Сокращение пищевых отходов: где ломается текущий прогноз
Списания скоропортящихся товаров растут не там, где их ищут. Логистика обычно в порядке — товар приезжает вовремя и в нужном объёме. Ломается прогноз спроса в рознице: он считает средние продажи по товару целиком и не учитывает, что срок годности у партий на полке разный.
Для системы учёта остаток — это одна цифра на товар. Сколько единиц доживёт до конца недели, а сколько уйдёт в уценку через два дня, из неё не видно, и заказ на поставку строится по общей цифре. Прогноз, который не различает партии по датам, физически не может решить, что и в каком порядке продавать первым, — часть полки гарантированно не успевает уйти к дате истечения.
Отдельный слой — промо и локальные всплески спроса. Акция в одной точке подтягивает продажи, средний прогноз её не ждёт и заказывает с запасом; в другой всплеск вымывает полку за день, а машина с товаром уже в пути. Запас, собранный «на всякий случай», оседает на складе и на полке.
Дальше включается цепочка: товар подходит к сроку, его уценивают перед истечением, чтобы вернуть хотя бы часть, а то, что не купили и в уценке, уходит в списание. Пустая полка в момент спроса теряет выручку, которую уже не вернуть. Разбираем, как это закрывается.
Эффект прогноза: сокращение уценки, меньше списаний, полная полка
Метрики считаем на одной гранулярности — день, точка, товар, партия — иначе сравнение «до» и «после» доказывает что угодно. Номенклатуру и сроки годности сверяем по стандарту маркировки GS1, остатки тянем из учётной системы, промо и поставки — из календаря акций. Без привязки к партии прогноз не отличить от среднего расхода по полке.
| Метрика | Как считаем | Что считаем рабочим результатом |
|---|---|---|
| Точность прогноза спроса | взвешенная ошибка по категории, горизонт 1-7 дней | по скоропорту ошибка держится в пределах 15-20% |
| Доля списаний по категории | списанный объём к поставленному, по точке | сокращение в 1,5-2 раза за сезон |
| Упущенные продажи | доля часов с нулевым остатком при живом спросе | ноль по топовым позициям, спад по остальным |
| Оборачиваемость запасов | оборот к среднему остатку по категории | рост без роста списаний — иначе это не результат |
| Уценка скоропорта | доля товара, ушедшего в уценку | сдвиг уценки на первые часы срока годности |
Точность прогноза легко «улучшить» усреднением — и тогда доля списаний падает не потому, что закупка стала точнее, а потому, что товар просто не привезли. Поэтому метрики читаем только в паре: ошибка прогноза плюс упущенные продажи снизу и уценка сверху. Если списания упали, а нулевые остатки выросли — модель не научилась прогнозировать спрос, она научилась экономить полку.
Оборачиваемость — сводный показатель: она растёт и когда запас сократился разумно, и когда полка опустела. Отсюда порядок разбора: сначала проверяем уценку по скоропорту, затем оборачиваемость по категориям с наибольшей долей списаний, и уже потом смотрим точность прогноза. Так видно, где эффект дал прогноз спроса, а где — изменение правил выкладки.
Сравнение подходов: правила по срокам, статистика, машинное обучение
Экспертные правила, статистика и машинное обучение решают одну задачу — понять, сколько единиц товара уйдёт до истечения срока годности, но переносят ошибку по-разному. Правила предсказуемы и легко проверяются, статистика ловит сезонность и промо, обученная модель учитывает десятки слабых сигналов. Выбор определяется не «прогрессивностью», а объёмом истории и ценой ошибки в категории.
| Подход | Когда уместен | Ограничения |
|---|---|---|
| Экспертные правила по срокам | Узкий ассортимент, ровный спрос, короткий срок годности | Не видит сезонность и промо; пороги уценки правят руками при смене матрицы |
| Прогнозирование временных рядов | Регулярные продажи, два и более сезона истории, спрос по категории | Ломается на акциях и смене ассортимента; отдельная модель на каждую позицию |
| Машинное обучение | Тысячи позиций, разреженный спрос, много сигналов | Нужны чистые данные и регулярное переобучение; ошибку не видно без мониторинга |
| Гибридный подход к прогнозу | Матрица растёт, правила уже не тянут | Дороже в запуске: надо развести, где правила перекрывают модель |
Модель прогноза спроса даёт ожидаемый остаток на дату, а правила автоматической уценки держат порог и шаг скидки детерминированными — решение остаётся объяснимым для категорийного менеджера. Начинают обычно с одной эталонной категории: замеряют долю списанного и точность прогноза, и только потом переносят логику на остальную матрицу.
Внедрение по шагам: от аудита данных до передачи регламентов
Порядок работ выстроен так, что каждый следующий этап опирается на проверенный предыдущий: сначала убеждаемся, что история продаж и поставок пригодна для расчёта, и только потом что-то считаем. Иначе модель обучается на обрывочных данных и выдаёт красивые цифры, которые не сходятся с полкой в зале.
-
Аудит данных о продажах и поставках. Сверяем историю по каждой точке: находим дыры в списаниях, расхождения между приёмкой и продажами, дубли, задвоенные акции. Определяем период, на котором данных достаточно для обучения, и фиксируем, каких признаков не хватает.
-
Проектирование схемы расчёта. Выбираем горизонт прогноза, уровень детализации — точка, товар, день — и пороги, после которых остаток уходит в уценку. На этом шаге заказчик видит логику до того, как она станет кодом.
-
Обучение модели прогноза. Модель учитывает сезонность, промо, праздники и локальный спрос конкретной точки. Скоропорт и товары с длинным сроком годности считаем раздельно — у них разная цена ошибки.
-
Проверка модели на прошедших периодах. Прогоняем её на закрытых неделях и сравниваем с фактом, отдельно разбираем дни акций и аномалий. Модель, которая не обыгрывает текущее правило списания, в работу не идёт.
-
Пилот в нескольких точках. Ставим рядом контрольные и экспериментальные точки разного формата, чтобы отделить эффект модели от сезонных колебаний. На пилоте же калибруем пороги уценки под реальное поведение покупателей.
-
Регламент работы с остатками. Описываем, кто и когда подтверждает уценку, что делать при отклонении факта от прогноза и как возвращать обратную связь в модель. Сменный персонал получает короткую инструкцию, а не документ на полсотни страниц.
-
Передача и сопровождение первых циклов. Первые недели после запуска инженеры остаются на связи: смотрят расхождения, правят настройки и передают команде заказчика разбор типовых ситуаций.
Артефакты проекта: схемы данных, правила уценки, регламенты
Проект считается сданным не в момент демонстрации дашборда, а когда решения по остаткам можно принимать без нашего участия. Поэтому в контур заказчика передаётся не «модель в контейнере», а комплект, по которому новый инженер или категорийный менеджер разберётся в логике расчёта и сможет её поменять, не переписывая систему целиком.
- Схема потоков данных — откуда приходят продажи, складские остатки, сроки годности и поставки, с какой периодичностью, в каких разрезах и что происходит с позицией, если выгрузка не пришла вовремя.
- Документация по модели прогноза — какие признаки используются, на каком горизонте считается спрос, какие категории модель понимает хуже и почему, как запускается переобучение на новых данных.
- Правила срабатывания уценки — пороги по остатку и сроку реализации, шаг скидки, приоритет между похожими позициями, условия, при которых система не снижает цену, а передаёт решение человеку.
- Регламент работы с остатками — кто и в какое время суток подтверждает уценку, как действовать при расхождении прогноза и факта, куда эскалируется спорный случай на выходных.
- Мониторинг качества прогноза — доля позиций с ошибкой выше допустимой, смещение прогноза по категории, оповещение при падении точности или смене поведения спроса.
- Инструкции для категорийных менеджеров — короткие сценарии на каждый тип ситуации и разбор типовых ошибок при ручной корректировке.
- План отката — как за один шаг вернуться к предыдущей версии правил или перевести категорию в ручной режим.
Кейс: как сеть магазинов снизила списания скоропортящихся товаров
Как было до внедрения
Скоропортящиеся категории заказывались по средним продажам за прошлые недели, а остаток проверялся вручную: товаровед обходил зал и уценивал то, что выглядит несвежим. Ни профиль дня недели, ни погода, ни календарь акций в расчёте не участвовали — часть партий уходила в уценку в первый же день, а в вечерний пик полка пустела. Списания считались неизбежностью, хотя половина из них была следствием не спроса, а грубого округления заказа.
Что изменили и что получилось
Прогноз построили на уровне «товар — магазин — день» с горизонтом в срок годности партии: данные о партиях и планограммы брали из Blue Yonder, продажи — из кассовых данных. Правило уценки стало вероятностным: если прогноз продаж до конца срока годности ниже остатка с заданной вероятностью, система запускает уценку заранее, а не в последний день, и одновременно блокирует дозаказ. Страховой запас пересчитывается каждую ночь из фактической ошибки прогноза, а не из фиксированного числа дней покрытия.
Пилот прошёл на сорока магазинах одного региона, раскатка шла волнами по кластерам — сравнение держали с контрольной группой.
- Списания скоропортящихся товаров — минус 31% в сопоставимых магазинах.
- Упущенные продажи из-за пустой полки — вдвое меньше.
- Средняя ошибка прогноза на горизонте один-три дня — с 34% до 17%.
- Доля уценённого товара, проданного до истечения срока, — с 68% до 91%.
Пересчёт идёт ночью, поэтому утренний заказ уточняется по фактическим продажам прошлого дня.
Чем нейросетевой прогноз отличается от правил по срокам годности?
Правила ротации запасов отвечают на один вопрос: что выкладывать и списывать первым. Логика «первым уходит то, у чего срок годности истекает раньше» наводит порядок на полке, но ничего не говорит о том, успеет ли остаток продаться. Пороги вида «за несколько дней до конца срока — уценка» держат ситуацию, пока спрос ровный и повторяется по календарю.
Нейросетевой прогноз спроса считает не порядок, а вероятность: сколько единиц конкретной партии уйдёт к дате истечения. На вход идут продажи с разбивкой по точке, дню недели и часу, календарь акций, погода, данные о сроке годности и остатке по каждой партии. Модель строит локальный спрос по точкам: магазин у метро и точка в спальном районе расходятся и по профилю покупателя, и по пиковым часам.
Разница проявляется там, где правила перестают попадать в факт. При длинном сроке годности и ровных продажах порогов достаточно — они прозрачны и легко проверяются. Короткий срок, акции, жара или дождь и разный спрос по точкам ломают средние: то, что для сети выглядит нормой, в отдельной точке оборачивается просрочкой или пустой полкой.
Практический эффект — окно реакции. Правило срабатывает постфактум, когда до конца срока остались считаные дни, и выбор сводится к уценке. Прогноз даёт запас времени на перераспределение партии между точками и раннюю уценку, поэтому доля списаний снижается без роста дефицита на полке.
Частые технические вопросы по прогнозированию спроса
Прогноз спроса ломается не на модели, а на данных и на стыке с товароучётом. Ниже — вопросы, которые техническая команда заказчика задаёт до старта, и короткие ответы по существу.
Откуда берутся данные, если учёт ведётся вразнобой?
Историю продаж и остатки тянем из учётной системы — чаще это 1С с отраслевым контуром — и сверяем по складам и точкам. Списания, возвраты и пересортицу разбираем до старта: если маркдаун не отделён от продаж, модель учится на искажённой картине, и занижение прогноза потом не отличить от реального падения спроса. Пропуски закрываем на выгрузке, а не внутри прогноза.
Как часто пересчитывается прогноз?
Базовый цикл — суточный, до открытия точки: к этому моменту подтянуты продажи за прошлый день и актуальные остатки. Для скоропорта добавляем внутридневной пересчёт по факту продаж первой половины дня. Горизонт — от суток до двух недель: дальше точность падает быстрее, чем растёт польза для закупки.
Что с новинками без истории и как часто переобучать модель?
Новинка опирается не на собственный ряд, а на похожие позиции: категорию, бренд, ценовой сегмент, сезонность. Через 4-6 недель фактических продаж она переходит на свою историю. Переобучение идёт по расписанию — раз в одну-две недели, плюс внеочередной запуск при смене ассортимента или промо-календаря. Каждый запуск прогоняется на отложенном периоде: если качество падает, остаётся предыдущая версия модели.
Обсудим задачу: с чего начать прогнозирование в вашей сети
Прогноз спроса держится не на модели, а на данных: история продаж по товарно-складским позициям, остатки, сроки годности, календарь промо и поставок. Поэтому начинаем с оценки данных заказчика — смотрим, что уже накапливается в учётной системе, с какой периодичностью и хватает ли истории, чтобы прогноз был устойчивым, а не случайным.
Для обсуждения задачи прогноза достаточно ответить на несколько вопросов — этого хватит, чтобы оценить объём работ и собрать пилотный проект прогнозирования на реальных данных, а не на демонстрационном наборе.
- Выгрузка продаж и остатков по дням, точкам и товарным позициям — минимум по одной категории за несколько сезонов.
- Данные о партиях и сроках годности: от них зависит, в какой момент прогноз переходит в уценку, а не в списание.
- Календарь промо, праздников и график поставок — без него модель объясняет прошлый спрос, а не будущий.
- Действующие правила уценки и ограничения склада: что нельзя менять в процессах, какие пороги уже применяются.
- Ваши критерии успеха — доля списанных остатков, точность прогноза по категории, глубина уценки.
После разговора вернёмся с планом работ по прогнозу: этапы, состав пилота, перечень выгрузок, критерии приёмки и порядок возврата к текущему правилу уценки, если результат не подтвердится. Опишите задачу — вернёмся с оценкой и планом.
