Александр Костин – ИИ в закупках и снабжении: как снизить дефициты и высвободить деньги из запасов (страница 6)

ИИ помогает разложить оборачиваемость на причины. Падает ли оборачиваемость из-за роста хвоста. Падает ли она из-за перезакупа под неверный прогноз. Падает ли она из-за провалов в ценовой политике. Падает ли она из-за неэффективного распределения запасов между площадками. Падает ли она из-за того, что закупают не то, что быстрее продается, а то, что проще заказать.

Ключевая ценность ИИ здесь в том, что он может связать оборачиваемость с действиями. Не просто показать, что «оборачиваемость 120 дней». Он может показать, какие позиции дают максимальный вклад в замороженный капитал, какие категории раздулись, где сформировались «склады внутри склада», какие поставки стоит сократить, какие стоит перенести, какие стоит заменить, какие стоит распродать, какие стоит вернуть. Он превращает оборачиваемость из диагноза в план разгрузки капитала.

Отчет «Матрица приоритетов складских остатков»

В конце этой главы важно зафиксировать практический артефакт, который делает ABC-XYZ частью регулярной работы. «Матрица приоритетов складских остатков» – это не таблица ради таблицы. Это короткий управленческий документ, который собирается автоматически и отвечает на один вопрос: что делать с запасами в ближайший период.

Структура отчета может быть текстовой, в виде блоков.

Первый блок. Критические позиции группы A. Список товаров, где прогнозируемый дефицит приближается, где риск поставки вырос, где нужен ускоренный заказ, где нужен резервный канал, где нужен пересчет страхового запаса. По каждой позиции фиксируется причина, рекомендуемое действие и срок решения.

Второй блок. Зона риска AZ и BZ. Позиции, где спрос и поставка непредсказуемы, и где стандартная логика заказов ведет к потерям. По каждой позиции указывается безопасная стратегия: дробление заказа, ограничение максимального запаса, согласование аналога, распределение между поставщиками, отдельный контроль качества.

Третий блок. Хвост ассортимента. Позиции, которые можно перевести в автоматический режим, и позиции, которые создают лишнюю сложность. Фиксируются рамки: максимум запаса, условие пополнения, правило закупки под заказ, причина запрета на пополнение.

Четвертый блок. Неликвиды и «спящие». Список товаров с приоритетом по объему замороженных денег. Для каждого товара фиксируется рекомендуемое решение: распродажа, уценка, возврат, перераспределение, вывод из ассортимента, остановка закупки.

Пятый блок. Товары со сроком годности. Список позиций, где возраст запасов приближается к критическим точкам. Указывается план действий: ускорение продаж, изменение частоты поставок, пересмотр партии, перераспределение.

Шестой блок. Деньги и место. Сводка, сколько капитала можно высвободить при выполнении плана, какой объем склада освободится, где снизится риск дефицита, где снизится риск списаний.

Когда такой отчет появляется регулярно, ABC-XYZ перестает быть методикой. Он становится привычкой управления. Компания начинает думать о запасах не как о «наличии товара», а как о портфеле решений с разными режимами. ИИ здесь играет роль не оракула, а системного аналитика, который каждый раз возвращает бизнес к главному: деньги, сервис, риск, скорость. Именно так интеллектуальный анализ запасов перестает быть красивым термином и становится практикой, которая уменьшает хаос и увеличивает устойчивость снабжения.

Глава 5. Прогноз спроса без иллюзий: как ИИ предсказывает потребность и где он ошибается

Прогноз спроса – самый соблазнительный элемент ИИ в закупках. Он обещает избавить бизнес от вечного напряжения: «а вдруг не хватит», «а вдруг лишнее», «а вдруг сорвем сроки». Из-за этого прогноз часто воспринимают как чудо-цифру, которую достаточно «получить» и дальше просто закупать по ней. На практике именно такой подход и приводит к разочарованиям. Прогноз – это не истина. Это гипотеза о будущем, построенная на прошлом и на текущих сигналах. Если относиться к прогнозу как к приказу, а не как к инструменту, он начнет приносить не стабильность, а уверенный, системный перекос.

В этой главе мы разберем, как в реальности строится прогноз потребности для снабжения, почему «продажи за прошлый месяц» почти никогда не равны спросу, какие типовые источники ошибок существуют в любой модели, и какие управленческие правила позволяют использовать прогноз прагматично – без иллюзий, но с сильным эффектом.

Что именно должен предсказывать ИИ: продажи, спрос или потребность

Первое, что надо разложить: прогноз в закупках может предсказывать разные вещи, и от этого зависит качество решений.

Продажи – это то, что реально купили. Продажи зависят от наличия товара, цены, промо, канала, времени доставки, качества сервиса. Если товара не было, продажи не отражают спрос.

Спрос – это то, что клиенты хотели бы купить при нормальных условиях. Спрос может проявляться как запросы, просмотры, добавления в корзину, обращения, отказы, замены на аналоги. Он шире продаж и ближе к реальности рынка.

Потребность – это то, что нужно бизнесу, чтобы обеспечить спрос с заданным уровнем сервиса при конкретных ограничениях. Потребность – это уже не «рынок», а «план»: сколько надо иметь доступного товара с учетом сроков поставок, страхового запаса, товаров в пути, резервов, минимальных партий, бюджета и складских лимитов.

Если прогнозировать только продажи, вы получаете удобную цифру, но не решаете проблему дефицита. Если прогнозировать спрос, вы приближаетесь к реальному рынку, но закупочные решения все равно будут ошибаться, если вы не переводите спрос в потребность. Поэтому в зрелой системе ИИ делает две вещи: сначала оценивает спрос, затем переводит его в потребность на горизонте планирования с учетом конкретных ограничений.

Горизонт прогноза: почему «на месяц вперед» часто вреднее, чем полезнее

Вторая ловушка – горизонт прогнозирования. Многие хотят прогноз «на месяц» или «на квартал», потому что так удобнее бюджетировать и планировать. Проблема в том, что точность прогнозов падает с горизонтом, а цена ошибки растет. Особенно в категориях с высокой волатильностью, большим хвостом ассортимента, нестабильной логистикой и частыми промо.

В закупках важнее не длинный прогноз, а набор горизонтов под разные решения.

Короткий горизонт (несколько дней – две недели) нужен, чтобы не допустить дефицита, вовремя ускорить поставку, вовремя скорректировать заказ, вовремя перераспределить запасы.

Средний горизонт (месяц – два) нужен, чтобы планировать регулярные поставки, согласовывать объемы с поставщиками, управлять производственным циклом и логистикой.

Длинный горизонт (квартал – год) нужен для стратегии: контракты, объемные скидки, выбор поставщиков, расширение складских мощностей, план промо, изменение ассортимента.

ИИ может строить все три горизонта, но управленческая дисциплина состоит в том, чтобы не использовать длинный прогноз для решений, которые требуют короткой точности. И наоборот: не пытаться стратегически планировать, опираясь только на ближайшую неделю.

Из чего строится прогноз: сигналы, которые действительно работают

Прогноз – это не только история продаж. В закупках полезные сигналы обычно делятся на несколько групп.

Исторический спрос и сезонность. Это основа. Но сезонность редко бывает чистой, поэтому ее нужно связывать с календарем событий, а не только с месяцами.

Цена и промо. Изменение цены и наличие промо часто дают более сильное влияние, чем любая «общая тенденция». Если модель не знает о промо, она воспринимает всплеск как необъяснимую аномалию и начинает ошибаться дальше.

Наличие/дефицит. Периоды отсутствия товара должны быть отмечены как особые. Иначе модель учится на урезанном спросе и снижает прогноз по самым нужным позициям.

Каналы. Один и тот же товар может вести себя по-разному в разных каналах: розница, маркетплейсы, B2B, сайт, дистрибьюторы. Если прогноз строится по совокупности, он иногда «усредняет» и теряет точность.

События продукта. Запуск новинки, вывод товара, смена упаковки, изменение комплектации, замена поставщика, изменение качества – все это меняет поведение спроса. Если модель не знает о событиях, она интерпретирует изменения как шум.

Внешние факторы. Для некоторых категорий важны погода, праздники, школьный календарь, курсовые колебания, регуляторные изменения, логистические ограничения. Важно не пытаться добавить все сразу. Достаточно сначала добавить то, что вы реально умеете фиксировать и что повторяемо влияет на спрос.

Потребительские сигналы. Просмотры, добавления в корзину, поисковые запросы, обращения в поддержку, отказные причины – полезны, если они устойчиво собираются и если вы понимаете, что именно они отражают. Это не замена продажам, а дополнительный ранний индикатор.

ИИ силен не тем, что «видит больше». Он силен тем, что умеет взвешивать сигналы и регулярно пересчитывать взаимосвязи, при этом не уставая и не забывая контекст.

Почему ИИ ошибается: источники ошибок, которые нельзя убрать полностью

Ошибки в прогнозировании неизбежны. Важно заранее понимать их природу, чтобы не воспринимать ошибку как провал проекта.

Первый источник – структурные разрывы. В какой-то момент рынок меняется: появляется конкурент, меняется канал, меняется цена логистики, меняется регуляторика, меняется поведение клиентов. Прошлое перестает быть хорошим отражением будущего. Любая модель в этот момент теряет точность, пока не накопится новая история.