Прогноз запасов по сигналам маркетинга

Бизнес-контекст: баланс между «перетовариванием» и «распродажей»

Управление запасами — одна из ключевых задач ритейла и дистрибуции. Слишком много товара на складе означает затраты на хранение, порчу и холдинг-издержки. Слишком мало — упущенные продажи, потерянные клиенты и обесцененные рекламные бюджеты, когда трафик «кладёт» пустой склад. Многие компании ведут прогноз вручную, анализируя прошлые продажи, но:

• Маркетинговые кампании разрывают связи. Запуск рекламной акции в Яндекс.Директ или на Wildberries резко меняет спрос, и прошлый тренд уже не работает.
• Сезонные колебания не учитываются. Никто не корректирует прогноз на рост спроса перед праздниками, Black Friday или новым сезоном.
• Реклама ломает прогноз. Если маркетинг резко увеличил ставку на окно стаканов, продажи подскакивают, а склад пустеет быстрее запланированного.

Традиционный подход «продажи прошлого года +10%» перестаёт работать, и компании рискуют либо «заморозить» оборотные средства, либо сорваться в моменты пикового спроса.

Концепция решения: связка маркетинг → спрос → запас

DemandSync объединяет три потока данных: маркетинговые сигналы, историю продаж и внешние факторы (погода, праздники, конкуренция). Система работает по следующей логике:

1. Маркетинговая активность. Агент AI вытягивает информацию о запущенных рекламных кампаниях: бюджет, канал, креативы, CTR, CPC.
2. История продаж. Интеграция с ERP/CRM/маркетплейсом позволяет получить фактические продажи по SKU за прошлые периоды и отклики на предыдущие акции.
3. Внешние факторы. Метеоданные (для сезонных товаров), календарь праздников, динамика конкурентных цен через парсеры на Avito, Ozon, Wildberries.

На базе этих потоков модель обучается предсказывать спрос по каждому SKU с горизонтом 4–12 недель, а затем рассчитывает необходимый запас, учитывая lead time по закупкам.

Архитектура и поток данных

1. Интеграция источников.
   • Маркетинг: API Яндекс.Директ, VK Ads, кабинеты Wildberries/Ozon, Яндекс Метрика.
   • Продажи: ERP/1C, отчёты маркетплейсов.
   • Внешние данные: OpenWeather API, парсер цен конкурентов.
   • Склад: WMS/ERP информация о текущих остатках, сроках годности, lead time от поставщиков.
2. ETL и DWH.
   • Airbyte/dbt: инкрементальная загрузка данных в ClickHouse.
   • Слой «staging» для очистки и нормализации: удаляем «цепные» всплески, калибруем временные метки, очищаем дубли.
   • Слой «analytics» объединяет данные в единую витрину «sales_marketing_ext», где каждая запись содержит SKU, дату, продажи, бюджет рекламы, внешний фактор.
3. ML-модуль прогнозирования.
   • Обучение модели: CatBoost с фичами:
     • общие рекламные метрики за период (средний CPC, CTR, бюджет);
     • сезонные признаки (месяц, день недели, праздники);
     • внешний фактор (температура, конкурентные цены);
     • исторический спрос (скользящие окна 7, 14, 30 дней).
   • Выход: прогноз спроса Q̂_{t+1…t+H} (H = 4–12 недель) с доверительным интервалом.
   • Валидация: back-testing на последних двух кампаниях; MAPE <12%.
4. Оптимизатор запасов.
   • Рассчитывает оптимальный запас Safe Stock = max_{LeadTime} (прогноз × service level factor) + safety margin.
   • Учитывает складские лимиты, сроки годности и условия хранения.
   • Предлагает закупочную заявку с учётом EOQ (Economic Order Quantity) и оптимизации частоты заказа.
5. Визуализация и отчёты.
   • Dashboards в Superset: график прогноза vs фактические продажи, текущие остатки, «дни до нуля».
   • Оповещения в Telegram/Slack: если остаток падает ниже оптимального уровня или возникнет дефицит в ближайшие недели.
   • Автоматическая генерация заказа: Excel/CSV-файл со списком SKU и необходимых количеств для закупки.

4. Шаги внедрения

1. Аудит и подготовка.
   • Оценка наличия данных о маркетинговых кампаниях и продажах; определение lead time по поставщикам; оценка качества DWH.
   • Согласование целевых показателей: допустимый уровень out-of-stock, желаемый процент покрытия спроса.
2. Интеграция данных.
   • Настройка коннекторов к рекламным кабинетам; разработка dbt-моделей для витрин «sales_marketing_ext», «inventory».
   • Проверка корректности данных, очистка дубликатов, валидация временных рядов.
3. Обучение модели.
   • Формирование обучающей выборки: временные ряды продаж и рекламных метрик по SKU;
   • Обучение CatBoost, подбор гиперпараметров;
   • Валидация и визуализация ошибок, расчёт доверительных интервалов.
4. Разработка оптимизатора.
   • Настройка логики EOQ и расчёт safety stock;
   • Интеграция с системой WMS для текущего статуса остатков.
   • Тестирование сценариев «что‑если» по изменению рекламного бюджета.
5. Визуализация и уведомления.
   • Создание дашбордов прогноза и остатков в Superset;
   • Настройка Telegram/Slack бота для оповещений с порогами;
   • Генерация файла закупки и автоматическая рассылка ответственным.
6. Обучение команды и Hyper-care.
   • Воркшопы для аналитиков и закупщиков;
   • Еженедельные митинги по анализу разницы факта и прогноза, корректировка модели.

Бизнес-выгоды и метрики

• Снижение дефицита на 30–50%. За счёт оповещений и точных прогнозов дефицитных позиций «доходит» в дашборде за 4–6 недель до момента, когда склад опустеет.
• Уменьшение overstock на 20%. Оптимизация запасов по EOQ и safety stock сокращает налоговые и складские издержки.
• Экономия оборотного капитала до 15%. Снижаются затраты на хранение и амортизацию, освобождаются денежные средства под маркетинг или развитие.
• Повышение уровня сервиса до 95%. Удержание уровня обслуживания клиентов, минимизация случаев отсутствия товара.

Кейс: крупный дистрибутор бытовой химии (1 500 SKU). До DemandSync de‑stock составлял 12% по топ-позициям; over‑stock — 18%. Через 3 мес de‑stock снизился до 6%, over‑stock — до 14%, экономия на хранении — 3,2 млн ₽ за квартал.

Сравнение с традиционным подходом

‍

Традиционный прогноз

• Актуальность — Еженедельно/ежемесячно
• Учёт рекламы — Нет
• Сезонные колебания — Ручная подгонка
• Обработка внешних факторов — Нет
• Оптимизация заказа — Стандартный EOQ без прогнозов

DemandSync

• Актуальность — Ежедневно/почасово
• Учёт рекламы — Да, интеграция с рекламными метриками
• Сезонные колебания — ML-сезонный слой (Prophet)
• Обработка внешних факторов — Да, погода, цены конкурентов
• Оптимизация заказа — EOQ + safety stock на основе прогноза

Параметры сценария

Гипотеза — Если объединить сигналы маркетинга, историю продаж и внешние факторы, то ML-прогноз спроса позволит точно рассчитать запас и уменьшить дефицит и избыточные запасы на 30%.

Цель внедрения — 1) Снизить de‑stock на 30% в течение квартала; 2) уменьшить over‑stock на 15%; 3) улучшить покрытие спроса до 95%.

KPI и метрики

• Основные: de‑stock rate, over‑stock rate, WCS (weekly coverage score), inventory turnover.
• ‍Вторичные: accuracy прогноза (MAPE ≤12%), days of inventory (DOI), cash‑to‑cash cycle time.

Технологический стек

• ETL: Airbyte, dbt; Storage: ClickHouse, PostgreSQL;
• ML: Python (CatBoost, Prophet, SHAP);
• Orchestration: Airflow;
• BI: Superset;
• API: FastAPI для оптимизатора;
• Notifications: Telegram Bot.

Шаги внедрения — Аудит → Интеграция → Моделирование → Оптимизатор → Визуализация → Обучение → Hyper-care.

Влияние на бизнес заказчика — Экономия издержек на хранение, рост продаж за счёт уменьшения дефицита, возврат инвестиций в виде освобождения оборотного капитала.

Влияние на CX — Клиенты реже сталкиваются с отсутствием товара, улучшается лояльность и повторные покупки.

Доп. идеи улучшения

• Подключить динамическое ценообразование при дефиците.
• Использовать reinforcement learning для оптимизации стратегий заказа.
• Добавлять прогноз по supplier reliability.

Вывод

Инструмент DemandSync меняет подход к управлению запасами: от грубой подгонки по прошлым продажам — к прогнозу, который учитывает рекламную активность и внешние факторы. В эпоху, когда клиенты перестают ждать товара, а конкуренты еще сильнее нагнетают спрос скидками и акциями, управление запасами становится не рутинной задачей бухгалтера, а стратегической функцией.

Что получает бизнес?

1. Уменьшение дефицита. ML-прогноз за 4–6 недель до момента, когда склад опустеет, позволяет закупщикам оперативно реагировать: корректировать заказы, договариваться с поставщиками или запускать срочку. Это повышает уровень обслуживания клиентов до 95% и снижает потерю выручки.
2. Сокращение избыточного запаса. Традиционная формула «продажи прошлого года + safety» не учитывает рекламные всплески и сезонные аномалии. DemandSync оптимизирует safety stock, освобождая до 15% оборотного капитала, который можно перекинуть на маркетинг, развитие или погашение кредита.
3. Прогнозируемый cash-flow. Каждое заказанное количество просчитывается по EOQ и сейфти‑фактору, а значит закупки не бьют по кассе неожиданными крупными платежами. CFO получает прозрачный график движения средств и избегает кассовых разрывов.
4. Адаптивность к рынку. Когда конкуренты снижают или повышают цены, DemandSync подхватывает эти сигналы через парсер и учитывает в прогнозе, предотвращая всплески дефицита. Аналитик сразу видит: «на Avito цена пошла вверх на 5%, спрос по нашему магазину упадёт на 3%», и в прогнозе запаса корректируется параметр X.

Почему AI и не Excel?

• В Excel сотни SKU превращаются в гигабайты таблиц, и каждое обновление рекламы требует ручной переработки формул.
• ML-модели автоматически обрабатывают тысячи фич, находят нелинейные зависимости и показывают доверительные интервалы.
• Оптимизатор EOQ+Sfty stock мгновенно пересчитывает закупки при любом изменении прогноза.