Знати, скільки товару замовити, до того як він закінчиться.
Машинне навчання (ML) на історії ваших продажів підказує, скільки якого товару знадобиться в найближчі тижні. Щотижня рекомендація приходить у таблицю чи Telegram, а рішення про закупівлю ухвалює менеджер.

Коли товар то закінчується, то лежить на складі
Приклад: дистриб’ютор будматеріалів. Навесні цемент і щебінь розбирають швидше, ніж приходить нова партія, і клієнти їдуть до конкурента. А взимку на складі місяцями лежать мішки сухих сумішей, за які вже заплачено. Гроші заморожені в товарі, а місце на складі зайняте.
Те саме буває в магазині на Prom.ua: популярна позиція закінчується саме тоді, коли на неї ростуть замовлення, а сусідня лежить без руху. Обсяг закупівлі зазвичай рахує досвідчений менеджер з пам’яті або за минулорічною таблицею. Це працює, поки товарів небагато, сезон схожий на минулий, а менеджер не у відпустці.
Які напрями працюють разом
Прогноз корисний лише тоді, коли він сам приходить туди, де менеджер ухвалює рішення. Тому тут працюють два напрями.
- ML-інжиніринг. Аудит даних, модель, перевірка на минулих продажах і нагляд за точністю.
- Розробка ПЗ. Щотижневе вивантаження з обліку чи KeyCRM, таблиця в Google Sheets і повідомлення в Telegram.
Як працює прогноз
Схема проста: дані з вашого обліку, модель і щотижнева рекомендація.
- Дані. Щотижня забираємо продажі й залишки з вашої облікової системи чи KeyCRM. Якщо окремого обліку немає, підійдуть вивантаження з Prom.ua або Google Sheets.
- Модель. Модель, навчена на вашій історії, рахує очікуваний попит на кожен товар на найближчі тижні з урахуванням сезону й загальної тенденції.
- Рекомендація. Ви отримуєте таблицю в Google Sheets або повідомлення в Telegram: товар, залишок, очікуваний попит і рекомендований обсяг замовлення з урахуванням терміну поставки й страхового запасу.
- Рішення. Менеджер звіряє рекомендацію з тим, що знає сам, наприклад про велике замовлення від забудовника, і ухвалює рішення про закупівлю. Модель підказує, людина вирішує.
- Нагляд. Порівнюємо прогноз із фактичними продажами й перенавчаємо модель, коли змінюються сезон, ціни чи асортимент.
Як це виглядає
Що потрібно від даних
Перш ніж говорити про модель, ставимо кілька питань до ваших даних. Відповіді показують, чи прогноз узагалі можливий.
- Чи є історія продажів по кожному товару хоча б за два сезони, щоб модель бачила, як попит змінюється протягом року?
- Чи записані залишки? Тижні, коли товару не було на складі, показують нульові продажі, хоча покупці були (прихований попит). Без залишків модель вирішить, що товар нікому не потрібен.
- Чи однаково названі товари в різні роки, чи той самий цемент записаний під трьома назвами?
- Скільки днів минає від замовлення постачальнику до появи товару на складі?
- Що ще впливало на продажі: акції, зміна цін, великі разові замовлення?
Проста основа для порівняння
Спершу записуємо, як обсяг замовлення рахують зараз: досвід менеджера, середнє за минулі тижні чи «як торік». Це основа для порівняння. Потім навчаємо модель на давніших даних, а на останніх місяцях, яких вона не бачила, порівнюємо її рекомендації з тим, що дав би нинішній спосіб.
Модель має сенс, лише якщо вона помітно краща за нинішній спосіб. Якщо різниця мала, так і скажемо: тоді простіше лишити поточний розрахунок або зробити зручніший звіт.
Коли прогноз не потрібен
Якщо товарів небагато, попит рівний без сезонів, а постачальник привозить швидко, вистачить правила мінімального залишку: впав нижче позначки, замовляємо. Таке правило налаштовується в обліку чи Google Sheets без жодної моделі.
Модель не допоможе й тоді, коли історії продажів майже немає або асортимент щороку новий. Тоді почнемо з порядку в обліку, а до прогнозу повернемося, коли накопичаться дані.
Що ви отримуєте
Кожен етап закінчується результатом, який можна перевірити.
- Звіт про ваші дані: що є, якої якості і чого бракує для прогнозу.
- Порівняння моделі з нинішнім способом на ваших минулих продажах.
- Щотижневу рекомендацію в Google Sheets або Telegram з обсягом замовлення по кожному товару.
- Опис кожної версії моделі: на яких даних навчена, як перевірена і наскільки точна.
- Код і документацію, з якими модель зможе супроводжувати інша команда.
Питання
Питання про прогноз попиту.
Скільки історії продажів потрібно?
Залежить від товару. Для сезонних позицій потрібна історія хоча б за два сезони, інакше модель не відрізнить сезон від випадковості. Аудит даних покаже, чи її вистачає.
Наскільки точним буде прогноз?
Цифру назвемо лише після перевірки на ваших даних. Стабільні позиції зазвичай прогнозуються краще, нові й рідкісні гірше. Для кожної групи товарів показуємо, наскільки модель помилялася на минулих тижнях і чи краща вона за нинішній спосіб.
Чи може модель сама замовляти товар?
Технічно так, але на старті ми цього не радимо. Модель дає рекомендацію, а замовлення робить менеджер. Коли рекомендації кілька сезонів збігаються з реальністю, можна обговорити, які прості позиції варто замовляти автоматично.
Ми працюємо в KeyCRM і Google Sheets. Доведеться щось змінювати?
Здебільшого ні. Модель бере дані з систем, якими ви вже користуєтеся, і повертає рекомендацію в таблицю чи Telegram. Перед стартом перевіряємо, які дані з вашої системи можна отримувати автоматично.
Де працюватиме модель і хто бачить наші продажі?
На наших серверах у ЄС, де сервер, оновлення, моніторинг і резервні копії ми беремо на себе, або на вашому сервері. Для прогнозу потрібні товари, дати й кількості, а імена й телефони покупців зазвичай не потрібні, тож у модель ми їх не беремо. Персональні дані, якщо вони все ж знадобляться, обробляємо за вимогами GDPR.
Поговорімо
Покажіть, як ви рахуєте замовлення зараз.
Таблиця, вивантаження з обліку чи KeyCRM. Подивимося на ваші дані й скажемо, чи має тут сенс прогноз і з чого почати.
