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.