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.
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.
👍3💯2❤1
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.
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.
❤4👍3
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.
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.
👍6😎1
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.
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.
❤5
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.
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.
👍7🔥3
Media is too big
VIEW IN TELEGRAM
⚡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.
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.
👍3🔥2🎉1
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.
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.
1👍5❤1
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.
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.
1🔥3✍2❤1
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
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
1👍5
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.
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.
1❤6
20 августа в 12:00 мы проведем воркшоп для закупщиков. Возьмем одну практическую задачу по выбору поставщика и на её примере сравним три КП: сопоставим их с ТЗ, найдём несоответствия и дополнительные расходы, приведём цены к единой базе и определим, какое предложение выгоднее.
Эту задачу проведём через 4 уровня применения ИИ: чат-бот, готовый промпт, ИИ-агент и локальную модель в закрытом контуре.
Дополнительно разберём:
🔹 какие задачи можно передавать ИИ, а какие решения должны оставаться за человеком;
🔹 почему нейросети ошибаются в таблицах, числах и расчётах;
🔹 как устроен ИИ-агент для анализа ТЗ и КП;
🔹 как работать с конфиденциальными документами и когда нужен закрытый контур;
🔹 какие инструменты подходят для поиска поставщиков, анализа документов, подготовки писем и работы с внутренней базой знаний;
Спикер: Александр Грицай, СЕО и основатель компании Forecast NOW!
Воркшоп будет полезен специалистам по закупкам, категорийным менеджерам и руководителям закупочных подразделений.
Регистрация.
Эту задачу проведём через 4 уровня применения ИИ: чат-бот, готовый промпт, ИИ-агент и локальную модель в закрытом контуре.
Дополнительно разберём:
🔹 какие задачи можно передавать ИИ, а какие решения должны оставаться за человеком;
🔹 почему нейросети ошибаются в таблицах, числах и расчётах;
🔹 как устроен ИИ-агент для анализа ТЗ и КП;
🔹 как работать с конфиденциальными документами и когда нужен закрытый контур;
🔹 какие инструменты подходят для поиска поставщиков, анализа документов, подготовки писем и работы с внутренней базой знаний;
Спикер: Александр Грицай, СЕО и основатель компании Forecast NOW!
Воркшоп будет полезен специалистам по закупкам, категорийным менеджерам и руководителям закупочных подразделений.
Регистрация.
👍5
Продаж не было. Значит ли это, что товар не нужен?
Допустим, в отчёте за период по товару стоит ноль. Если расчёт опирается только на историю продаж, он может воспринять эту цифру как отсутствие спроса и снизить следующий заказ. Но продажи и спрос — не одно и то же. Если товара не было на складе или на полке, покупатель не мог его приобрести. Поэтому нулевая продажа в период отсутствия товара не подтверждает, что спроса тоже не было.
Как дефицит искажает следующий заказ?
Представим четыре месяца. В первые три продали 600, 500 и 600 единиц товара. В четвёртом возник дефицит, поэтому продажи составили только 200 единиц.
Если взять простое среднее, получится:
(600 + 500 + 600 + 200) / 4 = 475 единиц.
Расчёт рекомендует заказать 475 единиц на следующий период. Но в каждом из трёх месяцев без дефицита продажи были выше. Если спрос существенно не изменился, товара снова может не хватить. В результате дефицит попадает в историю как снижение спроса. Следующий заказ рассчитывается по количеству, которое компания смогла продать, а не по количеству, которое покупатели были готовы купить.
Когда остаток есть, а товар купить нельзя?
Нулевой остаток — не единственный признак дефицита. Возможны и другие ситуации:
🔹 товар числится на складе, но не выложен на полку;
🔹 в учётной системе есть остаток, но фактически произошла пересортица;
🔹 остаток меньше обычного количества в заказе: например, автомобильные свечи, которые клиенты покупают по четыре штуки, а в наличии только три.
Во всех этих случаях продажа может не состояться, хотя потребность в товаре была.
Какие данные нужны для расчёта?
Историю продаж нужно сопоставить как минимум с остатками и периодами, когда товар действительно был доступен для покупки. Если компания фиксирует неудовлетворённые заявки или отказы клиентов, эти данные также помогают оценить часть упущенного спроса.
Периоды дефицита стоит отмечать отдельно. При этом просто удалить из истории все нулевые продажи нельзя: ноль может отражать и реальное отсутствие спроса, особенно у товаров, которые покупают редко.
Перед расчётом важно отделить поведение покупателей от ограничений, связанных с отсутствием товара, ошибками учёта или проблемами с выкладкой. Иначе возникает повторяющаяся цепочка: компания меньше продала из-за дефицита, снизила прогноз, заказала меньше — и снова столкнулась с нехваткой товара.
Подробнее о том, как находить дефицитные периоды и корректировать историю спроса, рассказали в отдельном материале «Как очистить историю продаж»
Допустим, в отчёте за период по товару стоит ноль. Если расчёт опирается только на историю продаж, он может воспринять эту цифру как отсутствие спроса и снизить следующий заказ. Но продажи и спрос — не одно и то же. Если товара не было на складе или на полке, покупатель не мог его приобрести. Поэтому нулевая продажа в период отсутствия товара не подтверждает, что спроса тоже не было.
Как дефицит искажает следующий заказ?
Представим четыре месяца. В первые три продали 600, 500 и 600 единиц товара. В четвёртом возник дефицит, поэтому продажи составили только 200 единиц.
Если взять простое среднее, получится:
(600 + 500 + 600 + 200) / 4 = 475 единиц.
Расчёт рекомендует заказать 475 единиц на следующий период. Но в каждом из трёх месяцев без дефицита продажи были выше. Если спрос существенно не изменился, товара снова может не хватить. В результате дефицит попадает в историю как снижение спроса. Следующий заказ рассчитывается по количеству, которое компания смогла продать, а не по количеству, которое покупатели были готовы купить.
Когда остаток есть, а товар купить нельзя?
Нулевой остаток — не единственный признак дефицита. Возможны и другие ситуации:
🔹 товар числится на складе, но не выложен на полку;
🔹 в учётной системе есть остаток, но фактически произошла пересортица;
🔹 остаток меньше обычного количества в заказе: например, автомобильные свечи, которые клиенты покупают по четыре штуки, а в наличии только три.
Во всех этих случаях продажа может не состояться, хотя потребность в товаре была.
Какие данные нужны для расчёта?
Историю продаж нужно сопоставить как минимум с остатками и периодами, когда товар действительно был доступен для покупки. Если компания фиксирует неудовлетворённые заявки или отказы клиентов, эти данные также помогают оценить часть упущенного спроса.
Периоды дефицита стоит отмечать отдельно. При этом просто удалить из истории все нулевые продажи нельзя: ноль может отражать и реальное отсутствие спроса, особенно у товаров, которые покупают редко.
Перед расчётом важно отделить поведение покупателей от ограничений, связанных с отсутствием товара, ошибками учёта или проблемами с выкладкой. Иначе возникает повторяющаяся цепочка: компания меньше продала из-за дефицита, снизила прогноз, заказала меньше — и снова столкнулась с нехваткой товара.
Подробнее о том, как находить дефицитные периоды и корректировать историю спроса, рассказали в отдельном материале «Как очистить историю продаж»
❤1👍1🔥1