В кризис запасы должны поддерживать бизнес, а не замораживать его деньги
Сегодня компаниям приходится работать в условиях высокой неопределённости. Спрос меняется быстрее, поставки становятся менее предсказуемыми, стоимость финансирования растёт, а свободных денег становится меньше. Поэтому управлять запасами вдвойне сложно: нужно одновременно сохранять доступность товаров и не держать на складе лишние миллионы рублей.
Первая реакция в такой ситуации часто кажется очевидной — сократить закупки и уменьшить запасы. Но если делать это без понятных правил, результат может оказаться противоположным.
На складе останется слишком много медленно оборачиваемых товаров, а востребованных позиций будет не хватать. Продажи начнут требовать больше запасов, финансы — высвободить деньги, закупки — страховаться от перебоев. В итоге решения принимаются вручную, на основе опыта, отдельных показателей и постоянных споров между подразделениями.
Главная проблема здесь не только в размере запасов. Даже большой склад не защищает компанию от дефицита, если деньги вложены не в те товары. А простое пропорциональное сокращение запасов может убрать вместе с излишками и те позиции, которые действительно нужны покупателям.
В новой статье разбираем:
🔹 почему в кризис особенно опасно управлять запасами «по ощущениям»;
🔹 как излишки и дефицит могут одновременно существовать на одном складе;
🔹 почему оборачиваемость сама по себе не даёт полной картины;
🔹 чем опасно равномерное сокращение запасов;
🔹 какие правила помогают высвобождать деньги, не снижая уровень доступности товаров.
Сегодня компаниям приходится работать в условиях высокой неопределённости. Спрос меняется быстрее, поставки становятся менее предсказуемыми, стоимость финансирования растёт, а свободных денег становится меньше. Поэтому управлять запасами вдвойне сложно: нужно одновременно сохранять доступность товаров и не держать на складе лишние миллионы рублей.
Первая реакция в такой ситуации часто кажется очевидной — сократить закупки и уменьшить запасы. Но если делать это без понятных правил, результат может оказаться противоположным.
На складе останется слишком много медленно оборачиваемых товаров, а востребованных позиций будет не хватать. Продажи начнут требовать больше запасов, финансы — высвободить деньги, закупки — страховаться от перебоев. В итоге решения принимаются вручную, на основе опыта, отдельных показателей и постоянных споров между подразделениями.
Главная проблема здесь не только в размере запасов. Даже большой склад не защищает компанию от дефицита, если деньги вложены не в те товары. А простое пропорциональное сокращение запасов может убрать вместе с излишками и те позиции, которые действительно нужны покупателям.
В новой статье разбираем:
🔹 почему в кризис особенно опасно управлять запасами «по ощущениям»;
🔹 как излишки и дефицит могут одновременно существовать на одном складе;
🔹 почему оборачиваемость сама по себе не даёт полной картины;
🔹 чем опасно равномерное сокращение запасов;
🔹 какие правила помогают высвобождать деньги, не снижая уровень доступности товаров.
❤1
Уже послезавтра — воркшоп по ИИ в закупках
Александр возьмёт одну задачу — выбор поставщика — и разберёт её от начала до конца.
Он сравнит три коммерческих предложения с техническим заданием, найдёт несоответствия и дополнительные расходы, приведёт цены к единой базе и покажет, какое предложение выгоднее.
Эту же задачу он проведёт через четыре уровня применения ИИ: чат-бот, готовый промпт, ИИ-агент и локальную модель в закрытом контуре. Вы увидите, что даёт каждый и где его предел.
Ещё покажет:
🔹 что можно передать ИИ, а что должно оставаться за человеком;
🔹 почему нейросети ошибаются в таблицах и расчётах;
🔹 как устроен ИИ-агент для анализа ТЗ и КП;
🔹 когда для конфиденциальных документов нужен закрытый контур;
🔹 какие инструменты подходят для поиска поставщиков, анализа документов и работы с базой знаний.
Спикер — Александр Грицай, CEO и основатель Forecast NOW!
Воркшоп будет полезен закупщикам, категорийным менеджерам и руководителям закупок.
Успевайте зарегистрироваться.
Александр возьмёт одну задачу — выбор поставщика — и разберёт её от начала до конца.
Он сравнит три коммерческих предложения с техническим заданием, найдёт несоответствия и дополнительные расходы, приведёт цены к единой базе и покажет, какое предложение выгоднее.
Эту же задачу он проведёт через четыре уровня применения ИИ: чат-бот, готовый промпт, ИИ-агент и локальную модель в закрытом контуре. Вы увидите, что даёт каждый и где его предел.
Ещё покажет:
🔹 что можно передать ИИ, а что должно оставаться за человеком;
🔹 почему нейросети ошибаются в таблицах и расчётах;
🔹 как устроен ИИ-агент для анализа ТЗ и КП;
🔹 когда для конфиденциальных документов нужен закрытый контур;
🔹 какие инструменты подходят для поиска поставщиков, анализа документов и работы с базой знаний.
Спикер — Александр Грицай, CEO и основатель Forecast NOW!
Воркшоп будет полезен закупщикам, категорийным менеджерам и руководителям закупок.
Успевайте зарегистрироваться.
👍5
От закупок до цены продажи: на чём сэкономить и где заработать в 2026 году
Сколько заказать, по какой цене продавать, чем отвечать на промо конкурента — три разные задачи. Их решают разные люди и часто в разных программах, а прибыль складывается из всех трёх сразу. Грамотно управлять товаром — значит связать их между собой.
10 сентября проводим вебинар с Metacommerce Offline и Pretium — разберём каждый участок и покажем, как собрать их вместе.
🔹 Евгений Викторов (Forecast NOW!) покажет, как в запасах найти дефицит и излишки и с чего начинать разбор.
🔹 Алексей Кузьмичев (Metacommerce Offline) расскажет, что можно узнать о новинках и промо на полках конкурентов.
🔹 Александр Иванов (Pretium) объяснит, как считать цену по остаткам и рынку, делить ассортимент на ценовые стратегии и быстрее запускать акции.
Вебинар будет полезен закупщикам, категорийным менеджерам и руководителям в ритейле, на производстве и в дистрибуции.
Регистрация по ссылке.
Сколько заказать, по какой цене продавать, чем отвечать на промо конкурента — три разные задачи. Их решают разные люди и часто в разных программах, а прибыль складывается из всех трёх сразу. Грамотно управлять товаром — значит связать их между собой.
10 сентября проводим вебинар с Metacommerce Offline и Pretium — разберём каждый участок и покажем, как собрать их вместе.
🔹 Евгений Викторов (Forecast NOW!) покажет, как в запасах найти дефицит и излишки и с чего начинать разбор.
🔹 Алексей Кузьмичев (Metacommerce Offline) расскажет, что можно узнать о новинках и промо на полках конкурентов.
🔹 Александр Иванов (Pretium) объяснит, как считать цену по остаткам и рынку, делить ассортимент на ценовые стратегии и быстрее запускать акции.
Вебинар будет полезен закупщикам, категорийным менеджерам и руководителям в ритейле, на производстве и в дистрибуции.
Регистрация по ссылке.
Media is too big
VIEW IN TELEGRAM
Запись воркшопа "ИИ для закупщика: от вопросов в чат до закрытого контура компании"
В четверг на воркшопе для закупщиков на примере реальной задачи по выбору поставщика разобрали, как использовать ИИ для анализа ТЗ и коммерческих предложений.
Сравнили четыре уровня применения ИИ — от чат-бота и готового промпта до ИИ-агента и локальной модели в закрытом контуре, рассмотрели типичные ошибки нейросетей при работе с таблицами и расчётами, вопросы конфиденциальности и инструменты для решения повседневных закупочных задач.
Выкладываем запись:
Смотреть на сайте fnow.ru
Cмотреть на Youtube
Смотреть в VK Видео
В четверг на воркшопе для закупщиков на примере реальной задачи по выбору поставщика разобрали, как использовать ИИ для анализа ТЗ и коммерческих предложений.
Сравнили четыре уровня применения ИИ — от чат-бота и готового промпта до ИИ-агента и локальной модели в закрытом контуре, рассмотрели типичные ошибки нейросетей при работе с таблицами и расчётами, вопросы конфиденциальности и инструменты для решения повседневных закупочных задач.
Выкладываем запись:
Смотреть на сайте fnow.ru
Cмотреть на Youtube
Смотреть в VK Видео
1❤5👍3🔥2❤🔥1
Как ИИ может помочь закупкам уже сегодня
В продолжение нашего вебинара про ИИ для закупщиков делимся еще шестью практическими сценариями, которые можно использовать уже сейчас — без сложной перестройки процессов и внедрения больших ИИ-систем.
1️⃣ Разбор сообщений от поставщиков. ИИ может обработать длинную переписку и сразу выделить главное: какая поставка задерживается, на сколько дней, какие товары затронуты и требуется ли действие со стороны закупщика.
2️⃣ Подготовка коммуникаций. На основе исходных данных ИИ может быстро подготовить запрос поставщику, письмо об изменении сроков, эскалацию проблемы, сообщение отделу продаж или краткое объяснение ситуации для руководства.
3️⃣ Объяснение отчетов. Вместо набора показателей по запасам, уровню сервиса, точности прогноза или поставщикам ИИ может кратко объяснить, что изменилось, где появились отклонения и на что стоит обратить внимание.
4️⃣ Обучение и описание процессов. ИИ можно использовать для создания инструкций, FAQ, чек-листов и материалов для новых сотрудников, а также для объяснения внутренних процессов и терминов простым языком.
5️⃣ Анализ неструктурированной информации. Много важных сигналов остается в письмах, документах, протоколах встреч и комментариях поставщиков. ИИ может искать в них повторяющиеся проблемы и тенденции, которые сложно заметить в обычных отчетах.
6️⃣ Сценарный анализ. Если вырос спрос, увеличился срок поставки или промо идет лучше прогноза, ИИ может быстро предложить варианты действий: ускорить поставку, разделить заказ, перераспределить товар между складами или предупредить о риске дефицита.
Но здесь важно разделять задачи ИИ и специализированных систем.
🔹 Специализированная система должна работать с реальными данными компании и выполнять расчеты: прогнозировать спрос, рассчитывать потребность, страховой запас, сроки и объем заказа, оптимизировать уровень запасов.
🔹 ИИ полезнее использовать поверх этих расчетов — чтобы объяснить результат, проанализировать дополнительную информацию, предложить варианты действий и помочь быстрее принять решение.
Например:
Специализированная система: «Нужно заказать 1 240 единиц».
ИИ: «Почему именно столько? Какие факторы повлияли на расчет? Какие есть риски и что можно сделать?»
При этом остаются два важных ограничения.
Первое — ИИ может ошибаться и уверенно формулировать выводы даже при недостатке данных. Поэтому критичные расчеты и решения нельзя строить только на ответе языковой модели.
Второе — конфиденциальность. Договоры, закупочные цены, прогнозы и данные об остатках не всегда можно передавать в публичные ИИ-сервисы.
Поэтому оптимальная схема выглядит так:
🔹 Специализированная система → считает и оптимизирует.
🔹 ИИ → читает отчеты, анализирует, объясняет и помогает работать с результатом.
🔹 Человек → контролирует решения, где есть риски и бизнес-компромиссы.
ИИ в закупках не обязательно должен заменять существующие системы. Гораздо полезнее использовать его как новый слой между данными, расчетами и человеком.
В продолжение нашего вебинара про ИИ для закупщиков делимся еще шестью практическими сценариями, которые можно использовать уже сейчас — без сложной перестройки процессов и внедрения больших ИИ-систем.
1️⃣ Разбор сообщений от поставщиков. ИИ может обработать длинную переписку и сразу выделить главное: какая поставка задерживается, на сколько дней, какие товары затронуты и требуется ли действие со стороны закупщика.
2️⃣ Подготовка коммуникаций. На основе исходных данных ИИ может быстро подготовить запрос поставщику, письмо об изменении сроков, эскалацию проблемы, сообщение отделу продаж или краткое объяснение ситуации для руководства.
3️⃣ Объяснение отчетов. Вместо набора показателей по запасам, уровню сервиса, точности прогноза или поставщикам ИИ может кратко объяснить, что изменилось, где появились отклонения и на что стоит обратить внимание.
4️⃣ Обучение и описание процессов. ИИ можно использовать для создания инструкций, FAQ, чек-листов и материалов для новых сотрудников, а также для объяснения внутренних процессов и терминов простым языком.
5️⃣ Анализ неструктурированной информации. Много важных сигналов остается в письмах, документах, протоколах встреч и комментариях поставщиков. ИИ может искать в них повторяющиеся проблемы и тенденции, которые сложно заметить в обычных отчетах.
6️⃣ Сценарный анализ. Если вырос спрос, увеличился срок поставки или промо идет лучше прогноза, ИИ может быстро предложить варианты действий: ускорить поставку, разделить заказ, перераспределить товар между складами или предупредить о риске дефицита.
Но здесь важно разделять задачи ИИ и специализированных систем.
🔹 Специализированная система должна работать с реальными данными компании и выполнять расчеты: прогнозировать спрос, рассчитывать потребность, страховой запас, сроки и объем заказа, оптимизировать уровень запасов.
🔹 ИИ полезнее использовать поверх этих расчетов — чтобы объяснить результат, проанализировать дополнительную информацию, предложить варианты действий и помочь быстрее принять решение.
Например:
Специализированная система: «Нужно заказать 1 240 единиц».
ИИ: «Почему именно столько? Какие факторы повлияли на расчет? Какие есть риски и что можно сделать?»
При этом остаются два важных ограничения.
Первое — ИИ может ошибаться и уверенно формулировать выводы даже при недостатке данных. Поэтому критичные расчеты и решения нельзя строить только на ответе языковой модели.
Второе — конфиденциальность. Договоры, закупочные цены, прогнозы и данные об остатках не всегда можно передавать в публичные ИИ-сервисы.
Поэтому оптимальная схема выглядит так:
🔹 Специализированная система → считает и оптимизирует.
🔹 ИИ → читает отчеты, анализирует, объясняет и помогает работать с результатом.
🔹 Человек → контролирует решения, где есть риски и бизнес-компромиссы.
ИИ в закупках не обязательно должен заменять существующие системы. Гораздо полезнее использовать его как новый слой между данными, расчетами и человеком.
❤2🔥2🤔1
От точечного прогноза к распределению вероятностей
Начинаем серию постов о мировых фронтирах в управлении запасами.
И первую тему, которую затронем, — это переход от одного точечного прогноза к работе с вероятностным распределением спроса. И если еще 5-10 лет назад об этом так много не говорили, то сегодня такой подход уже становится стандартом.
В 2025 году Gartner выпустил исследование Leverage Uncertainty With Probabilistic Planning. Его тезис: планы, построенные вокруг одного прогнозного числа, слишком хрупки в условиях неопределённости. Gartner рекомендует переходить к вероятностным подходам, которые учитывают риск разных сценариев.
А в стратегическом гайде по Supply Chain Planning Gartner первым из трёх способов повышения устойчивости цепочки поставок называет переход к вероятностному планированию.
Тот же сдвиг виден и у лидеров рынка. Kinaxis, много лет входящий в Leaders Gartner Magic Quadrant for Supply Chain Planning, использует вероятностные подходы в планировании и мультиэшелонной оптимизации запасов. RELEX, также вошедший в Leaders Gartner в 2025 году, применяет стохастическое и вероятностное планирование для работы с неопределённостью спроса и запасов.
Показательно и то, куда движутся сами модели прогнозирования крупнейших технологических компаний. У Amazon одна из ведущих моделей нового поколения — Chronos-2, foundation model для временных рядов. Она строит не только точечный, но и вероятностный прогноз и в тестах Amazon заняла первое место среди предварительно обученных моделей на одном из основных современных бенчмарков прогнозирования.
У Google аналогичный пример — TimesFM-3, новое поколение foundation model для временных рядов. Модель тоже изначально поддерживает вероятностное прогнозирование: вместе с основным значением она оценивает диапазон возможных будущих значений и их вероятности.
Сама постановка задачи теперь выглядит иначе, чем раньше
🔹Точечный прогноз: «На следующей неделе продадим 100 шт.»
🔹Вероятностный: «Наиболее вероятный уровень — около 100 шт., но чтобы покрыть 90% возможных сценариев, нужно учитывать спрос до 137 шт.»
Теперь мы знаем не только наиболее вероятный спрос, но и риск его отклонения.
Хорошо этот переход виден и в научном мире на примере M5 Competition 2020 года — крупнейшего международного соревнования по прогнозированию на данных Walmart. Впервые в рамках M-соревнований организаторы выделили отдельное направление Uncertainty: участники должны были не просто угадать одно будущее значение продаж, а построить девять квантилей для 42 840 временных рядов. То есть вероятностное прогнозирование впервые стало самостоятельной задачей, по которой отдельно сравнивали качество моделей.
Следующий шаг в этом направлении — уже не просто показать диапазон возможного спроса, а использовать эти вероятности непосредственно для решения по запасам. То есть система должна оценить возможный спрос и определить, сколько товара стоит держать с учётом стоимости дефицита, излишков и требуемого уровня сервиса.
Эволюция выглядит так: одно прогнозное число → распределение возможного спроса → решение по запасам с учётом вероятностей и экономики.
В Forecast NOW! вероятностное прогнозирование тоже используется уже много лет. Мы одними из первых на российском рынке начали последовательно развивать и продвигать этот подход применительно к управлению запасами: прогнозировать не одну цифру спроса, а распределение возможных значений и на его основе рассчитывать необходимый уровень запаса.
Подробнее о том, как это работает.
Начинаем серию постов о мировых фронтирах в управлении запасами.
И первую тему, которую затронем, — это переход от одного точечного прогноза к работе с вероятностным распределением спроса. И если еще 5-10 лет назад об этом так много не говорили, то сегодня такой подход уже становится стандартом.
В 2025 году Gartner выпустил исследование Leverage Uncertainty With Probabilistic Planning. Его тезис: планы, построенные вокруг одного прогнозного числа, слишком хрупки в условиях неопределённости. Gartner рекомендует переходить к вероятностным подходам, которые учитывают риск разных сценариев.
А в стратегическом гайде по Supply Chain Planning Gartner первым из трёх способов повышения устойчивости цепочки поставок называет переход к вероятностному планированию.
Тот же сдвиг виден и у лидеров рынка. Kinaxis, много лет входящий в Leaders Gartner Magic Quadrant for Supply Chain Planning, использует вероятностные подходы в планировании и мультиэшелонной оптимизации запасов. RELEX, также вошедший в Leaders Gartner в 2025 году, применяет стохастическое и вероятностное планирование для работы с неопределённостью спроса и запасов.
Показательно и то, куда движутся сами модели прогнозирования крупнейших технологических компаний. У Amazon одна из ведущих моделей нового поколения — Chronos-2, foundation model для временных рядов. Она строит не только точечный, но и вероятностный прогноз и в тестах Amazon заняла первое место среди предварительно обученных моделей на одном из основных современных бенчмарков прогнозирования.
У Google аналогичный пример — TimesFM-3, новое поколение foundation model для временных рядов. Модель тоже изначально поддерживает вероятностное прогнозирование: вместе с основным значением она оценивает диапазон возможных будущих значений и их вероятности.
Сама постановка задачи теперь выглядит иначе, чем раньше
🔹Точечный прогноз: «На следующей неделе продадим 100 шт.»
🔹Вероятностный: «Наиболее вероятный уровень — около 100 шт., но чтобы покрыть 90% возможных сценариев, нужно учитывать спрос до 137 шт.»
Теперь мы знаем не только наиболее вероятный спрос, но и риск его отклонения.
Хорошо этот переход виден и в научном мире на примере M5 Competition 2020 года — крупнейшего международного соревнования по прогнозированию на данных Walmart. Впервые в рамках M-соревнований организаторы выделили отдельное направление Uncertainty: участники должны были не просто угадать одно будущее значение продаж, а построить девять квантилей для 42 840 временных рядов. То есть вероятностное прогнозирование впервые стало самостоятельной задачей, по которой отдельно сравнивали качество моделей.
Следующий шаг в этом направлении — уже не просто показать диапазон возможного спроса, а использовать эти вероятности непосредственно для решения по запасам. То есть система должна оценить возможный спрос и определить, сколько товара стоит держать с учётом стоимости дефицита, излишков и требуемого уровня сервиса.
Эволюция выглядит так: одно прогнозное число → распределение возможного спроса → решение по запасам с учётом вероятностей и экономики.
В Forecast NOW! вероятностное прогнозирование тоже используется уже много лет. Мы одними из первых на российском рынке начали последовательно развивать и продвигать этот подход применительно к управлению запасами: прогнозировать не одну цифру спроса, а распределение возможных значений и на его основе рассчитывать необходимый уровень запаса.
Подробнее о том, как это работает.
❤2🔥2
От точности прогноза — к качеству решений
Долгое время в прогнозировании спроса логика была простой: чем ниже ошибка прогноза, тем лучше модель. Улучшили точность на несколько процентов — значит, улучшили планирование.
Это второй фронтир, который мы разбираем в серии про то, куда движется современное управление запасами и прогнозирование спроса. В прошлый раз говорили о переходе от точечного прогноза к вероятностному. Теперь — о следующем сдвиге: от точности прогноза к качеству решения.
Сегодня международный фронтир смещается именно в эту сторону. Вопрос уже не только в том, насколько точно мы предсказали спрос, а в том, к каким запасам, уровню сервиса и финансовому результату этот прогноз привёл.
Хорошее подтверждение этого сдвига — исследование Forecast accuracy and inventory performance: Insights on their relationship from the M5 competition data, опубликованное в 2025 году в European Journal of Operational Research — одном из ведущих международных журналов в области исследования операций.
Авторы использовали данные M5 Competition на реальных продажах Walmart и оценивали методы не только по точности прогноза, но и по стоимости хранения запасов, потерянным продажам и совокупным затратам.
Главный вывод: наиболее точный прогноз не всегда обеспечивает лучший экономический результат в управлении запасами. Особенно это проявляется, когда стоимость потерянных продаж выше стоимости хранения, при коротких периодах пересмотра и сроках поставки, а также для товаров с прерывистым спросом.
То есть более точная модель по стандартным метрикам ещё не гарантирует, что компания будет держать правильный объём запасов и получать лучший финансовый результат.
Ещё дальше идёт работа исследователей Google и Университета Карнеги — Меллона Business Metric-Aware Forecasting for Inventory Management. Обычно модель учат просто снижать ошибку прогноза. Авторы предложили при обучении учитывать, во что эта ошибка обходится бизнесу: недопрогноз ведёт к дефициту и потерянным продажам, перепрогноз — к лишнему запасу и затратам на хранение. В экспериментах обучение с учётом этих затрат улучшало итоговый результат до 45,7% для простой модели и до 54% для LSTM по сравнению с обучением только на точность.
Это не означает, что любой компании такой подход автоматически снизит затраты на 50%. Но работа хорошо показывает направление развития: модель можно оптимизировать не только под точность прогноза, но и под конечный экономический результат.
Эта же логика уже появляется и в рекомендациях Gartner. В исследовании Harness Forecast Error to Improve Supply Planning Outcomes (2025) Gartner прямо пишет, что компании ведут проигрышную борьбу, пытаясь добиться «идеального» прогноза. Вместо этого ошибку прогноза нужно воспринимать как естественную часть неопределённости и учитывать её при принятии решений.
А в исследовании How to Monetize Forecast Accuracy Improvements (2026) Gartner идёт ещё дальше: агрегированные показатели вроде MAPE недостаточны для оценки экономического эффекта. Улучшение прогноза нужно переводить в деньги — прежде всего по тем товарам и решениям, где это действительно создаёт ценность для бизнеса.
Та же логика видна и у крупных платформ планирования. SAP описывает эффект управления запасами через снижение запасов, повышение уровня сервиса и высвобождение оборотного капитала, то есть через бизнес-результат, а не только через точность прогноза.
В итоге сдвиг выглядит так:
Было:
данные → прогноз → измерили ошибку → пытаемся сделать прогноз ещё точнее.
Становится:
данные → прогноз и оценка неопределённости → решение по запасам → дефицит / излишки / уровень сервиса / оборотный капитал / прибыль → оцениваем конечный результат.
Точность прогноза никуда не исчезает. Но она перестаёт быть конечной целью.
В Forecast NOW! мы говорим об этом уже давно. Ещё раньше мы подробно разбирали, почему повышение точности прогноза не гарантирует повышения прибыли.
Хороший прогноз — не тот, который просто оказался ближе к фактическому спросу. Хороший прогноз — тот, который помогает принять лучшее экономическое решение.
Долгое время в прогнозировании спроса логика была простой: чем ниже ошибка прогноза, тем лучше модель. Улучшили точность на несколько процентов — значит, улучшили планирование.
Это второй фронтир, который мы разбираем в серии про то, куда движется современное управление запасами и прогнозирование спроса. В прошлый раз говорили о переходе от точечного прогноза к вероятностному. Теперь — о следующем сдвиге: от точности прогноза к качеству решения.
Сегодня международный фронтир смещается именно в эту сторону. Вопрос уже не только в том, насколько точно мы предсказали спрос, а в том, к каким запасам, уровню сервиса и финансовому результату этот прогноз привёл.
Хорошее подтверждение этого сдвига — исследование Forecast accuracy and inventory performance: Insights on their relationship from the M5 competition data, опубликованное в 2025 году в European Journal of Operational Research — одном из ведущих международных журналов в области исследования операций.
Авторы использовали данные M5 Competition на реальных продажах Walmart и оценивали методы не только по точности прогноза, но и по стоимости хранения запасов, потерянным продажам и совокупным затратам.
Главный вывод: наиболее точный прогноз не всегда обеспечивает лучший экономический результат в управлении запасами. Особенно это проявляется, когда стоимость потерянных продаж выше стоимости хранения, при коротких периодах пересмотра и сроках поставки, а также для товаров с прерывистым спросом.
То есть более точная модель по стандартным метрикам ещё не гарантирует, что компания будет держать правильный объём запасов и получать лучший финансовый результат.
Ещё дальше идёт работа исследователей Google и Университета Карнеги — Меллона Business Metric-Aware Forecasting for Inventory Management. Обычно модель учат просто снижать ошибку прогноза. Авторы предложили при обучении учитывать, во что эта ошибка обходится бизнесу: недопрогноз ведёт к дефициту и потерянным продажам, перепрогноз — к лишнему запасу и затратам на хранение. В экспериментах обучение с учётом этих затрат улучшало итоговый результат до 45,7% для простой модели и до 54% для LSTM по сравнению с обучением только на точность.
Это не означает, что любой компании такой подход автоматически снизит затраты на 50%. Но работа хорошо показывает направление развития: модель можно оптимизировать не только под точность прогноза, но и под конечный экономический результат.
Эта же логика уже появляется и в рекомендациях Gartner. В исследовании Harness Forecast Error to Improve Supply Planning Outcomes (2025) Gartner прямо пишет, что компании ведут проигрышную борьбу, пытаясь добиться «идеального» прогноза. Вместо этого ошибку прогноза нужно воспринимать как естественную часть неопределённости и учитывать её при принятии решений.
А в исследовании How to Monetize Forecast Accuracy Improvements (2026) Gartner идёт ещё дальше: агрегированные показатели вроде MAPE недостаточны для оценки экономического эффекта. Улучшение прогноза нужно переводить в деньги — прежде всего по тем товарам и решениям, где это действительно создаёт ценность для бизнеса.
Та же логика видна и у крупных платформ планирования. SAP описывает эффект управления запасами через снижение запасов, повышение уровня сервиса и высвобождение оборотного капитала, то есть через бизнес-результат, а не только через точность прогноза.
В итоге сдвиг выглядит так:
Было:
данные → прогноз → измерили ошибку → пытаемся сделать прогноз ещё точнее.
Становится:
данные → прогноз и оценка неопределённости → решение по запасам → дефицит / излишки / уровень сервиса / оборотный капитал / прибыль → оцениваем конечный результат.
Точность прогноза никуда не исчезает. Но она перестаёт быть конечной целью.
В Forecast NOW! мы говорим об этом уже давно. Ещё раньше мы подробно разбирали, почему повышение точности прогноза не гарантирует повышения прибыли.
Хороший прогноз — не тот, который просто оказался ближе к фактическому спросу. Хороший прогноз — тот, который помогает принять лучшее экономическое решение.
1🔥4
Управление ассортиментом — одна из самых сложных задач в торговле. Нужно понимать, какие товары оставить, а какие убрать, какие позиции критичны для продаж, где лежат замороженные деньги, какие товары нужны для широты матрицы, а какие уже не работают на бизнес.
Пока позиций немного, специалист может держать эту логику в голове. Но масштабы у всех разные: у кого-то тысяча позиций, у кого-то двадцать тысяч, а в некоторых отраслях число активных позиций может доходить до полумиллиона. С ростом ассортимента помнить, что происходит с каждым товаром, становится невозможно — нужны понятные правила и единый подход к принятию решений.
Мы подготовили подробное руководство по управлению ассортиментом. В нём разбираем, как делить ассортимент на группы, по каким критериям это делать, какие решения принимать по каждой группе и как пересматривать правила по мере изменения ассортимента.
Скачать руководство
Пока позиций немного, специалист может держать эту логику в голове. Но масштабы у всех разные: у кого-то тысяча позиций, у кого-то двадцать тысяч, а в некоторых отраслях число активных позиций может доходить до полумиллиона. С ростом ассортимента помнить, что происходит с каждым товаром, становится невозможно — нужны понятные правила и единый подход к принятию решений.
Мы подготовили подробное руководство по управлению ассортиментом. В нём разбираем, как делить ассортимент на группы, по каким критериям это делать, какие решения принимать по каждой группе и как пересматривать правила по мере изменения ассортимента.
Скачать руководство
❤3🔥1
Продажи — это ещё не спрос
Продолжаем разбирать международные фронтиры в управлении запасами и прогнозировании спроса. Раньше говорили о переходе от точечного прогноза к вероятностному и от точности прогноза к качеству решений. Следующий сдвиг — от наблюдаемых продаж к восстановлению реального спроса.
Простой пример. Товар обычно продаётся по 100 штук в неделю, но однажды закончился в среду. За неделю продали только 50. Если система примет эти 50 за спрос, следующий прогноз окажется ниже реальной потребности. Запаса снова не хватит — и история ещё сильнее занизит следующий прогноз.
Получается замкнутый круг:
дефицит → низкие продажи → низкий прогноз → маленький заказ → новый дефицит.
Сам принцип «продажи ≠ спрос» уже давно вышел за пределы академической теории. Его много лет изучают в исследованиях операций, а все крупные платформы планирования, такие как SAP, Oracle, Blue Yonder и другие, корректируют историю продаж на периоды отсутствия товара и пытаются оценить так называемый неограниченный спрос.
Например, в работе The Data-Driven Newsvendor with Censored Demand Observations ещё в 2014 году на данных крупной европейской розничной сети оценивали невидимые потерянные продажи и учитывали их при расчёте заказа. Но сегодня фронтир уже не в том, чтобы просто заметить дефицит и скорректировать историю. Главный вопрос намного сложнее: каким на самом деле был спрос, которого мы не увидели?
Если товара не было два дня, покупатель мог взять аналог, уйти к конкуренту, купить позже, заказать в другом канале или вообще отказаться от покупки. То есть мы видим не только потерянные продажи — мы не видим, куда именно ушёл этот спрос. И вот здесь простой корректировки уже недостаточно. Современный фронтир — это попытка восстановить скрытый спрос с учётом замещения между товарами, частичных дефицитов, омниканальности, наличия на полке и поведения покупателей.
Причём задача остаётся открытой. В исследовании Demand forecasting under lost sales stock policies, опубликованном в International Journal of Forecasting в 2024 году, авторы отмечают, что исследования прогнозирования цензурированного спроса всё ещё ограничены и универсального решения нет.
А в 2025 году появился FreshRetailNet-50K — первый крупный открытый набор данных, специально созданный для исследования скрытого спроса при дефиците. Он содержит 50 тыс. рядов по 898 магазинам и 863 товарам, причём для каждого часа известно не только количество продаж, но и был ли товар в наличии. Это позволяет исследователям проверять методы, которые пытаются оценить, сколько покупатели хотели купить в периоды stockout. В эксперименте авторов корректировка скрытого спроса снизила систематическое занижение прогноза примерно с 7,4% почти до нуля. Сам факт появления таких специализированных наборов данных показывает, что задача остаётся активной областью исследований: всё ещё нужны новые данные и методы, чтобы точнее восстанавливать спрос, которого нет в обычной истории продаж.
Поэтому сдвиг выглядит так:
Было: продажи = спрос.
Продвинутая практика: выявляем дефициты и другие искажения → восстанавливаем неограниченный спрос → прогнозируем его.
Фронтир: пытаемся восстановить реальный скрытый спрос с учётом того, куда ушёл покупатель и чем он заменил отсутствующий товар.
В Forecast NOW! мы тоже давно говорим о том, что качественный прогноз начинается с правильной истории. Подробнее — в статье «Очистка истории продаж для прогнозирования спроса».
Следующий шаг после очистки истории — смоделировать спрос, который не удалось наблюдать из-за дефицита, замещения товара или ухода покупателя в другой канал.
Продолжаем разбирать международные фронтиры в управлении запасами и прогнозировании спроса. Раньше говорили о переходе от точечного прогноза к вероятностному и от точности прогноза к качеству решений. Следующий сдвиг — от наблюдаемых продаж к восстановлению реального спроса.
Простой пример. Товар обычно продаётся по 100 штук в неделю, но однажды закончился в среду. За неделю продали только 50. Если система примет эти 50 за спрос, следующий прогноз окажется ниже реальной потребности. Запаса снова не хватит — и история ещё сильнее занизит следующий прогноз.
Получается замкнутый круг:
дефицит → низкие продажи → низкий прогноз → маленький заказ → новый дефицит.
Сам принцип «продажи ≠ спрос» уже давно вышел за пределы академической теории. Его много лет изучают в исследованиях операций, а все крупные платформы планирования, такие как SAP, Oracle, Blue Yonder и другие, корректируют историю продаж на периоды отсутствия товара и пытаются оценить так называемый неограниченный спрос.
Например, в работе The Data-Driven Newsvendor with Censored Demand Observations ещё в 2014 году на данных крупной европейской розничной сети оценивали невидимые потерянные продажи и учитывали их при расчёте заказа. Но сегодня фронтир уже не в том, чтобы просто заметить дефицит и скорректировать историю. Главный вопрос намного сложнее: каким на самом деле был спрос, которого мы не увидели?
Если товара не было два дня, покупатель мог взять аналог, уйти к конкуренту, купить позже, заказать в другом канале или вообще отказаться от покупки. То есть мы видим не только потерянные продажи — мы не видим, куда именно ушёл этот спрос. И вот здесь простой корректировки уже недостаточно. Современный фронтир — это попытка восстановить скрытый спрос с учётом замещения между товарами, частичных дефицитов, омниканальности, наличия на полке и поведения покупателей.
Причём задача остаётся открытой. В исследовании Demand forecasting under lost sales stock policies, опубликованном в International Journal of Forecasting в 2024 году, авторы отмечают, что исследования прогнозирования цензурированного спроса всё ещё ограничены и универсального решения нет.
А в 2025 году появился FreshRetailNet-50K — первый крупный открытый набор данных, специально созданный для исследования скрытого спроса при дефиците. Он содержит 50 тыс. рядов по 898 магазинам и 863 товарам, причём для каждого часа известно не только количество продаж, но и был ли товар в наличии. Это позволяет исследователям проверять методы, которые пытаются оценить, сколько покупатели хотели купить в периоды stockout. В эксперименте авторов корректировка скрытого спроса снизила систематическое занижение прогноза примерно с 7,4% почти до нуля. Сам факт появления таких специализированных наборов данных показывает, что задача остаётся активной областью исследований: всё ещё нужны новые данные и методы, чтобы точнее восстанавливать спрос, которого нет в обычной истории продаж.
Поэтому сдвиг выглядит так:
Было: продажи = спрос.
Продвинутая практика: выявляем дефициты и другие искажения → восстанавливаем неограниченный спрос → прогнозируем его.
Фронтир: пытаемся восстановить реальный скрытый спрос с учётом того, куда ушёл покупатель и чем он заменил отсутствующий товар.
В Forecast NOW! мы тоже давно говорим о том, что качественный прогноз начинается с правильной истории. Подробнее — в статье «Очистка истории продаж для прогнозирования спроса».
Следующий шаг после очистки истории — смоделировать спрос, который не удалось наблюдать из-за дефицита, замещения товара или ухода покупателя в другой канал.
❤5🔥1
ИИ поверх системы автозаказа: как встроить его в существующие процессы
У вас уже есть 1С, ERP или система автозаказа. Она считает потребность и формирует заказы, но вокруг неё всё ещё много ручной работы: письма поставщиков, прайсы, промо-планы, выгрузки и разбор рекомендаций системы.
15 октября в 12:00 пройдём одну рабочую неделю специалиста по закупкам и разберём:
🔹 где в процессе остаётся ручная работа и что можно передать ИИ;
🔹 как использовать данные из писем, PDF-прайсов и других источников;
🔹 что можно сделать без интеграции — через обычную выгрузку;
🔹 как ИИ помогает разбирать «неправильные» данные и форматы;
🔹 как перейти к автоматическим сценариям через API и ИИ-агентов;
🔹 что можно доверить ИИ и как безопасно работать с корпоративными данными.
Спикер: Александр Грицай, CEO Forecast NOW!
Регистрируйтесь и приходите разбирать ИИ на реальных рабочих сценариях.
У вас уже есть 1С, ERP или система автозаказа. Она считает потребность и формирует заказы, но вокруг неё всё ещё много ручной работы: письма поставщиков, прайсы, промо-планы, выгрузки и разбор рекомендаций системы.
15 октября в 12:00 пройдём одну рабочую неделю специалиста по закупкам и разберём:
🔹 где в процессе остаётся ручная работа и что можно передать ИИ;
🔹 как использовать данные из писем, PDF-прайсов и других источников;
🔹 что можно сделать без интеграции — через обычную выгрузку;
🔹 как ИИ помогает разбирать «неправильные» данные и форматы;
🔹 как перейти к автоматическим сценариям через API и ИИ-агентов;
🔹 что можно доверить ИИ и как безопасно работать с корпоративными данными.
Спикер: Александр Грицай, CEO Forecast NOW!
Регистрируйтесь и приходите разбирать ИИ на реальных рабочих сценариях.
👍5
Какими будут закупки в 2027 году — и к чему готовиться уже сейчас?
1 октября на бесплатной онлайн-конференции «ЭТО практики и тренды закупок 2026–27» эксперты обсудят:
→ цифровую трансформацию и ИИ в закупках;
→ поставщиков и цепочки поставок;
→ рынок, экономику и новые источники эффективности;
→ развитие компетенций и стратегию закупок.
В программе — доклады и практические кейсы компаний:
— Ольга Городенцева, СДЭК-Глобал — как рассчитать себестоимость магистральных перевозок и перестать торговаться вслепую;
— Анастасия Романова, GRASS — централизация закупок, работа с поставщиками, запасами и S&OP;
— Андрей Катаргин, УГМК — как выбрать процесс для автоматизации закупок;
— Наталья Тищенко, Технологическая Компания Шлюмберже — тема будет объявлена дополнительно.
Модератор — Сергей Дубовик, генеральный директор ЭТО5.
🤩 1 октября | 10:00 МСК
🤩 Онлайн | Участие бесплатно
Зарегистрироваться
1 октября на бесплатной онлайн-конференции «ЭТО практики и тренды закупок 2026–27» эксперты обсудят:
→ цифровую трансформацию и ИИ в закупках;
→ поставщиков и цепочки поставок;
→ рынок, экономику и новые источники эффективности;
→ развитие компетенций и стратегию закупок.
В программе — доклады и практические кейсы компаний:
— Ольга Городенцева, СДЭК-Глобал — как рассчитать себестоимость магистральных перевозок и перестать торговаться вслепую;
— Анастасия Романова, GRASS — централизация закупок, работа с поставщиками, запасами и S&OP;
— Андрей Катаргин, УГМК — как выбрать процесс для автоматизации закупок;
— Наталья Тищенко, Технологическая Компания Шлюмберже — тема будет объявлена дополнительно.
Модератор — Сергей Дубовик, генеральный директор ЭТО5.
🤩 1 октября | 10:00 МСК
🤩 Онлайн | Участие бесплатно
Зарегистрироваться