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.

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.

Канал в Max | Канал в VK

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👍

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.

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.

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

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!

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.

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 «тянет», а где уже создаёт сложности? Напишите в комментариях.