться, то это выглядит так, что можно достаточно быстро и относительно недорого собрать какое-то решение, которое окажется эффективным. Но все как обычно кроется в деталях. Давайте разбираться, что к чему. Когда говорят про ИИ, чаще всего имеют в виду LLM (Large Language Models — большие языковые модели), такие как ChatGPT, Claude, Deepseek и другие. На текущий момент эти модели активно развиваются, и подавляющее большинство новостей связано именно с ними. Однако помимо LLM существуют специализированные нейросети, предназначенные для прогнозирования временных рядов. К современным моделям этого класса относятся, например, Chronos (Amazon), TimesFM (Google), Moirai (Salesforce), TimeGPT (Nixtla) и другие. Важно не смешивать LLM и специализированные модели прогнозирования, так как они решают разные задачи. LLM хорошо подходят для работы с текстами: поиска и анализа информации, объяснений и помощи пользователям. Однако в задачах прямого прогнозирования спроса они обычно не являются основным и наиболее надёжным инструментом; для этого чаще применяют специализированные статистические или ML-модели. Это можно сравнить с использованием легкового автомобиля для перевозки строительных материалов: в принципе возможно, но неэффективно. Для таких задач лучше использовать специализированный транспорт. За последние годы LLM значительно продвинулись вперёд, в том числе за счёт снижения количества галлюцинаций благодаря обучению на огромных объёмах данных и взаимодействию с большим числом пользователей. Специализированные модели временных рядов развиваются по другой траектории и решают более узкий класс задач. Их качество сильнее зависит от структуры данных, объёма истории, наличия внешних признаков и характера спроса; при разреженных продажах и нестабильных паттернах прогноз может быть менее устойчивым. Ключевой тренд в современных моделях прогнозирования — переход от точечного прогноза к оценке неопределённости: квантилям, интервалам и вероятностным распределениям. Соответственно, если вы хотите прогноз на основе ИИ, то вам нужно обратить внимание на специализированные нейросетевые модели для прогнозирования. Но при этом не нужно забывать о требования к данным. Об этом мы писали в одном из прошлых постов. Иначе, подавая, на вход мусор, такой же результат вы получите на выходе. Также эти модели достаточно сложны в настройке и требуют хороших специалистов по ИИ, которые понимают принципы работы. А они сейчас востребованы во многих отраслях и стоят дорого. Ну и нужно помнить, что такие алгоритмы как правило дают только прогноз. А есть еще огромный пласт процессов - расчет заказов, моделирование остатков, учет ограничений поставщиков, факторов неопределенности, балансировка запасов и т.д.

Как понять, под чей спрос вы держите запас, и почему это критично для закупок? 📦 В новом видео разбираем RFM-анализ — инструмент, который обычно относят к маркетингу, но на практике он может серьёзно усилить управление запасами . На простом примере с цифрами показываем, как работает RFM-анализ и как применять его в закупках 📊 Разбираем: ▪️как сегментация клиентов помогает понять, где нужно держать высокий уровень запаса, а какие позиции разумнее перевести под заказ ▪️как связать клиентскую аналитику с товарной, чтобы сократить излишки, снизить дефицит и точнее принимать решения по запасам ▪️ какие ошибки чаще всего мешают использовать этот подход в работе.  Если хотите, чтобы запас работал на реальные продажи, а не на усреднённый спрос, это видео точно стоит посмотреть Если тема интересна, дайте знать реакцией👍

Как перестать терять деньги на запасах: 10 практических рекомендаций Склад переполнен, но нужного товара всё равно нет? Деньги заморожены в запасах, а дефицит продолжает возникать? Это одна из самых частых проблем в управлении запасами — и она напрямую стоит бизнесу денег. Подготовили 10 рекомендаций, которые помогут взять ситуацию под контроль. 1. Не доверяйте рекомендациям на слово. Сейчас есть множество рекомендаций в интернете и даже профессиональной литературе. Все советы и рекомендации нужно проверять на применимость к вашей отрасли, понимать, есть ли экономическое обоснование и можно ли оценить экономическую эффективность. 2. Четко определяйте терминологию и способы расчета показателей: сверхзапасы, оборачиваемость, рентабельность, упущенная прибыль и т.д. Между сотрудниками и отделами не должно быть разных трактовок. 3. Ставьте измеримые, достижимые, значимые и конечные цели. Цель должна быть понятна всем отделам. 4. Проверяйте систематизацию данных. Все данные (промо, условия поставки и т.д.) должны учитываться и заноситься в единую систему. Нужно регулярно следить, чтобы всё, с чем работают закупщики, не оставалось только у них в голове или на их компьютерах. 5. Прежде, чем предлагать решения, нужно провести детальный анализ ассортимента и бизнес-процессов. Вы должны понимать весь процесс управления запасами, от поиска поставщиков до отгрузки на склад и распределения в магазины, - как именно это происходит, кто за какие задачи отвечает. 6. Синхронизируйте работу и цели отделов. Сотрудники разных отделов не должны иметь противоположные цели, как это часто бывает. Необходимо также обеспечить обмен информацией между отделами. 7. Не увлекайтесь ранжированием товаров. Чем больше у вас категорий товаров, тем сложнее ими управлять. За основу можно взять проверенный ABC-анализ и при необходимости модифицировать его. 8. Предлагаемые изменения желательно промоделировать. Это поможет без ущерба понять, что будет, если, например, измените частоту заказов или сезонные коэффициенты. 9. Старайтесь оценивать всё в деньгах — сколько вы потеряете из списаний и хранения, сколько можете потерять из-за дефицита и т.д. Например, увеличение уровня сервиса на 1-2% может потребовать существенно больше хранить продукции на складе. И здесь важно понимать, сколько это будет стоить и будет ли рентабельно для компании. 10. Отслеживайте достижение целей на постоянной основе.

За последние несколько лет мы регулярно наблюдаем одну и ту же ситуацию. Компании приходят на рынок с задачей выбрать подходящую систему управления запасами. Делают всё как надо: анализируют решения, проводят сравнения, пилоты, обсуждают с подрядчиками… но в итоге так и не находят вариант, который им бы подошел. При этом на рынке достаточно много решений для планирования запасов: IBP, SCM системы, программы для прогнозирования спроса и запасов, а также универсальные BI/CPM и другие платформы. Проходит год — и всё повторяется снова. Часто это происходит с бизнесами, которые раньше работали на западных системах. Их больше нет, требования остались, а на рынке — ощущение, что ни одно решение «не дотягивает». И здесь важный момент: дело не только в рынке или качестве продуктов. В статье разбираем, почему эта ситуация возникает и что с этим можно сделать.