Все говорят про AI, а 80% компаний до сих пор планируют закупки «на глаз».
Все говорят про AI и машинное обучение, но большинство планирует закупки «на глаз». Разбираемся, почему так происходит и как это исправить за один день.
Парадокс современного supply chain.
Каждую неделю появляются новости о внедрении искусственного интеллекта в управление цепочками поставок. Стартапы обещают революцию через нейросети, крупные компании отчитываются о переходе на предиктивную аналитику. Кажется, что прогнозирование спроса уже стало рутинной практикой.
Но реальность выглядит иначе.
По моим наблюдениям (работаю с российскими компаниями в области supply chain с 2015 года), около 80% компаний до сих пор планируют закупки одним из трёх способов:
- Копируют данные прошлого года.
- Менеджер смотрит на историю продаж и «на глаз» определяет, сколько заказывать.
- Используют Excel, но без формул — просто записывают туда цифры.
При этом ошибка такого «прогноза» составляет 40-50%. То есть половина решений принимается неправильно. Половина закупок либо избыточна (деньги заморожены на складе), либо недостаточна (клиенты уходят из-за дефицита).
Почему так происходит? Почему компании игнорируют даже базовые методы прогнозирования, известные с 1960-х годов?
Прежде чем отвечать на этот вопрос, давайте разберёмся, какие вообще есть уровни зрелости в прогнозировании.
Три уровня зрелости прогнозирования.
Уровень 0: Копирование прошлого года.
Как это работает:Открываем Excel с продажами за прошлый год. Смотрим, что в октябре 2024 продали 1000 единиц товара A. Значит, на октябрь 2025 закажем тоже 1000 единиц.
Проблема:Этот метод полностью игнорирует:
- Тренд — если спрос растёт или падает, вы этого не увидите
- Сезонность — если октябрь 2024 был аномально тёплым, а октябрь 2025 холодный, ваш прогноз промахнётся
- Случайные выбросы — если в прошлом году был разовый крупный заказ, вы заложите его в постоянный спрос
- Изменения рынка — конкуренты, цены, маркетинг — всё это влияет на спрос
Типичная ошибка прогноза: 45-50%
Кто так делает:Малый и средний бизнес, где один человек отвечает за закупки, продажи и логистику одновременно.
Уровень 1: Simple Exponential Smoothing (SES).
Как это работает: Вместо того чтобы просто копировать прошлое, мы берём взвешенное среднее последних наблюдений, где более свежие данные имеют больший вес.
Формула:
F(t+1) = α × D(t) + (1 - α) × F(t)
Где:
- F(t+1) — прогноз на следующий период
- D(t) — фактический спрос в текущем периоде
- F(t) — прогноз на текущий период
- α (альфа) — параметр сглаживания (обычно 0,1–0,3)
На русском языке:«Новый прогноз = немного фактических данных + немного старого прогноза»
Преимущества:
- Автоматически учитывает недавние изменения.
- Реагирует на тренды (хотя с задержкой).
- Внедряется в Excel за 5 минут (одна формула).
Типичная ошибка прогноза: 18-25%.
Кто так делает:Компании, которые хотя бы раз задумались о том, что «на глаз» — это плохо.
Уровень 2: Holt-Winters и машинное обучение.
Holt-Winters — это расширение SES, которое отдельно учитывает:
- Уровень (базовый спрос).
- Тренд (растёт или падает).
- Сезонность (повторяющиеся колебания).
Машинное обучение (ARIMA, Prophet, LSTM) идёт ещё дальше — учитывает внешние факторы (погода, праздники, цены конкурентов).
Типичная ошибка прогноза: 10-18%
Кто так делает:Крупные компании с выделенными отделами планирования и аналитики.
Вот графическое сравнение:
Ключевой инсайт: Переход с Уровня 0 на Уровень 1 даёт снижение ошибки в 2 раза при затратах времени 30 минут.
Переход с Уровня 1 на Уровень 2 даёт улучшение на 20-30% при затратах недель работы и найма специалистов.
Вывод очевиден: начинать нужно с SES.
Реальный кейс: оптовик стройматериалов.
Недавно работал с компанией-оптовиком строительных материалов. 500+ SKU, оборот около 100 млн рублей в год.
Ситуация до внедрения:
Процесс планирования:Менеджер по закупкам раз в неделю открывает Excel, смотрит на остатки и продажи за прошлую неделю, «прикидывает» сколько нужно и отправляет заказ поставщику.
Проблемы:
- Dead stock — 15-20% товаров лежат без движения больше 90 дней (заморожено ~1,8 млн руб.)
- Дефициты — постоянные звонки от клиентов «когда будет?»
- Уровень сервиса (IFR) — 82% (то есть из 100 заказанных единиц клиенты получают только 82)
- Ошибка прогноза (MAPE) — 45%
Что сделали:
За 2 дня внедрили Simple Exponential Smoothing в существующий Excel-файл. Добавили 3 формулы:
- Прогноз SES: =альфа*D2+(1-альфа)*F2
- Ошибка: =ABS(D2-F2)
- MAPE: =AVERAGE(E:E/D:D)*100
Обучили менеджера пользоваться новой колонкой с прогнозом вместо «прикидок».
Результаты через 1 месяц:
- ✅ Ошибка прогноза (MAPE): 45% → 22% (снижение в 2 раза!)
- ✅ Dead stock: 15% → 9% (высвобождено 1,8 млн руб.)
- ✅ Уровень сервиса (IFR): 82% → 91%
- ✅ Время на планирование: 3 часа в неделю → 1 час в неделю
Бюджет внедрения: 0 рублей (использовали тот же Excel).
Время внедрения: 2 дня (настройка формул + обучение менеджера).
Почему компании не используют даже базовые методы?
Если всё так просто и эффективно, почему большинство до сих пор работает «на глаз»?
Я выделяю три главные причины.
1. Не знают, что такие методы существуют.
Большинство менеджеров по закупкам не имеют образования в области supply chain management. Они пришли в профессию из продаж, логистики или просто «так получилось».
Что они знают:
- Excel для ведения остатков.
- Как звонить поставщикам.
- Как договариваться о ценах.
Что они НЕ знают:
- Что такое экспоненциальное сглаживание.
- Чем MAPE отличается от MAD.
- Как настроить прогнозирование в Excel.
Образовательных программ по SCM в России мало. ВУЗы учат теории, но не дают практических инструментов.
Решение:Самообразование. Онлайн-курсы, статьи, YouTube. Сейчас доступно всё.
2. Кажется слишком сложным.
Когда человек впервые видит формулу F(t+1) = α × D(t) + (1 - α) × F(t), у него возникает отторжение.
«Это математика. Это сложно. Мне нужен специалист по data science.»
На самом деле:SES — это одна формула в Excel, которую можно скопировать на 500 строк за 10 секунд.
Проблема в том, что термины звучат страшно:
- «Экспоненциальное сглаживание» — звучит как высшая математика.
- «Параметр альфа» — звучит как программирование.
- «MAPE» — аббревиатура из трёх букв, непонятно что.
Решение:Показать на примере. Как только человек видит, что это просто =0,2*B2+0,8*C2, страх пропадает.
3. Нет времени на внедрение.
«Я и так завален работой. Мне некогда разбираться в новых методах. Пусть как-нибудь потом.»
Это классическая ловушка: текучка съедает стратегию.
Менеджер тратит 3 часа в неделю на ручное планирование (смотрит таблицы, думает, звонит поставщикам). Если бы он потратил 1 час на настройку SES, он бы сэкономил 100+ часов в год.
Но этот 1 час нужно найти прямо сейчас, а текучка не отпускает.
Решение:Выделить 1 день. Буквально взять и сказать: «Сегодня я не делаю текущую работу. Сегодня я настраиваю прогнозирование.»
Или делегировать. Попросить стажёра/помощника настроить Excel по инструкции.
Как внедрить SES за 1 день: пошаговая инструкция
Хватит теории. Вот конкретный план действий.
Шаг 1: Подготовьте данные (30 минут)
Откройте Excel. Вам нужны два столбца:
- Дата (или период: неделя 1, неделя 2...)
- Фактический спрос (сколько продали/отгрузили в этот период)
Минимум данных: 20-30 наблюдений (недель или месяцев).
Если у вас меньше — SES будет работать, но менее точно.
Шаг 2: Добавьте столбец «Прогноз SES» (10 минут)
Создайте столбец «Прогноз».
В первую ячейку (например, C2) поставьте начальное значение прогноза. Обычно это просто среднее за первые 3-5 периодов:
text=AVERAGE(B2:B6)
Во вторую ячейку (C3) введите формулу SES:
text=0,2*B2 + 0,8*C2
Где:
- 0,2 — это альфа (параметр сглаживания).
- B2 — фактический спрос в предыдущем периоде.
- C2 — прогноз в предыдущем периоде.
Скопируйте формулу вниз на все строки.
Шаг 3: Настройте параметр альфа (15 минут)
Параметр α (альфа) определяет, насколько быстро прогноз реагирует на изменения.
- α = 0,1 — медленная реакция (сглаживает шум)
- α = 0,3 — быстрая реакция (быстро подстраивается под тренды)
Как подобрать альфа:
- Создайте столбец «Ошибка»:text=ABS(B3-C3)
- Создайте ячейку с MAPE (средняя процентная ошибка):text=AVERAGE(D:D/B:B)*100
- Попробуйте разные значения альфа (0,1; 0,15; 0,2; 0,25; 0,3) и выберите то, при котором MAPE минимален.
Шаг 4: Используйте прогноз для заказа (5 минут)
Теперь у вас есть столбец с прогнозом на следующий период.
Простая логика заказа:
Заказ = Прогноз + Страховой запас - Текущий остаток
Где:
- Страховой запас — это буфер на случай ошибки прогноза (обычно 10-20% от прогноза).
- Текущий остаток — то, что есть на складе прямо сейчас.
Добавьте эту формулу в Excel — и у вас автоматизированный расчёт размера заказа.
Шаг 5: Внедрите в работу (30 минут)
- Обновляйте данные раз в неделю (добавляйте новую строку с фактическими продажами).
- Копируйте формулу на новую строку.
- Смотрите на прогноз вместо того, чтобы гадать.
- Отслеживайте MAPE — если ошибка растёт, пересмотрите альфа.
Итого времени: ~1,5 часа.
Результат: Ошибка прогноза снижается с 45% до 20-25%.
Когда переходить на Уровень 2?
Вы внедрили SES, всё работает. Когда имеет смысл переходить на Holt-Winters или машинное обучение?
Признаки, что пора:
- Ярко выраженная сезонность — продажи зонтов в июне и декабре отличаются в 10 раз, SES не успевает за этим.
- Сильный тренд — продажи растут на 10-20% каждый месяц, SES даёт прогноз с задержкой.
- Большая номенклатура — 1000+ SKU, ручная настройка альфа для каждого товара нереальна.
- Высокая стоимость ошибки — вы продаёте товары с коротким сроком годности или высокой ценой хранения.
Если этих признаков нет — оставайтесь на SES. Это работает для 70-80% компаний.
Заключение: начните с малого.
Главная идея этой статьи:
Вам не нужен AI. Вам не нужны data scientists. Вам не нужны дорогие системы класса SAP.
Вам нужно перестать планировать «на глаз» и начать использовать хотя бы Simple Exponential Smoothing.
Это:
- Бесплатно (работает в Excel)
- Просто (одна формула)
- Быстро (настраивается за 1-2 часа)
- Эффективно (снижает ошибку прогноза в 2 раза)
Начните с малого. Выберите один товар. Настройте SES. Сравните результаты через месяц.
Если сработает (а оно сработает) — масштабируйте на всю номенклатуру.
Не откладывайте. Каждая неделя «на глаз» — это замороженные деньги на складе или упущенные продажи.
Полезные материалы
📘 Бесплатный чек-лист: ABC-XYZ анализ за 30 минут — как сегментировать товары перед настройкой прогнозирования
🎓 Онлайн-курс: Управление запасами на практике — 21 урок с Excel-шаблонами по SES, Holt-Winters, EOQ и другим методам. Старт 20 октября.
💬 Telegram-канал: scm_bez_vody — ежедневные практические советы по управлению запасами без воды.
Автор: Дмитрий Фролов, специалист по supply chain management с 2010 года. Помогаю компаниям внедрять системы управления запасами без больших бюджетов и армий консультантов.