Теория ограничения систем для торговли на маркетплейсах

Проблема метода «неснижаемый остаток»

Алгоритм, который задаёт план поставки как «держать запас на N дней», прост и привычен. В настройках указывают, на сколько дней хранить товар, и всё — считать не надо. Но это грубая мера: она умножает среднюю скорость продаж на дни и даёт план. Часто получается либо про запас — много лишних коробок, либо наоборот — промах при пике. Простая математика, да, но беда в том, что метод не учитывает вариативность спроса и задержки доставки. Он похож на правило «всегда держать по курсам» — понятно, но не оптимально.

Почему такой подход ведёт к лишним затратам

Когда вы берёте среднюю скорость и умножаете на дни, вы не отличаете обычные продажи от акций или аномалий. В результате: денежные средства заморожены в товаре, склад быстрее заполняется, логистика растёт в цене. Повторяю: замороженные деньги — это потеря гибкости. Для маркетплейсов это особенно заметно, потому что ассортимент большой, и у многих SKU низкая оборачиваемость. Плюс — риск списаний при долгом хранении. Нерационально.

Что предлагает подход по ТОС и минимальному остатку

Идея другая: считать минимальный остаток исходя из реальных параметров — частоты поставок, средней продажи без аномалий, разброса спроса и желаемого уровня сервиса. То есть мы определяем, какое минимальное количество надо держать на кластере складов, чтобы практически никогда не уйти в ноль при заданном уровне сервиса (у вас — 99%). Это не магия: это статистика + знание логистики. И да — экономит деньги и пространство.

Как учитывать регулярность поставок и ограничения логистики

Пример MARQI: поставки раз в неделю. Значит, время между отгрузками — 7 дней. Лёгковой автомобиль вмещает до 4 больших коробок, но при необходимости можно заказать грузовую доставку и привезти 12 коробок. Значит — есть два режима: стандартная мелкая поставка и резервная крупная. Для расчёта минимального остатка мы берем ожидаемое потребление за период до следующей поставки плюс запас на покрытие вариативности и задержек. Простая формула словами: минимальный остаток = среднее потребление за lead time + страховой запас. Всё.

Как фильтровать аномалии в продажах

В 1С у вас реальные продажи в реальном времени — это супер. Но перед расчётом надо убрать всплески от акций, возвраты и технические ошибки. Практика: используем усечённое среднее или медиану, скользящую медиану, или разбиваем историю на сезоны и исключаем окна промо. То есть сначала чистим данные, потом считаем — иначе страховой запас будет завышен. И да, фильтры простые, не надо волшебных моделей.

Расчёт страхового запаса для уровня сервиса 99%

Чуть математики, но коротко. Берём среднедневной спрос и стандартное отклонение спроса за день. Умножаем средний спрос на lead time — это ожидаемое потребление. Стандартное отклонение за период = σ_daily * sqrt(lead_time). Берём z-коэффициент для 99% ≈ 2.33. Тогда страховой запас = z * σ_period. Пример: средний спрос 10 шт/день, σ = 5 шт, lead time = 7 дней. Тогда σ_period = 5 * sqrt(7) ≈ 13.2. Страховой запас ≈ 2.33 * 13.2 ≈ 31 шт. Ожидаемое потребление = 10*7 = 70. Минимальный остаток ≈ 70 + 31 = 101 шт. Понятно? Это даёт гарантию близкую к 99% при предположении нормального распределения остатков спроса. Маленькая ремарка — распределение не всегда нормальное, но метод работает как хорошая приближённая база.

Сравнение с «дней запаса» на примере чисел

Возьмём вариант «на 14 дней» по средней: 10*14 = 140 шт. Метод минимального остатка дал 101 шт. Разница 39 шт — вот сколько товара вы держите лишнего. Деньги, склад, транспорт — всё это сокращается. При пиках, если спрос выше обычного, страховой запас и правильно учтённый lead time удержат от нулей. Метод «дней» не даёт такой уверенности и часто либо слишком расточителен, либо ненадёжен. Короче: «дни» — грубая мера. Лучше считать.

Кластеризация складов и эффект пуллинга запасов

Если в регионе есть несколько складов с похожим спросом, можно объединять запасы — пулить. Пуллинг снижает суммарный страховой запас благодаря диверсификации спроса. Но здесь важно учесть корреляцию спроса между складами: если они сильно коррелированы, выгода меньше. Для маркетплейсов это реальный шанс сэкономить: держать меньше по сумме, но тот же сервис-уровень. Практический шаг — кластеризовать склады и рассчитать параметры на кластер, не на каждый склад по отдельности.

Шаги внедрения расчёта в 1С и модуле интеграции

Короткий план: (1) настроить загрузку чистой истории продаж в реальном времени; (2) ввести правила фильтрации аномалий (акции, возвраты); (3) для каждого SKU и кластера считать средний спрос и σ; (4) задать lead time для каждой логистической схемы — в днях; (5) рассчитать страховой запас и минимальный остаток; (6) учесть кратности упаковки и вместимость машины; (7) формировать предложения по поставке с учётом ограничений транспорта; (8) ставить алерты и давать реальные отчёты по экономии. Всё это можно автоматизировать в 1С:Управление торговлей.

Контроль ограничений: упаковки, машины, срочность

Учтите кратности упаковки и вместимость авто. Если машина вмещает 4 коробки, а оптимальная поставка требует 5 — нужно либо дозабивать до 8, либо заказывать грузовую доставку. Это добавляет стоимостной компонент: мелкие рейсы дешевле или дороже — смотрите свои тарифы. В 1С это решается правилами кратности и приоритетами: мелкая поставка как правило, экстренная как опция с надбавкой. Прописать политики — важно.

Что нужно компании, чтобы алгоритм был автоматизирован в 1С

Компаниям нужно: модуль расчёта в 1С, который получает чистые данные продаж; интерфейс для параметров (lead time, z-коэффициент для уровня сервиса, кратности); учёт логистических режимов (легковой/грузовой), правила по упаковке и минимум заказа; сценарии «пилот» и отчёты по экономии; возможность ручной корректировки и лог изменений; механизм формирования предложений на поставку, который интегрируется с модулем «МС:Интеграция с маркетплейсами» и может подставлять остатки и статусы. И — обязательный момент — запуск расчетов по расписанию и по событию (например, резкий рост продаж).

В итоге

Коротко: метод «неснижаемого остатка» прост, но дорогой и не учитывает вариативность и логистику. Расчёт минимального остатка с учётом lead time, фильтрации аномалий, страхового запаса и кластеризации даёт тот же сервис уровня при меньших запасах. Это экономит деньги и делает поставки предсказуемее. Это не сложно, но требует дисциплины в данных и настроек. Так — готовы ли вы считать запасы как инженеры, а не по привычке?

Демонстрация МС:Интеграция с маркетплейсами

Специалист MoscowSoft в удобное время покажет, как реализован алгоритм расчета поставок в программе МС:Интеграция с маркетплейсами.

Заказать бесплатную демонстрацию >>