Управление запасами и прогнозирование спроса

От спора «человек или алгоритм» — к разделению ролей
​
Продолжаем разбирать передний край в прогнозировании спроса и управлении запасами. Долгое время вопрос звучал просто: кто прогнозирует лучше — опытный закупщик или алгоритм? Сейчас его всё чаще ставят иначе: в каких ситуациях человек действительно улучшает решение, а когда его вмешательство только добавляет ошибку? То есть ручная корректировка перестаёт считаться полезной по умолчанию — её начинают измерять.
​
Для этого используют подход Forecast Value Added: сравнивают прогноз системы до вмешательства человека, прогноз после корректировки и фактический результат.
​
В 2025 году в International Journal of Forecasting вышло исследование Forecast Value Added in Demand Planning. Авторы объединили 147 131 прогноз из 10 организаций и 22 бизнес-подразделений.
​
Результат получился довольно отрезвляющим: ручные корректировки улучшили точность прогноза лишь для 51,5% SKU. Причём корректировки в сторону увеличения прогноза улучшали точность только в 45,9% случаев, тогда как корректировки в сторону уменьшения — в 62,7%. То есть сам факт ручного вмешательства вовсе не гарантирует улучшения: примерно в половине случаев оно не помогало или делало прогноз хуже.
​
Вывод отсюда не «убрать человека», а вмешиваться выборочно и понимать, где человеческая экспертиза действительно добавляет ценность. И исследования уже переходят именно к этому вопросу: MIT сейчас изучает три режима работы на реальных данных примерно по 1 900 SKU — полную автоматизацию, автоматизацию с возможностью вмешательства и совместную работу человека с системой. Задача — понять, в каких ситуациях какой режим даёт лучший результат.
​
Появление ИИ-агентов добавляет ещё один уровень. Теперь нужно решать не только когда человек должен вмешиваться, но и какие решения система вообще имеет право принимать самостоятельно. Gartner в 2026 году отдельно подчёркивает необходимость заранее задавать ограничения, точки передачи решения человеку и механизмы аудита. При этом Gartner предупреждает, что разговоров о полной автономии сегодня больше, чем реально зрелых решений.
​
Получается такой сдвиг:
​
🔹 Было: человек против алгоритма — кто прогнозирует лучше?
​🔹 Продвинутая практика: измеряем эффект ручных корректировок и вмешиваемся только там, где это действительно помогает.
🔹 Передний край: система сама определяет, какие решения можно автоматизировать, где нужен человек и какой уровень автономии допустим для каждого типа решения.
​
В Forecast NOW! основа для такой работы уже есть: рекомендации системы и ручные корректировки можно сопоставлять, действия пользователей сохраняются, а результат вмешательства можно анализировать отдельно.
​
Главный вопрос теперь не «кто лучше — человек или алгоритм?», а «как правильно разделить между ними работу и ответственность».

Формула Уилсона: классика управления запасами

Как определить, сколько товара выгоднее заказывать за один раз? Один из самых известных инструментов для решения этой задачи — формула Уилсона (EOQ), которой уже больше 110 лет.

Она помогает найти баланс между затратами на оформление заказов и хранение запасов. Несмотря на возраст, модель остаётся важной частью профессиональной базы специалистов по управлению запасами.

В новом видео разбираем формулу на практическом примере: рассчитываем оптимальную партию закупки, строим модель в Excel и смотрим, как на результат влияют стоимость доставки и хранения.

А главное — объясняем, почему в реальном бизнесе одной формулы недостаточно. Сезонность, минимальные партии поставщиков (MOQ), скидки за объём и ограниченный срок жизни товаров могут существенно изменить решение.

В видео — не только расчёты, но и логика, лежащая в основе одной из самых известных моделей управления запасами.

Смотреть на fnow.ru
Cмотреть на Youtube
Смотреть в VK

Запись вебинара «ИИ поверх системы автозаказа: как встроить его в существующие процессы»

15 октября на практических примерах показали, как использовать ИИ для автоматизации работы с данными и решения повседневных задач закупщика.
 
На примере связки 1С и Forecast NOW! разобрали, как ИИ помогает объяснять расчёты заказов, анализировать данные и строить графики, обрабатывать письма и прайсы поставщиков, находить ошибки в выгрузках и подготавливать данные для системы. Также рассмотрели создание ИИ-инфраструктуры вокруг системы автозаказа, использование API и ИИ-агентов для автоматизации рабочих процессов.

Ссылки на запись:
Смотреть на сайте fnow.ru
Cмотреть на VK Видео
Смотреть на Youtube

От экономии на запасе — к цене устойчивости

Продолжаем разбирать передний край в управлении запасами. В прошлом посте говорили о том, что неопределённым бывает не только спрос, но и сама поставка: поставщик может задержаться, сократить объём или вообще выпасть.
Следующий вопрос — как от этого защищаться и сколько разумно заплатить за защиту.

Классическая логика управления запасами понятна: обеспечить нужный уровень сервиса и при этом держать как можно меньше денег в запасе. Но если цепочка нестабильна, слишком «бережливая» система может оказаться очень дорогой.
Дополнительный запас, второй поставщик, резерв мощности или гибкий контракт выглядят как лишние затраты — пока сбоя нет. Но когда он происходит, именно эти меры определяют, будет ли товар доступен. Поэтому меняется сама постановка задачи: не просто «как минимизировать запас?», а «сколько стоит нужный нам уровень устойчивости?»

И это уже не отдельная идея нескольких компаний. В обзоре Supply Chain Resilience: A Review from the Inventory Management Perspective, опубликованном в 2025 году, исследователи систематизировали 102 работы по управлению запасами и устойчивости цепочек. Среди основных мер — дополнительный запас, несколько источников поставки, резервирование мощности и гибкие контракты. А работа 2026 года Managing supply chain resilience and cost trade-offs анализирует уже 129 рецензируемых исследований и ставит вопрос прямо: устойчивость без учёта стоимости остаётся абстрактной концепцией. Компании нужно выбирать такой уровень защиты, который соответствует её рискам и ограничениям по затратам.

Ту же логику всё заметнее продвигает Gartner. В Risk Management Playbook for CSCOs to Build Supply Chain Resilience аналитики говорят не просто о снижении рисков, а о необходимости приоритизировать их и управлять ими экономически эффективно. Отдельный Gartner Magic Quadrant по решениям для управления рисками поставщиков показывает, что это уже сформировавшийся рынок технологий, а не разовая реакция на пандемию.

Но где здесь передний край?

Сами инструменты старые: страховой запас и второй поставщик существовали десятилетиями. Новый уровень — считать их как инвестицию в устойчивость.

Например:
🔹 сколько дополнительных дней запаса оправданы риском срыва поставки;
🔹 стоит ли более дорогой резервный поставщик снижения риска дефицита;
🔹 когда выгоднее заплатить за ускоренную поставку;
🔹 сколько мощности резервировать на случай резкого роста спроса.

Исследования уже сравнивают такие стратегии количественно. Например, в работе 2025 года Dual sourcing strategies under supply disruption and demand uncertainty сравниваются разные схемы снабжения из двух источников. Авторы показывают, что оптимальная политика зависит от типа сбоя и характера спроса: универсального варианта «всегда держать второго поставщика» нет.

То есть сдвиг выглядит так:

🔹 Было: дополнительный запас и резервный поставщик = неэффективность.
🔹 Продвинутая практика: используем их как инструменты управления риском.
🔹 Передний край: считаем, сколько конкретно стоит дополнительная устойчивость и какие потери она позволяет ограничить.

В Forecast NOW! отдельной единой функции «оптимизировать устойчивость» пока нет, но её элементы уже входят в расчёт: штраф за дефицит, вариативность сроков поставки, альтернативные поставщики, перераспределение запасов между складами и сценарное моделирование.

Главный вопрос уже не «как держать меньше запаса?», а «какой запас и какие резервы экономически оправданы, чтобы пережить сбой».

ИИ поверх системы автозаказа

До вебинара осталось несколько дней. А пока покажем небольшую часть того, что готовим к эфиру.

Вместо привычных слайдов о возможностях ИИ — четыре практических сценария.

Что будем делать:

🔹 Разбираться с заказами. Почему система предлагает 20 единиц, если расчётная потребность — всего 4? Покажем, как ИИ объясняет рекомендации на основе данных системы.

🔹 Обрабатывать письма поставщиков. Как превратить новые условия поставки в структурированные параметры и передать их в систему для пересчёта заказа.

🔹 Работать с выгрузками из 1С. Что делать, когда файл есть, но его формат и данные не подходят для загрузки.

🔹 Строить графики и анализировать результаты. Как с помощью ИИ подготовить наглядный дашборд и разобраться в показателях управления запасами.

В основе — данные системы автозаказа, работа с 1С и сценарии использования ИИ поверх существующих процессов.

Уже в этот четверг, 15 октября, в 12:00.

Спикер — Александр Грицай, CEO Forecast NOW!

Регистрируйтесь на вебинар

Можно точно спрогнозировать спрос — и всё равно получить дефицит

Продолжаем разбирать передний край в управлении запасами. Следующий сдвиг — от неопределённости только спроса к одновременному учёту неопределённости спроса и поставок.

Простой пример. Поставщик обещает привезти товар за 5 дней. В системе стоит срок поставки — 5 дней. Но фактически одна поставка приходит за 3 дня, другая за 7, третья за 10. Обещанный срок — одно число. Реальная поставка — распределение возможных сроков.

Если считать запас по обещанным пяти дням, система опирается на картину, которая регулярно расходится с реальностью. А самый неприятный сценарий — когда два риска совпадают: спрос вырос именно в тот момент, когда поставка задержалась. Поэтому сегодня всё больше внимания уделяется не двум отдельным рискам, а их совместному влиянию.

Базовая часть этого подхода уже вошла в промышленные системы. Например, в обновлении Oracle Cloud SCM, представленном летом 2026 года, страховой запас рассчитывается с учётом не только разброса спроса, но и вариативности сроков закупки, производства и транспортировки. То есть в расчёт закладывается не только обещанный срок, но и то, насколько он реально отклоняется.

Похожую проблему отдельно подчёркивает Gartner. В исследовании Establish a Stronger Supply Step in S&OP to Improve Business Results аналитики пишут, что компании слишком часто концентрируются на точности прогноза спроса и недооценивают риски со стороны поставок. Планирование должно учитывать не только колебания спроса, но и ограничения, сбои и нестабильность в цепочке поставок.

Почему эта тема особенно актуальна сейчас, хорошо видно по OECD Supply Chain Resilience Review 2025. ОЭСР фиксирует рост зависимости от узкого круга поставщиков по критичным позициям и рассматривает транспортные и закупочные риски как системную проблему, а не как редкое исключение.

Но сегодняшний передний край идёт дальше. Уже недостаточно знать, что «поставщик иногда опаздывает». Нужно оценивать, что происходит с поставкой прямо сейчас и какой риск это создаёт вместе с будущим спросом: вероятность сбоя поставщика, доступные мощности, состояние транспорта, вероятность задержки и другие факторы.

В исследовании 2026 года Managing demand uncertainty and supply disruption risks спрос и риск срыва поставок объединяются в одной многоэтапной модели: система рассматривает совместные сценарии и динамически выбирает стратегию закупок. А в работе Robust optimization of pharmaceutical inventory under supply and demand uncertainty одновременно учитываются колебания спроса и поставок, включая редкие тяжёлые сценарии. На данных фармацевтической цепочки такой подход снижал совокупные затраты на 15–25%, сохраняя уровень сервиса выше 90% в большинстве периодов.

Получается такой сдвиг:

🔹 Было: прогнозируем спрос, а срок поставки считаем заданным.
🔹Продвинутая практика: учитываем исторический разброс сроков при расчёте страхового запаса.
🔹Передний край: одновременно прогнозируем спрос и состояние поставки — задержки, мощности и вероятность сбоев — и пересчитываем решение при изменении любого из этих факторов.

В Forecast NOW! вариативность сроков поставки давно входит в расчёт страхового запаса, а для длинных плеч отдельно моделируются потребление до прихода поставки и будущие поступления.

Надёжный запас должен защищать не только от ошибки прогноза спроса, но и от того, что сама поставка может пойти не по плану.

От периодического плана — к цифровому двойнику

Продолжаем разбирать международные фронтиры в прогнозировании спроса и управлении запасами.

Следующий сдвиг — от периодического планирования к цифровому двойнику цепочки поставок.

Раньше проверить решение можно было в основном после его применения. Изменили правила заказа, подняли уровень сервиса, перераспределили запас — и через несколько недель увидели результат. Цифровой двойник меняет сам момент проверки: решение сначала проигрывают на цифровой модели цепочки. В неё переносят реальные процессы: как приходят поставки и с какими отклонениями, как расходуется запас, какие есть склады и маршруты, какие действуют ограничения поставщиков и правила заказа.

После этого можно заранее проверить:

🔹 что будет, если поставщик выпадет на две недели;
🔹 хватит ли запаса при росте спроса на 30%;
🔹 что изменится при повышении уровня сервиса;
🔹 какая из нескольких политик пополнения даст меньшие потери.

То есть вместо схемы «приняли решение → применили → посмотрели результат» появляется другая:
«проиграли варианты → сравнили последствия → выбрали решение → применили».

Почему это фронтир?

Одна из ключевых работ — A Digital Supply Chain Twin for Managing the Disruption Risks and Resilience in the Era of Industry 4.0 Дмитрия Иванова и Александра Долгуя. Ещё в 2020 году авторы описали цифровой двойник цепочки как компьютерную модель текущего состояния сети, которая объединяет реальные данные, моделирование сбоев и оценку последствий решений.

За несколько лет направление сильно выросло. В систематическом обзоре 2024 года Unlocking the potential of digital twins in supply chains исследователи разобрали 129 научных работ. Вывод показательный: цифровые двойники уже используются в пилотах и отдельных процессах, но полноценная интеграция всей цепочки с обновлением в реальном времени и автоматическим принятием решений пока остаётся сложной задачей. То есть это уже не футурология, но ещё и не массовый стандарт.

В 2025 году Gartner выпустил отдельное исследование Deploy Digital Supply Chain Twins to Improve Planning Outcomes, где называет цифровой двойник важным направлением для повышения прозрачности цепочки, качества решений и устойчивости.

Коммерческие платформы тоже движутся в эту сторону. Например, Kinaxis — лидер Gartner Magic Quadrant 2026 по планированию цепочек поставок — развивает так называемое concurrent planning: изменение сразу пересчитывается по связанной модели цепочки, а варианты можно сравнивать практически в реальном времени. Это ещё не обязательно полноценный цифровой двойник, но движение идёт в ту же сторону — от разрозненных периодических расчётов к единой живой модели.

Где проходит граница ?

Прежде всего в достоверности модели. Плохо описанный двойник просто быстрее выдаёт неправильный ответ. Нужны реальные сроки поставок, структура сети, ограничения, правила заказов, движение товара и постоянное обновление состояния.

🔹 Было: планируем циклами → применяем → оцениваем постфактум.
🔹 Продвинутая практика: быстро считаем сценарии «что если».
🔹 Фронтир: поддерживаем постоянно обновляемую цифровую копию цепочки, на которой заранее проверяем последствия решений и сбоев.

В Forecast NOW! эта логика используется при моделировании запасов и поставок: система проигрывает движение товара по цепочке по дням и позволяет сравнивать варианты ещё до того, как решение попадёт в реальные заказы. Подробнее: «Цифровой двойник» и «Подневное вероятностное моделирование запасов».

Вебинар «ИИ поверх системы автозаказа»: покажем всё на реальной системе и данных

Для эфира мы специально подняли 1С, связали её с системой автозаказа, загрузили данные и собрали реальные сценарии работы специалиста по закупкам.
Покажем всё прямо на системе:

🔹 как ИИ может объяснить, почему система рекомендует заказать именно столько — на основе уже рассчитанных данных;
🔹 как с помощью ИИ быстро разобрать ситуацию по товару и построить понятные графики по данным системы;
🔹 как ИИ помогает превратить результат расчёта в понятное объяснение для закупщика или руководителя;
🔹 как поднять вокруг системы ИИ-инфраструктуру и подключить к ней файлы, письма и другие источники;
🔹 как ИИ анализирует выгрузки, находит проблемы в данных и готовит их для системы;
🔹 как письмо поставщика, PDF-прайс или новые условия превращаются в структурированные данные;
🔹 как перейти от ручной работы с файлами к API, автоматическим сценариям и ИИ-агентам.

Причём будем работать не на абстрактных примерах. В программе — настоящая база, реальные заказы, условия поставщиков и выгрузки. Можно будет посмотреть не только итог, но и что именно произошло с данными и расчётом на каждом шаге.

Сам заказ при этом по-прежнему считает специализированная система. ИИ работает вокруг неё: помогает собрать данные, привести их в нужный вид, проанализировать, объяснить результат и автоматизировать рутину.

15 октября, 12:00
Спикер — Александр Грицай, CEO Forecast NOW!

Регистрируйтесь на вебинар

От прогноза спроса — к моделированию самого заказа

Следующий сдвиг — от схемы «сначала спрогнозировать спрос, потом отдельно рассчитать заказ» к моделям, которые сразу учитывают качество конечного решения.

Классическая схема выглядит так:

данные → прогноз спроса → расчёт запаса → заказ

Проблема в том, что на каждом этапе свои цели и свои ошибки. Прогнозная модель старается как можно точнее угадать спрос. А уже потом другой алгоритм учитывает сроки поставки, минимальную партию, стоимость хранения, дефицита, заказа и другие ограничения. В итоге можно получить очень точный прогноз — и при этом не самый выгодный заказ.

Поэтому в исследованиях развивается другой подход — decision-focused learning. Смысл в том, что модель обучают не только на точность прогноза, но и с учётом того, к какому заказу этот прогноз в итоге приведёт и сколько это решение будет стоить бизнесу.

Про работу исследователей Google и Carnegie Mellon Business Metric-Aware Forecasting for Inventory Management мы уже упоминали раньше. Авторы показали, что модель можно обучать не только на точность прогноза, но и непосредственно на конечные затраты по запасам. В отдельных экспериментальных сценариях улучшение целевой бизнес-метрики достигало до 45,7% для простой модели и до 54% для LSTM по сравнению с обучением только на стандартную ошибку прогноза.

Но сейчас эта логика становится заметна уже не только в исследованиях. В 2026 году Gartner прямо называет будущее планирования цепочек поставок decision-centric — ориентированным не на получение отдельного прогноза, а на создание, сравнение и выбор решений. В Critical Capabilities for Supply Chain Planning Solutions Gartner уже отдельно оценивает платформы по таким направлениям, как Decision-Centric Planning, финансовый эффект сценариев и автоматизация решений.

То же направление видно у лидеров рынка. SAP строит оптимизацию запасов одновременно вокруг уровня сервиса, неопределённости, затрат и бюджета. Kinaxis и o9 входят в число лидеров Gartner Magic Quadrant по решениям для планирования цепочек поставок. Kinaxis оптимизирует компромиссы между запасами, стоимостью, мощностями и другими ограничениями, а o9 связывает в одном контуре спрос, поставки и финансовые цели.

То есть рынок постепенно движется от логики:

«сделать хороший прогноз и передать его дальше»
к логике:
«сразу искать решение, которое лучше для бизнеса».

Это подтверждают и новые академические работы. В исследовании Deep Neural Newsvendor, опубликованном в Management Science, модель обучается сразу на том уровне спроса, который нужен для решения задачи заказа. А в работе 2026 года From Contextual Data to Newsvendor Decisions задача уже прямо ставится как переход от данных и контекста к решению по запасу.

Получается такой сдвиг:

🔹 Было: отдельно прогнозируем спрос → потом отдельно рассчитываем запас и заказ.
🔹 Продвинутая практика: оцениваем прогноз по тому, какой запас и затраты он создаёт.
🔹 Фронтир: обучаем систему сразу с учётом конечной экономической задачи — а в предельном варианте переходим от данных непосредственно к рекомендуемому заказу.

Для нас эта логика не новая. Мы давно писали, почему нужно сразу моделировать заказ, а не прогнозировать спрос и запас отдельно.

Конечная цель системы управления запасами — не самый точный прогноз сам по себе, а экономически обоснованный заказ.

От прогноза спроса — к оценке последствий собственных решений

Продолжаем разбирать международные фронтиры в прогнозировании спроса и управлении запасами. Следующий сдвиг — от обычного прогноза к оценке того, как наши собственные решения изменят спрос.

Представим: во время акции продажи товара выросли на 40%. Значит ли это, что акция сама дала +40%? Не обязательно.

В тот же период мог начаться высокий сезон, появиться дополнительная реклама, измениться выкладка, закончиться товар у конкурента. Мы видим рост продаж, но не знаем, какая его часть произошла именно из-за акции. И здесь обычного прогноза уже недостаточно. Даже если цена или промо входят в модель как факторы, она в первую очередь видит, как они были связаны с продажами в прошлом. Но решения прошлого принимались не случайно: скидки ставили на определённые товары, в определённый сезон, часто вместе с рекламой и другими изменениями.

Поэтому историческая связь ещё не говорит, какой эффект вызвало именно наше действие. Причинное моделирование спроса пытается ответить на другой вопрос:

Что изменится именно из-за нашего решения?

Например:
— сколько дополнительных продаж даст скидка;
— что произойдёт после вывода SKU из матрицы;
— куда перейдёт спрос с удалённого товара;
— не «съест» ли акция продажи соседних позиций.

Это не просто сценарий «что если», где мы сами предполагаем, что спрос вырастет на 20%. Здесь задача — оценить по данным сам эффект решения.

Почему это считается фронтиром?

Причинные методы уже активно применяются в маркетинговой аналитике. Например, в исследовании Estimating Marketing Component Effects: Double Machine Learning from Targeted Digital Promotions, опубликованном в Marketing Science, их использовали на данных более чем 1,3 млн покупателей, чтобы отделить эффект конкретных промо от остальных факторов.

Сейчас эта логика всё активнее используется и в задачах прогнозирования спроса. В работе Causal Forecasting for Pricing исследователи сравнили обычное прогнозирование с причинным подходом. Самый интересный результат проявился там, где компания меняла привычную ценовую политику: причинная модель лучше оценивала спрос при скидках, которых почти не было в истории.

В последние годы такая задача стала особенно актуальной, потому что сама среда меняется быстрее. Цены, промо, ассортимент, каналы продаж, поведение покупателей и действия конкурентов всё чаще меняются одновременно. В такой ситуации историческая зависимость «раньше при таких условиях продавалось столько-то» быстрее устаревает. И чем сильнее новые условия отличаются от прежних, тем важнее становится не просто опираться на прошлые связи, а отдельно оценивать эффект конкретного решения компании.

Крупные planning-платформы тоже движутся в эту сторону. Например, o9 связывает цену, промо, спрос, поставки и финансовые показатели в одной модели и позволяет оценивать последствия коммерческих решений. Blue Yonder отдельно работает с реакцией спроса на изменение цены и каннибализацией между товарами.

А в исследовании 2026 года Quantifying within-category spillovers in retail promotions авторы оценивали, как акция на один товар влияет на соседние SKU — через каннибализацию, конкуренцию и рост продаж связанных товаров. Важно, что они пытались отделить именно эффект промо от других факторов и оценить, как этот эффект распространяется уже не на один товар, а на всю категорию.

Получается такой сдвиг:

🔹 Было: прогнозируем будущий спрос по прошлой истории.
🔹 Продвинутая практика: учитываем цену, промо и другие факторы.
🔹 Фронтир: пытаемся оценить, какой именно причинный эффект даст конкретное решение компании — и как оно изменит спрос не только на один товар, но и на всю категорию.

Причинное моделирование не заменяет обычный прогноз. Оно особенно нужно там, где компания собирается сделать то, чего раньше не делала или делала в других условиях.