Исходная ситуация
Дистрибьютор продуктов питания возил в магазины региона около двух с половиной тысяч SKU со сроками годности от пяти дней до полугода. Закупки планировал менеджер по опыту: смотрел продажи прошлой недели, добавлял «чуть-чуть сверху» на всякий случай. Всякий случай обходился дорого: молочка возвращалась списанием, а замороженные позиции занимали морозильные объёмы, которые можно было продать.
Решение
Мы построили модель прогноза спроса по каждому SKU и каждому магазину отдельно. Она учитывает день недели, сезонность, праздники, погоду (в жару напитков уходит вдвое больше), акции сетей и историю промо. На выходе менеджер получает план закупки на неделю с разбивкой по дням и объяснением: почему модель ждёт рост по этой позиции.
«Система спорит с моим чутьём. За полгода я проиграл ей почти все споры» — руководитель закупок
Что внедрили
- прогноз спроса по SKU и точкам продаж на 7 и 14 дней;
- автоматическую корректировку под акции и сезон;
- рекомендации по уценке позиций с приближающимся сроком;
- план закупок в 1С с правкой вручную только по исключениям;
- контроль точности прогноза по неделям.
Результаты
Списания просрочки сократились на 35%, что в деньгах составило около 800 тысяч рублей в квартал. Освободилось 18% оборотных средств, застрявших в лишнем запасе. Точность недельного прогноза удерживается на уровне 92%. Менеджер по закупкам перестал быть человеком-калькулятором: он разбирает исключения и ведёт переговоры с поставщиками.
Почему это работает
Человек хорошо оценивает крупные события: праздник, акция, новый магазин. Но он физически не способен держать в голове две с половиной тысячи позиций с их сезонностью. Машина ровно наоборот: скучные повторяющиеся зависимости она ловит отлично, а редкие события требуют человеческого ввода. Поэтому система и построена как дуэт: модель считает, человек корректирует то, о чём знает только он.