# Автозаказ по прогнозу спроса в 1С: кейс интернет-магазина с тремя складами

Статья

[Валентин](/#team-gallery) · Управляющий партнёр, куратор проектов · 3 июня 2026

**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.

![Валентин](/static/img/team/valentin-v3.jpg) **Валентин**
Управляющий партнёр, куратор проектов

В 1С с 2004 года, в «Бест Бизнес Софт» — с 2009 года. Внедрял и сопровождал 1С:ERP, Комплексную автоматизацию, Управление торговлей и ЗУП в производстве, строительстве, дистрибуции и рознице. Окончил МГУ им. М. В. Ломоносова.

## Читайте также

Управленческий учёт

### [Как выбрать 1С для управленческого учёта](/blog/1s-dlya-upravlencheskogo-ucheta.md)

Сопровождение

### [Как выбрать 1С:ИТС и подключить 1С-Отчётность](/blog/1s-its-i-elektronnaya-otchetnost.md)

Розница

### [Как подключить торговое оборудование к 1С:Рознице](/blog/1s-roznitsa-i-torgovoe-oborudovanie.md)

## Склад одновременно пустой и забитый? Поможем поставить прогноз спроса и автозаказ на ИИ в вашей 1С

Опишите задачу — ответим и предложим решение.

[Оставить заявку](/kontakty.html?source_page=%2Fblog%2Ftg-ai-05-avtozakaz.html&source_block=%D0%97%D0%B0%D1%8F%D0%B2%D0%BA%D0%B0+%D0%B2+%D0%BA%D0%BE%D0%BD%D1%86%D0%B5+%D1%81%D1%82%D0%B0%D1%82%D1%8C%D0%B8#lead-form)

[Исходная страница](https://best-bs.ru/blog/tg-ai-05-avtozakaz.html)
