Сервис прогнозирования поставок на склады маркетплейсов по модели FBO для международного бренда канцелярских товаров

1. Вводная задача от заказчика, проблематика, цели

Цель

Обеспечить устойчивую товарную доступность для отгрузок на склады маркетплейсов при минимальных запасах: снизить OOS и потери выручки, минимизировать финансовые потери от дисбаланса запасов и сократить операционные издержки за счёт автоматизации аналитики / прогнозирования, разгрузив категорийных менеджеров.

Задачи

• Сбор и анализ данных. Обработка исторических и текущих данных о продажах, заказах и поставках по модели FBO (Fulfillment by Operator) из БД клиента.

• Выявлять сезонность и аномалии для коррекции прогнозов.

• Построить точные автопрогнозы спроса (до 90%) и поставок по каждому SKU×склад. Настроить расчет прогноза складских поставок и спроса/продаж по выбранному маркетплейсу и кластерам/регионам. Прогноз должен основываться на истории продаж, коэффициентах роста, маркетинговой деятельности, географическом распределении спроса.

• Реализовать модуль прогноза спроса с учётом ручных корректировок клиента (период, маркетплейс, кластер/регион, товары «в пути») и автоматическим пересчётом. Предусмотреть очистку данных: выявлять и исключать аномальные всплески заказов без фактического выкупа.

• Реализовать модуль бизнес-анализа: каждому SKU присваивать категорию по двухфакторному АВС-анализу (выручка × количество заказов). Использовать категорию для интерпретации качества прогноза (разные пороги/допуски по классам) и выводить её в отчётах / таблице результатов.

• Разделить товары на группы на основе их вклада в выручку и стабильности/частоты продаж с помощью АВС-анализа.

• Реализовать модуль управления данными: сохранять результаты расчётов в БД.

• Автоматизировать пороги срабатывания алертов. Подсветка и/или сигнализация угрозы OOS (Out Of Stock) и перетаривания склада.
• Генерировать рекомендации для категорийных менеджеров и логистов по пополнению складов.

• Реализовать модуль визуализации результатов: выводить таблицу с полями SKU, ITEMID, прогноз поставок на маркетплейсы, прогноз продаж, оборачиваемость и рекомендованная поставка. Обновлять данные в таблице после пересчёта прогноза.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Мы разработали и внедрили сервис прогнозирования спроса на базе ML-модели, которая еженедельно строит прогнозы для ~11 000 SKU на горизонте от 2 недель до 1 года.

Модель учитывает:

• — риски,
• — эластичность спроса,
• — остатки на складах,
• — продажи,
• — сезонность,
• — тренды.

Сервис применяет ML-подходы к данным о продажах и остатках на Ozon и Wildberries, позволяет клиенту задавать параметры (период прогноза, маркетплейс, кластер/регион) и вручную корректировать значения поставок, а также автоматически формирует рекомендации по пополнению, снижая объём ручной работы.

Для консолидации источников предусмотрено сопоставление полей и приведение отчётов маркетплейсов к единому формату; данные регулярно обогащаются новыми выгрузками по реализациям, заказам и историям остатков. Результаты отображаются в веб-сервисе с дашбордами и табличным выводом.

Этапы проекта

Начали с создания надежного математического ядра и постепенно довели систему до полноценной промышленной интеграции, минимизируя ручной труд и максимизируя прибыль.

Этап 1. Создание прототипа и утверждение точности

Начальный этап проекта посвящен валидации математической модели и бизнес-логики. Мы разработали и протестировали прототип, который позволяет анализировать результаты расчетов.

Мы использовали механизмы машинного обучения для детального анализа исторических и текущих данных о продажах. Цель этого анализа — выделить ключевые триггеры, сезонность и аномальные всплески продаж, чтобы на них формировать прогнозы спроса/продаж и высчитывать необходимое количество SKU для поставки на склады маркетплейсов. Данные мы брали из базы клиента (остатки, продажи, заказы).

Прототип позволил провести эксперименты и выбрать оптимальные ML-модели для промышленного внедрения, обеспечивающие максимально точный прогноз спроса и продаж.

Это гарантировало, что система готова к промышленному внедрению и способна сформировать надежные прогнозы на срок до 1 года, который, в свою очередь, строится на основании прогноза продаж и спроса.

Этап 2. Промышленный запуск и обязательный функционал

Этот этап был ключевым, поскольку обеспечивал достижение основной бизнес-цели — максимально эффективного управления складскими запасами. Мы довели модель и модули расчёта и рекомендаций до готовности к промышленной интеграции.

Мы настроили регулярное обогащение данных новыми отчетами о реализациях, заказах и историями остатков, а также учитывали исторические остатки по каждому SKU на протяжении всего анализируемого периода. Техническая команда обеспечила сопоставление полей из разных отчетов маркетплейсов для приведения данных к единому виду.

При расчете прогноза система учитывала аномальные всплески по заказам, не завершившимся выкупом, чтобы «вычистить» их из общего прогноза продаж и корректно рассчитать потребность.

Пример

Клиент вводит ручные корректировки (период прогноза, маркетплейс, кластер/регион поставки и количество товаров в пути). После нажатия кнопки «СДЕЛАТЬ ПРОГНОЗ» система рассчитывает прогноз поставок.

Кроме того, мы внедрили двухфакторный АВС-анализ (по выручке и количеству заказов), чтобы присвоить каждому товару категорию. Это необходимо для правильной интерпретации точности прогноза, поскольку позволяет придать больший вес товарам, которые максимально влияют на общий результат.

В результате мы получили табличный вывод в веб-сервисе, который включает:

• SKU,
• ITEMID,
• прогноз поставок на склады,
• прогноз продаж,
• оборачиваемость товара (сколько дней осталось до OOS),
• рекомендации по поставке.

Все результаты расчетов обязательно сохраняются в базе данных.

Этап 3. Выстроили прогнозирование OOS и пополнение запасов.

Настроили единую систему алертов и детекции аномалий: сервис автоматически выявляет угрозу OOS (если запас < X дней), перетаривание и «зависшие» остатки (если запас > Y дней), а также возможные ошибки в заказах и нетипичные всплески/провалы. Пороги алертов автоматизированы, уведомления отправляются в рабочие каналы. Это снижает риск OOS, сокращает недополученную выручку и экономит время категорийных менеджеров. Для категорийных менеджеров и логистов формируются объяснимые рекомендации — сколько и когда пополнить, с возможностью принять решение в один клик.

Результат — интеллектуальный сервис, который не просто предсказывает спрос, но и помогает менеджерам принимать решения по управлению запасами.

Этап 4. Спланировали масштабирование

Эти необязательные, но полезные дополнения повысят уровень автоматизации и аналитической глубины.

На первом этапе расширения мы добавим дополнительные ручные поля для корректировки прогноза, такие как «Страховой запас на случай форс-мажоров».

Также мы реализуем функцию «Скачать Excel», которая выгружает прогноз в формате, совместимом с шаблоном поставки маркетплейса, что позволяет сразу подгрузить файл в личный кабинет для создания поставки.

Кроме того, улучшим систему фильтрации результатов, включая фильтрацию по оборачиваемости и угрозам.

На следующем этапе расширения мы углубим интеграцию и аналитику.

Добавим:

• интеграцию с календарем маркетплейсов для подсветки периодов акций;

• дополнительные поля данных о продажах, такие как средние уровни заказов, текущий остаток, сток в пути и процент выкупа SKU, с корректировкой поставки на этот показатель;

• график фактических и прогнозируемых продаж с доверительным интервалом и визуальное отображение текущего остатка на складе клиента;

• отдельный интерфейс с интеграцией в CRM/ERP заказчика.

В результате получим ещё более прозрачные и прогнозируемые бизнес-процессы, практически полное исключение ручных операций по формированию поставочных файлов и глубокую аналитику, учитывающую внешние факторы и эффективность выкупа товара.

Аналитика

После получения прогноза спроса от модели машинного обучения мы применили ABC-анализ, чтобы с учётом влияния товаров на выручку и частоты продаж корректно расставить приоритеты и корректно дать рекомендации по поставкам на склад.

• Шаг 1. Подготовили данные

Собрали данные за определённый периоды по каждому SKU со всех каналов маркетплейсов.

• Шаг 2. Провели два независимых ABC-анализа отдельно для каждого критерия

Анализ по Выручке

Отсортировали все товары по убыванию выручки.

Рассчитали накопительную долю выручки от общего итога.

Присвоили категории:

• A-Выручка: товары, дающие первые ~80% совокупной выручки.
• B-Выручка: следующие ~15% совокупной выручки.
• C-Выручка: оставшиеся ~5% совокупной выручки.

Анализ по Количеству Заказов:

• Отсортировали все товары по убыванию количества заказов.
• Рассчитали накопительную долю от общего количества заказов.
• Присвоили категории по тому же принципу:
• A-Заказы: товары с наибольшим количеством продаж (часто покупаемые).
• B-Заказы: товары со средним количеством продаж.
• C-Заказы: товары, которые продаются редко.

Шаг 3. Присвоили комбинированные категории

Мы создали матрицу, где по вертикали — категория по Выручке (A, B, C), а по горизонтали — категория по Заказам (A, B, C). В результате получилось 9 групп.

Каждый товар получил двухбуквенный код в зависимости от своих позиций в двух анализах. Например, товар с высокой выручкой (A), но средним количеством заказов (B) попадает в категорию AB.

Критерии и интерпретация категорий товаров

AA: самые ценные товары. Дают основную выручку и стабильно продаются. Ключевые для бизнеса.

AB: высокая выручка, но продаются не так часто, как AA. Это могут быть товары с высокой ценой.

AC: высокая выручка, но достигается за счет редких, но очень крупных заказов. Спрос нестабилен и сложен для прогнозирования.

BA: средняя выручка, но высокий оборот. Основа ассортимента по стабильности.

BB: стандартные товары со средними показателями по обоим критериям.

BC: средняя выручка и низкая частота. Кандидаты на удаление из ассортимента.

CA: много мелких заказов, но в сумме выручка низкая. Могут создавать высокую операционную нагрузку при низкой отдаче.

CB: низкая выручка, средняя частота.

CC: товары с минимальным вкладом. Основные кандидаты на распродажу и вывод из ассортимента.

3. Результаты сотрудничества

Точность прогнозов — 91%

Снижение OOS — 28%

Экономия оборотных средств

Меньше «замороженного» капитала

Равномерная отгрузка по складам и снижение логистических издержек

Экономия времени категорийных менеджеров за счёт автоматизации