Именно поэтому прогнозирование спроса сегодня становится не просто продвинутой аналитикой, а полноценным инструментом управления операционной экономикой.
Почему избыточный запас стоит дороже, чем кажется
Когда речь заходит о расходах на запасы, вначале обычно вспоминают стоимость складских помещений. Но реальная цена проблемы шире.
Во-первых, растут расходы на хранение и обработку. Любой избыточный товар запускает цепочку дополнительных операций: приёмку, размещение, пополнение полки, внутрискладские перемещения, инвентаризацию. За каждой из них стоят прямые трудозатраты и дополнительная нагрузка на инфраструктуру.
Во-вторых, слабый прогноз почти неизбежно ведёт к ручному управлению. Чем хуже компания понимает реальный спрос, тем чаще в процесс вмешиваются менеджеры, логисты и товароведы: где-то срочно увеличивают заказ, где-то, наоборот, его сдерживают, где-то вручную перераспределяют остатки. Такой режим может выглядеть рабочим до тех пор, пока его не пересчитают в человеко-часы и операционные сбои.
В-третьих, дорожает логистика. Ошибки планирования быстро оборачиваются срочными дозаказами, внеплановыми перемещениями между магазинами и распределительными центрами, ростом транспортных затрат.
Наконец, избыточный запас и дефицит часто сосуществуют. В одних точках товар лежит мёртвым грузом, в других — отсутствует на полке. В результате ритейлер и одновременно платит за хранение неликвида, и теряет выручку из-за упущенных продаж.
Прогноз ценен только тогда, когда встроен в пополнение
Главная ошибка — рассматривать прогноз спроса как самостоятельный аналитический проект. Для бизнеса ценность возникает не в самой модели, а в том, как её результат влияет на решения о пополнении. Запасом невозможно управлять по-настоящему, если компания оперирует лишь усреднёнными продажами по сети или категории. Рабочий уровень здесь почти всегда другой: конкретная товарная позиция, магазин, день. А для части ассортимента добавляется ещё и канал продаж: офлайн-покупатель, клиент доставки и посетитель магазина у дома формируют разный спрос.
На практике это означает, что чем точнее компания видит спрос на уровне единицы товара, магазина и дня, тем меньше ей нужно страховаться запасом. И наоборот: если прогноз грубый, страховой запас неизбежно раздувается «на всякий случай». Именно здесь данные напрямую начинают влиять на OPEX. Одна из самых частых ошибок — строить прогноз только на истории продаж. Это удобно, но недостаточно. Продажи фиксируют то, что купили, но не объясняют, что хотели купить, но не смогли. Если товар несколько дней отсутствовал на полке, система увидит падение продаж. Но это не означает, что спрос исчез. Это значит, что товар был недоступен. Если такие ситуации не размечены в данных, система аналитики начинает занижать спрос, затем система заказывает меньше и дефицит воспроизводится снова. Так ошибка в интерпретации данных постепенно превращается в устойчивую операционную проблему.
Почему продаж недостаточно
Для полноценного управления запасами только одних данных о продажах недостаточно. Необходима более широкая картина: фактические остатки, данные о недоступности товара, цены, промокалендарь, реальные сроки поставки, минимальные партии заказа, возвраты, списания и сроки годности. Для отдельных категорий к этому добавляются погодные условия, праздники, локальные события и особенности конкретной локации — всё, что способно повлиять на поведение спроса.
Отдельная тема — разделение базового спроса и промоэффекта. Если система не умеет отделять естественную динамику от всплесков, вызванных акциями, она неизбежно начинает завышать ожидания после проведения промо. Для ритейла это классическая причина последующего затоваривания. То же самое касается сезонности: если модель не различает зимний и летний сценарий внутри категории, она будет постоянно колебаться между дефицитом и избыточными закупками.
Именно поэтому качественный прогноз в ритейле строится не вокруг одного «умного алгоритма», а вокруг дисциплины данных. Сначала компания должна определить, какие сигналы реально описывают спрос, и научиться их корректно учитывать. И только после этого имеет смысл выбирать инструмент, который будет их интерпретировать и превращать в решения.
Без ИТ-контура прогноз не доходит до полки
На этом месте часто возникает разрыв между аналитикой и операцией. Модель можно построить, метрики — улучшить, но без налаженного контура обмена данными и инфраструктуры, способной быстро и корректно собирать, сверять и передавать сигналы в системы пополнения, эффекта не будет.
Для устойчивой работы такого процесса нужен связанный ИТ-ландшафт: данные из кассовых систем, ERP (Enterprise Resource Planning, система управления ресурсами предприятия), WMS (Warehouse Management System, система управления складом), промоплатформ, мастер-данных и справочников должны не просто храниться рядом, а регулярно синхронизироваться и одинаково интерпретироваться. Любое расхождение обнуляет точность: если в одной системе товар «в наличии», а в другой он уже в стоп-листе; если срок поставки в модели один, а в закупке другой; если промокалендарь загружается с задержкой — итоговое решение окажется ошибочным независимо от качества алгоритма.
По сути, ритейлу нужен не просто прогноз, а промышленный контур принятия решений. В нём есть понятные правила обмена данными, единая логика расчёта показателей, контроль качества данных, мониторинг задержек и ошибок. И главное, механизмы, которые превращают расчёт в действие: параметры автозаказа, перераспределение запасов или сигнал для ручной проверки.
Как прогноз меняют ежедневные решения о пополнении
Когда компании говорят, что система прогнозирования помогает снижать запасы, за этим обычно стоят конкретные изменения в операционных процессах.
Во-первых, заказ начинает рассчитываться по ожидаемому спросу на время поставки.
Во-вторых, страховой запас перестаёт быть универсальной подушкой безопасности на все случаи жизни и начинает работать на результатах аналитики, а не по уровню тревожности менеджера.
В-третьих, сеть получает возможность видеть проблему до того, как она превратится в дефицит или избыток.
Это хорошо видно на кейсах крупных игроков. Например, в «Дикси» напрямую связывают внедрение F&R-системы (Forecasting and Replenishment — прогнозирование спроса и пополнение запасов) с возможностями точнее рассчитывать потребность в запасе по каждому узлу цепочки поставок, сокращать общий товарный запас сети, высвобождать бюджет, замороженный в сверхзапасах, повышать доступность товара и снижать списания. В компании также отмечают, что точность прогноза позволяет оптимизировать не только заказы, но и всю цепочку поставок от склада до полки, сокращая объём ручной работы, избыточные остатки и неравномерную нагрузку на персонал.
То есть хороший прогноз снижает OPEX не сам по себе, а потому, что меняет ежедневные решения: сколько заказать, когда заказать, куда везти, сколько людей нужно в смену и где лучше не «перестраховаться», а действительно сократить запас.
Модели нужны разные: один алгоритм не выдержит
Ещё одна типовая ошибка — строить прогноз только на истории продаж. Это удобно, но опасно. История продаж фиксирует, что купили, но не всегда объясняет, почему именно так произошло. Например, если товар три дня отсутствовал на полке, система увидит факт, что его не покупали, и может решить, что спрос упал. Хотя на самом деле его просто не было в наличии, поэтому и покупок не было. Дальше начинается классическая спираль: модель занижает спрос, сеть заказывает меньше и дефицит повторяется.
Поэтому в качественный прогноз должны входить не только продажи, но и факты отсутствия товара, промокалендарь, цена, сроки поставки, погодные условия, локальные события, праздники и хотя бы базовые признаки поведения покупателей. «Дикси» в своём проекте указывает, что алгоритмы анализируют исторические продажи, рыночные тренды, погоду, локальные события и поведенческие паттерны покупателей в каждом конкретном магазине сети. Это уже правильная архитектура: модель смотрит не только в зеркало заднего вида, но и на факторы, которые действительно двигают спрос.
Очень показателен и пример сезонности. По данным Dialog X5, в сети «Перекрёсток» у чая зимой приходится 30,54% годового объёма продаж, а летом только 19,33%. У фруктов зимой доля продаж составляет 26,81%, весной падает до 22,13%, а летом снова растёт до 24,96%. Даже мясная категория, которая выглядит стабильнее, зимой показывает 26,27% против 23,28% летом. Это простая, но важная мысль: если система не умеет различать сезонные сценарии, она будет то перезакупать, то запаздывать.
Отсюда практическое правило: не нужно пытаться одной моделью описать весь ассортимент. Для стабильных товаров с высокой и устойчивой скоростью продаж подойдут более простые схемы. Для промозависимых, погодочувствительных и высоковолатильных категорий нужен отдельный контур, где базовый спрос считается отдельно от прироста спроса за счёт промоакции. Иначе акция, сезонность и реальный тренд смешиваются в одну кашу, а расплачивается за это склад.
Эффект нужно считать на языке бизнеса
У многих ритейлеров проект ломается в тот момент, когда его начинают защищать перед бизнесом. Аналитики приходят с улучшением MAPE (Mean Absolute Percentage Error — средней абсолютной процентной ошибки), а операционный директор спрашивает: «И что я с этого получил?» Вопрос, кстати, совершенно логичный.
Для бизнеса прогноз хорош не тогда, когда «ошибка в модели снизилась на 7%», а когда меняются операционные показатели. На практике смотреть стоит минимум на пять метрик: доступность товара на полке, запас в днях, объём списаний и уценки, долю ручных корректировок заказов и равномерность нагрузки на склад и персонал. Именно так оценивают эффект в реальных проектах. «Дикси» говорит о сокращении общего товарного запаса, высвобождении бюджета, росте доступности и снижении списаний.
С чего начинать, чтобы не утонуть в проекте
Лучший путь — не строить «большую единую платформу всего и сразу», а заходить через самый дорогой тип ошибки. В одной сети это могут быть списания свежих продуктов, в другой — дефицит товаров с высокой оборачиваемостью, в третьей — избыточный запас после промо. Начинать стоит не с выбора алгоритма, а с ответа на простой вопрос: где ошибка прогноза сегодня стоит бизнесу больше всего денег.
На практике первый этап — это привести в порядок данные, на которых будет строиться прогноз. Нужно не просто выгрузить историю продаж, а понять, насколько ей можно доверять. Если товар отсутствовал на полке, продажи в этот день не должны восприниматься как нулевой спрос. Если цена менялась из-за акции, модель должна видеть не только факт продажи, но и причину всплеска. Если поставщик регулярно задерживает отгрузку на два дня, в системе должен быть реальный срок поставки, а не норматив из договора, который давно живёт отдельно от жизни.
Отдельно стоит проверить остатки. В ритейле это больное место: товар может числиться в магазине, но физически лежать не там, быть заблокированным, повреждённым, потерянным в пересортице или недоступным для продажи. Для модели всё это разные ситуации. Если такие случаи не размечены, прогноз начинает учиться на искажённой картине.
То же самое относится к промо и ценам. Нельзя смешивать обычный спрос и спрос, разогнанный скидкой или выкладкой. Если система не знает, что товар продавался по акции, она может принять временный всплеск за новую норму и после промо сформировать завышенный заказ. Так появляется классическая история: акция закончилась, спрос вернулся к обычному уровню, а склад ещё долго переваривает излишки. Поэтому промокалендарь, глубина скидки, период акции, формат выкладки и канал продаж должны попадать в модель как отдельные признаки.
После очистки данных нужно собрать базовый прогноз. Стоит сравнить несколько подходов: простой прогноз по средним продажам, статистическую модель с учётом сезонности и более сложную модель машинного обучения. Это нужно делать не только по технической метрике ошибки прогноза. Для пилота важнее смотреть, как он влияет на операционные решения. Например, стало ли меньше ручных правок заказа, снизился ли запас в днях, выросла ли доступность товара на полке, сократились ли списания и срочные перемещения между магазинами.
Следующий шаг — пилот на замкнутом контуре: прогноз — заказ — пополнение — фактический результат. Необходимо понять, как прогноз проходит весь путь до полки. Система должна рассчитать ожидаемый спрос, на его основе сформировать рекомендацию по заказу, учесть срок поставки, минимальную партию, остатки, товар в пути, ограничения склада и фактическое исполнение поставки. Периметр пилота лучше ограничить. Например, выбрать одну категорию, несколько десятков магазинов и понятный период наблюдения. Хорошо подходят категории, где проблема уже заметна в деньгах: свежие продукты со списаниями, товары с высокой частотой покупок, промозависимый ассортимент или позиции, по которым часто возникают дефициты. Ошибка многих компаний — запускать пилот сразу на слишком широком контуре. В результате становится трудно понять, что именно сработало, где сбой, кто за него отвечает и какой эффект можно масштабировать. Правильный итог пилота — управленческое решение: какие категории можно переводить на новый контур пополнения, где пока нужна ручная проверка, какие данные надо доочистить и какие бизнес-правила мешают автоматизации. Если после пилота компания понимает, что именно нужно масштабировать, какие ограничения снять и какой эффект ожидать по запасам, списаниям и доступности товара, значит проект состоялся.
Так, «Дикси» шла поэтапно: сначала MVP-решение прогнозирования спроса запустили в 20 магазинах Москвы и Московской области, а затем масштабировали на сеть. Это правильная логика: сначала поймать эффект в ограниченном периметре, проверить данные и процесс пополнения, а уже потом расширять решение. В прогнозировании спроса масштабирование «вслепую» почти всегда дорого обходится. Алгоритм можно размножить быстро, но если вместе с ним размножить ошибки в данных и процессах, склад скажет спасибо. Непечатно.
Запасы становятся «чёрной дырой» не потому, что ритейл плохо считает склад. Они превращаются в неё тогда, когда компания пытается компенсировать неопределённость товаром, а не данными. Чем чаще и мельче покупки, тем дороже обходится инерционное планирование. Поэтому прогноз спроса сегодня — это уже не про красивую аналитику поверх ERP, а про снижение конкретных статей OPEX: хранения, ручного труда, списаний, срочной логистики и потерь от дефицита. И выигрывает здесь не тот, у кого самая сложная модель, а тот, кто умеет превратить прогноз в ежедневное решение о пополнении. На этом этапе математика наконец перестаёт быть абстракцией и начинает работать как вполне земной способ не сжигать деньги на складе.
Автор статьи:
Максим Власюк
Директор по работе с корпоративным сектором Группы Arenadata
Источник: Oborot.ru