Почему Excel и интуиция больше не работают: как меняется прогнозирование в цепочках поставок

Большинство компаний в ритейле, FMCG и логистике до сих пор принимают ключевые решения о запасах и пополнении на основе электронных таблиц, исторических данных и профессиональной интуиции. В условиях, когда небольшой скачок потребительского спроса способен запустить эффект кнута по всей цепочке поставок, такой подход становится серьёзной уязвимостью.

Классический пример: крупный ритейлер запускает промоакцию, покупатели закупаются впрок, спрос резко растёт – и тянет за собой заказы вверх по цепочке к производителям и дистрибьюторам. Акция заканчивается, спрос обваливается, а у партнёров остаются избыточные запасы, которые никто не предвидел. Сигнал о спросе был виден – проблема в том, что его не успели перевести в конкретное операционное решение.

Традиционное прогнозирование смотрит назад: «Что мы продали на прошлой неделе?» Правильный вопрос другой: «Что мы продадим в следующем месяце и почему?» Ответ на него требует так называемого планирования без границ – когда закупки, мерчандайзинг, логистика и операции в магазинах работают в едином информационном контуре и непрерывно анализируют данные.

Современный прогноз начинается с ассортимента. Аналитика категорий на основе POS-данных и локальной демографии позволяет рационализировать полку ещё до того, как прогноз готов: какие товары должны быть в конкретном магазине, сколько фейсингов выделить, какой продукт вынести на главную страницу интернет-магазина. Эти решения выше по потоку от прогноза напрямую влияют на его точность.

Та же логика распространяется за пределы физического магазина. Онлайн-заказы с самовывозом и доставкой из магазина превращают торговые точки в фулфилмент-узлы. Если ритейлер не видит спрос по всем каналам – офлайн, онлайн, самовывоз, доставка – в единой картине, он рискует решить проблему одного канала, создав дефицит в другом.

Прогноз нового поколения учитывает и внешние факторы. Погода напрямую меняет структуру продаж: похолодание смещает спрос на напитки и еду так, как исторические средние не способны предсказать. Приближение урагана создаёт предсказуемый всплеск на генераторы, фанеру и средства уборки. Компании, которые интегрируют такие сигналы в планирование, размещают запасы до пика спроса, а не реагируют постфактум. Промоакции конкурентов, местные события, макроэкономические индикаторы – всё это поддаётся учёту, если инфраструктура прогнозирования позволяет встраивать их системно.

Одна из самых дорогих проблем – разрыв между планом и исполнением. Системы планирования и операционные среды часто работают на разных наборах данных, обновляются с разной частотой и опираются на разные допущения. Когда они не связаны, решения планировщиков не отражают реальность на складе и в магазине, а операционные команды не успевают среагировать на изменения плана. Закрытие этого разрыва требует гармонизации данных и перехода от аналитики «что произошло» к системам, которые проактивно выдают рекомендации – что делать и когда.

Искусственный интеллект и машинное обучение здесь выступают практическими инструментами масштабирования: не замена человеку, а способ обработать тысячи SKU по тысячам локаций быстрее, чем это сделает любая команда вручную. Компании, которые инвестировали в модернизацию прогнозирования до последних кризисов, оказались устойчивее – не потому что предсказали конкретные сбои, а потому что их системы позволяли быстро перестроить планы при изменении условий.