Меньше дефицита при меньшем складе — это одна и та же задача

Идеальная ситуация — несколько лет продаж по каждому SKU без пропусков. В реальности история содержит нули из-за отсутствия товара на складе, всплески от разовых корпоративных заказов и следы акций, о которых никто уже не помнит. Если обучать модель на таких данных как есть, она будет воспроизводить ошибки снабжения, а не спрос.

Первое, что мы делаем — чистим историю: помечаем периоды отсутствия товара как пропуски, а не как нулевые продажи, отделяем разовые крупные заказы и восстанавливаем календарь промо из маркетинговых данных. Второй шаг — группировка. Редкие позиции предсказывать по отдельности бессмысленно: у артикула с пятью продажами в месяц любой прогноз будет шумом. Такие SKU объединяются в группы по категории, ценовому сегменту и поведению, и прогноз считается на группу, а затем распределяется внутри неё по историческим долям.

Третий шаг — новинки. Для них истории нет вообще, поэтому прогноз строится по аналогам: похожие по характеристикам и цене товары, запущенные ранее. Мы фиксируем допущение и пересчитываем прогноз по факту первых недель продаж, чтобы не тащить ошибочную оценку через весь сезон.

Страховой запас существует ровно для двух причин: спрос может оказаться выше прогноза, а поставка может прийти позже срока. Значит, его величина определяется не ощущением, а двумя измеримыми величинами: разбросом ошибки прогноза и разбросом фактического времени поставки. Если и то, и другое небольшое, запас может быть минимальным; если поставщик непредсказуем, никакой разумный запас не спасёт, и решать нужно вопрос поставщика, а не склада.

Мы считаем запас на целевом уровне сервиса: например, при 95% мы должны закрывать со склада 95% заказов. Уровень сервиса выбирается не интуитивно, а по экономике — сравнением маржи, которую теряем при дефиците, с затратами на хранение и замороженный капитал. Для разных категорий эти цифры разные: там, где недопоставка срывает производство или штрафуется контрактом, разумно держать 98–99%, а для товаров длинного хвоста достаточно 85–90%.

Отдельный разговор — точки пополнения. Заказывать нужно с учётом интервала между заказами, минимальной партии и кратности упаковки. Формально оптимальный заказ в 37 единиц бессмысленен, если поставщик отгружает коробками по 24 и доставка стоит фиксированно. Поэтому мы всегда проверяем математику на ограничения реального закупочного процесса.

Договорной срок поставки — это обещание, а не факт. Чтобы принимать решения, нужна статистика фактических отгрузок: как долго в среднем идёт поставка, насколько велик разброс, как часто случаются просрочки, улучшается ситуация или ухудшается. Эти данные обычно уже есть в системе — в датах заказов, отгрузок и поступлений, — но их никто не агрегирует.

Мы строим по каждой паре «поставщик — товарная группа» распределение времени поставки и индекс надёжности. Индекс учитывает долю просроченных отгрузок, среднюю величину задержки и её тренд. Для критичных позиций дополнительно считаем зависимость: если товар закупается у единственного поставщика с растущими задержками, это риск остановки, который нужно закрывать заранее — вторым источником или повышенным запасом.

Сигналы раннего предупреждения работают лучше разового анализа: рост средней задержки на 20% за месяц, снижение комплектности, изменение условий оплаты, частые корректировки подтверждённых дат. Каждый такой сигнал попадает закупщику как задача, а не как строка в отчёте, иначе он останется незамеченным до момента срыва.