Сначала решение, потом график
Закупщику нужен не впечатляющий прогноз на двенадцать месяцев, а решение: сколько заказать сейчас, когда ждать поставку и при каком условии план пересмотреть. Нейросеть может собрать данные, указать необычные недели и предложить сценарии. Но она не видит внезапной скидки конкурента, закрытия соседнего магазина или нового договора с поставщиком, пока эти факты не внесены. Поэтому результат пилота — три проверяемых варианта закупки с основаниями, а не одно «оптимальное» число. Отдельно запишите, кто вправе утвердить заказ и какую максимальную сумму он может согласовать. ИИ не должен отправлять заказ автоматически только потому, что таблица выглядит законченной.
Подготовьте таблицу без лишних полей
Для одной товарной группы соберите еженедельные продажи за прошлый и текущий год, текущий остаток, уже размещённые заказы, срок поставки, минимальную партию и срок годности, если он важен. Поля с клиентскими именами здесь не нужны. Если данные распределены между кассой и складом, сначала согласуйте единицы: «коробка», «упаковка» и «штука» должны переводиться по явному коэффициенту. Отметьте недели, в которые товар отсутствовал: нулевые продажи при пустом складе не означают нулевой спрос. В столбце версии укажите дату выгрузки. Через месяц никто не должен гадать, по какому остатку был сделан расчёт.
Отделите повторяющуюся сезонность от исключения
Покажите модели продажи по неделям и попросите объяснить пики, но требуйте ссылку на строки таблицы для каждого числового утверждения. Разовый корпоративный заказ в ноябре прошлого года не стоит переносить на эту осень как «сезонный тренд». Снижение продаж во время ремонта торгового зала тоже не доказывает, что товар стал менее нужен. Пометьте такие события вручную. Затем сравните продажи обычных недель с аналогичным периодом прошлого года. Если годовой истории нет, честно обозначьте неопределённость и сделайте малую закупку с точкой пересмотра, а не стройте длинную кривую из трёх наблюдений.
Посчитайте простой базовый сценарий
Предположим, за последние четыре обычные недели уходило по 18–22 единицы. Поставка занимает две недели, на складе 25 единиц, ещё 10 подтверждены в пути. Без прогноза двухнедельный спрос составляет примерно 36–44 единицы. Значит, запас на горизонте поставки находится около 35 единиц и уже близок к нижней границе. Но это только базовая проверка: он не учитывает остатки, которые нельзя продать, и возможную задержку. Попросите ИИ показать исходные строки и арифметику, а затем пересчитайте вручную. Если модель предлагает заказать сто единиц, пусть явно укажет, из какого допущения возник скачок.
Сделайте три сценария с правилами пересмотра
Вместо одного значения получите осторожный, базовый и высокий сценарии. Для каждого укажите объём, дату заказа, ожидаемую дату прихода, стоимость хранения и риск списания. Высокий сценарий имеет смысл только если есть подтверждённый спрос или короткий срок реализации. Назначьте триггер пересмотра: например, две недели фактических продаж выше определённого порога либо письмо поставщика о задержке. Триггер должен ссылаться на данные, доступные человеку. Не добавляйте запас «на всякий случай» дважды — сначала в сценарии, потом отдельной ручной надбавкой. Так незаметно создают затоваривание.
Проверьте цену ошибки с обеих сторон
Недозаказ оставляет покупателей без товара; перезаказ замораживает деньги и место. Оцените оба последствия в рублях, а не только в процентах точности прогноза. Для сезонной коллекции непроданный остаток после праздника может быть дороже нескольких дней дефицита. Для расходного материала остановка работы клиента может перевесить хранение дополнительной коробки. Модель не знает приоритет компании, пока вы его не запишете. Если категория критичная, сотрудник должен подтвердить уровень сервисного запаса. Если категория экспериментальная, допустим короткий цикл закупки. Хороший ИИ-черновик делает выбор прозрачным, но не подменяет коммерческую ответственность.
Оставьте след для следующей недели
Зафиксируйте дату выгрузки, три выбранных сценария, решение руководителя и причину отклонения других вариантов. Через неделю добавьте фактические продажи и поставку. Сравнивайте не только прогноз с фактом, но и пользу для работы: стало ли меньше срочных дозакупок, снизились ли списания, сколько времени ушло на проверку. Если данные поставщика расходятся с заказом, это уже другая задача — <a href="/materialy/sverka-scheta-nakladnoy-i-zakaza-s-ii-20261025-b2">сверка счёта и накладной</a>. Не смешивайте её с прогнозом спроса в одном ответе модели. За общим подходом к контрольным точкам можно обратиться к <a href="/materialy/pervyi-process">разбору первого ИИ-процесса</a>.
Вывод и вопросы перед запуском
Нейросеть здесь полезна как спокойный аналитик, который показывает допущения, пропуски и цену трёх вариантов. Она плоха как автоматический закупщик без права остановиться. Нужна ли сложная модель прогнозирования? Для начала нет: простая проверяемая база показывает, приносит ли ИИ добавочную пользу. Что делать с нулевой продажей при пустом складе? Пометить недоступность товара и не считать ноль показателем спроса. Можно ли загрузить весь клиентский реестр? Для расчёта количества он обычно не требуется. Когда менять сценарий? Когда сработает заранее описанный измеримый триггер, а не потому, что новая формулировка модели звучит увереннее.