Коротко: Интернет-магазин товаров для дома и сада подключил к 1С прогнозную модель спроса. Она формирует проекты заказов поставщикам, предлагает перемещения между складами и заранее отмечает неликвид. Out-of-stock по ходовым позициям снизился на 78%, заморозка в неликвидах упала с 6 до 2,7 млн рублей, внедрение окупилось за 4 месяца.

Это кейс внедрения автозаказа по прогнозу спроса в интернет-магазине, который ведёт учёт в 1С. У магазина было две проблемы, которые выглядят противоречиво: ходовые товары регулярно заканчивались, а склад при этом был забит товаром, который никто не покупал.

Клиент и исходная ситуация

Клиент продаёт онлайн товары для дома и сада. Ассортимент 4 800 SKU, 3 склада в разных городах. Магазин отгружает в розницу через сайт и оптом небольшим магазинам. Закупками занимаются один закупщик и один ассистент, есть ещё заведующая складом.

Заказы поставщикам формировались раз в неделю, отчасти по чутью, отчасти по таблице Excel с остатками.

Клиент описал задачу так: «Постоянно нет ходовых позиций — клиенты уходят. И одновременно — склад забит товаром, который не продаётся, деньги заморожены».

Какие были проблемы

Ходовые позиции заканчивались

Из 200 самых продаваемых SKU в среднем 20–30 регулярно уходили в out-of-stock. Магазин терял на этом около 12–15% оборота. Покупатель заходил на сайт, не находил товар и покупал у конкурента, и вернётся ли он потом, неизвестно.

Сильнее всего это било перед сезоном: садовую мебель покупают в марте, новогодние товары в конце ноября. Закупщик уходил в отпуск в феврале, и в сезон по ключевым категориям склад оказывался пустым.

Неликвид лежал мёртвым грузом

При этом на складе зависало около 18% ассортимента: товары, купленные 6 и более месяцев назад, которые не продавались. Это порядка 6 млн рублей замороженного оборотного капитала. Распродажи помогали слабо. ИИ-аналитик не работал, а решения, что уценить, принимались вручную раз в полгода и с большим опозданием.

Пересортица между складами

Бывало, что на складе в городе А позиции X нет, а на складе в городе Б её лежит 300 штук. Перемещения организовывали вручную: заведующая склада А звонила заведующей склада Б, и они договаривались. Примерно половину таких случаев просто не замечали. Клиент покупал у конкурента, а товар оставался на полке другого склада.

Закупки по памяти

Сезонность учитывалась приблизительно. Акции поставщиков (скидка на партию от N штук) учитывались, только если о них вовремя вспоминали. Плана закупок на квартал не было. Был план на следующий месяц, и его переделывали каждую неделю.

Что сделали

К 1С подключили прогнозную модель спроса. Она объединяет три подхода:

  • классические алгоритмы прогнозирования временных рядов для стабильных категорий;
  • градиентный бустинг для новых и сезонных позиций;
  • правила для учёта акций и промо.

Модель развернули на сервере клиента и обучили на 3 годах истории продаж.

Прогноз продаж по каждому SKU на 30, 60 и 90 дней

Модель учитывает:

  • историческую динамику продаж;
  • день недели;
  • сезонность;
  • влияние праздников и распродаж;
  • текущие маркетинговые активности;
  • темп просмотров товара на сайте за последнюю неделю.

По каждому SKU модель выдаёт ожидаемый спрос и доверительный интервал.

Автоматические заявки на закупку

Раз в неделю система готовит проект заказа, например: «Поставщику А — 25 позиций, общая сумма 480 тыс., точка пополнения с учётом сроков доставки 14 дней». Закупщик больше не составляет заказ с нуля, он проверяет и правит готовый проект.

Если на позицию действует акция поставщика (скидка от 100 шт.), модель предлагает округлить заказ до акционного объёма, когда это не выходит за нормативы по запасу.

Балансировка между складами

Каждое утро модель проверяет остатки по складам и предлагает перемещения, например: «На складе А скоро out-of-stock по позиции X, на складе Б — избыток. Перевезти 40 штук, окупится за неделю». После подтверждения заведующих 1С сама создаёт документ перемещения.

Раннее предупреждение о неликвиде

SKU, который не продавался 60 дней, попадает в сводку для отдела продаж с рекомендацией: скидка 15% или включение в товарный набор. Решение по-прежнему принимает человек, но такие позиции больше не остаются незамеченными.

Результаты

Показатель Результат
Out-of-stock по ходовым позициям −78%
Точность прогноза спроса по топ-500 SKU 88% (раньше по ощущениям закупщика, оценочно 55–60%)
Заморозка в неликвидах с 6 млн до 2,7 млн рублей (−55%)
Оборачиваемость склада выросла в 1,4 раза
Перемещения между складами в 4 раза чаще
Окупаемость 4 месяца

Как это выглядит на практике:

  • ключевые товары есть в наличии, и покупатели не уходят к конкурентам;
  • из неликвидов высвободился оборотный капитал;
  • магазин держит тот же оборот на меньших остатках;
  • перемещения между складами проходят без звонков и переписки;
  • у закупщика освободилось время на стратегические задачи: переговоры с поставщиками, поиск новых брендов, расширение ассортимента;
  • затраты на внедрение окупил один только оборотный капитал, высвобожденный из неликвидов.

Частые вопросы

Какие алгоритмы используются для прогноза спроса в 1С?

Для стабильных категорий используются классические алгоритмы прогнозирования временных рядов, для новых и сезонных позиций используется градиентный бустинг, акции и промо учитываются через правила. Модель развернули на сервере клиента и обучили на 3 годах истории продаж.

Насколько точен прогноз спроса по сравнению с ручным планированием?

Точность прогноза по топ-500 SKU составила 88%. Прогноз закупщика по ощущениям оценивался в 55–60%.

За какой срок окупилось внедрение автозаказа?

За 4 месяца. Затраты на внедрение перекрыл один только оборотный капитал, который высвободился из неликвидов: заморозка снизилась с 6 до 2,7 млн рублей.