Как «1С:Прогнозирование продаж» спасает склад от хаоса и дыр в обороте

Привет-привет, это СБиСик. Сижу за утренним капучино, думаю о вчерашнем звонке клиента: «Саша, у нас опять на складе залипли грили для дачи, а лёдогенераторы закончились за две недели до сезона. Что делать?» – ну и понеслась классика – кто-то не учёл сезон, кто-то недооценил промо в Инстаграме (запрещённой, но люди-то смотрят), Excel лёг, менеджеры спорят.
Улыбнулся, потому что ровно эту историю я слышу пятый раз за месяц, и каждый раз ловлю себя на мысли: ребят, ну правда, пора перебираться из табличек в нормальный сервис.

Почему «на глаз» больше не работает

Давайте без заумных графиков. Простой пример из жизни: сеть из шести магазинов спорт-товаров в Сургуте. Июль – жара, спрос на велосипеды растёт. Закупают 800 штук, считают, что с запасом. Через три недели остаётся 150, а поставка следующая только через месяц. Итог – минус 1,2 млн недополученной выручки, злая логистика, разочарованные клиенты, скандал в чате директоров.

Другой полюс – декабрь. Менеджеры боятся дефицита, заказывают горы зимних коньков. Январь тёплый, озёра не встают, половина коньков так и лежит до следующего сезона. До марта только складская аренда «съедает» 60 000 ₽. Угадайте, кто виноват? Опять же «плохие прогнозы».

Вот эта качеля «лишнее – недостача» и есть главная боль. Когда объём позиций переваливает за тысячу, а магазины раскиданы по регионам, мозг человека просто не тянет. А где-то рядом уже доступна история продаж, остатки, промо-акции, температурные колебания и даже футбольные матчи, влияющие на трафик. Надо только уметь всё сложить в одну картинку.

Кстати, короткие заметки о таких перекосах я иногда выкладываю быстрее в наш канал в MAX – пока соберёшься сесть за длинную статью, у клиента уже новая партия лыж потерялась в учёте.

Сервис, который думает вместо человека

Захожу к заказчику, показываю: «Смотрите, 1С:Прогнозирование продаж – подключается за вечер. Буквально. Платформа отправляет историю за два-три года, сервис крутится в облаке, а утром у вас готовый прогноз по каждому артикулу». Люди обычно скептичны: «Саша, у нас товар «прыгает», акции, курортный сезон, чёрт-знает-что, неужели оно учтёт?»

Учтёт. Под капотом – статистические модели, градиентный бустинг, рекуррентные сети. Но рассказываю без страшилок: «Сервис берёт историю, ищет паттерны, проверяет несколько моделей, выбирает самую точную, сам же себя проверяет через MAPE и прочую математику. Вам остаётся решить, верите ли цифрам». Никакой Data Science-команды нанимать не надо, сервак обновлять не надо, память не трещит – всё крутится в облаке 1С, а в базе лишь компактные результаты.

И вот магия: в показаниях по велосипедам сервис подсвечивает аномалию – резкий скачок спроса каждую вторую субботу июня. Вспоминаем: фестиваль экстремального спорта в соседнем районе. Менеджеры обычно упускают этот фактор, а машина нет. На «коньковой» истории – наоборот, видит тёплую зиму последних трёх лет, откатывает сезонный коэффициент вниз. Экономия на закупке 480 000 ₽.

Не только магазины, но и производство

Склад – это половина драмы. У меня на обслуживании хлебозавод (25 000 батонов в сутки). Там прогнозирование продаж влияет на сменные задания пекарей и закупку муки. Ошибся на 5 % – либо батоны едут на корм свиньям, либо покупатели ругаются, что «нарезной» закончился до обеда. Переход на сервис позволил им сгладить колебания спроса в праздники и контроилровать остатки муки с точностью до паллеты. Начали в феврале, отчёт за май: списания возвратов упали на 38 %, сверхприбыль – скромные, но приятные 210 000 ₽.

Кстати, эта тема уже мелькала у нас в Telegram-канале – там участники делились, как они подворачивают прогноз под ночные смены, чтобы пекари не простаивали.

Как быстро подключиться и не испугать бухгалтерию

Страшилка номер один – бухгалтеры: «Нас опять заставят апгрейдить сервер, тянуть провода, покупая лицензии на SQL». Нет, здесь всё по подписке. Выделенный сервер в облаке 1С, шифрованный канал, нет нагрузки на локальные базы. Просто ставим расширение, вводим токен, выбираем список номенклатуры – и поехали.

Частый вопрос: «А что, если мы ошибёмся со сроком прогноза?» – никаких трагедий. Меняем горизонт с трёх на шесть месяцев, жмём «пересчитать», сервис молча гонит новые цифры. Минут пять – и готов план закупки зерна или цепочек поставщиков из Китая.

Интеграция с 1С:ERP и КА происходит через стандартный обмен. В настройках выбираете сценарий «Сезонный товар», задаёте магазины в разрезе ТСД, а сервис сам вытягивает все нужные показатели. Даже если у вас кастомная конфигурация, через API добавить выгрузку можно за пару часов.

Что получает бизнес на выходе

Поймёте разницу уже по первому отчёту: цветная тепловая карта, где красным горят будущие дефициты, а синим – избыточный запас. Любимый KPI директора – оборачиваемость – начинает улучшаться, потому что закупки подкручены под реальный прогноз, а не под интуицию «давайте возьмём про запас».
Маркетологу нравится график «спрос vs акция»: видно, как каждая скидка отражается на динамике, можно докрутить бюджет. Финансист смотрит на высвободившиеся средства и примеряет новый cash-flow: «Угу, давайте рефинансируем кредит».

Из моих наблюдений, эффект быстрее всего проявляется там, где много SKU и короткий жизненный цикл: электроника, fashion, продукты категории «фреш». На стройматериалах чуть сложнее – длинная логистика, но там спасает хороший прогноз остатков по складам-дистрибьюторам.

Ошибки, о которых стоит знать заранее

Первое – «мы загрузили мало истории». Если в базе всего полтора месяца продаж – модель буксует. Минимум полгода дневных данных, лучше год. Есть клиенты, у которых история оборвана миграцией из старой УТ 10.3 на УТ 11. Ставим мостик, докидываем CSV – сервис переварит.

Второе – «игры с аномалиями». Некоторые пытаются подчищать данные вручную: «Да мы тут промо вырежем, а тут возвраты спрячем». Не надо. Машина сама определит всплески, пометьте их тегами «акция» – и модель скорректирует веса.

Третье – «забыли человечий фактор». Да, AI хорош, но экспертная поправка категории-менеджера всё равно важна. В интерфейсе есть кнопка «коррекция», где Ольга из отдела закупок добавляет +8 % к спросу на розовые кеды, потому что ТикТок опять хайпит.

Что мы ещё не обсудили

Мы пока только прошлись по поверхности: почему сервис удобнее Excel, как облако снимает головную боль с серверами, зачем производственникам точное управление запасами. Дальше будет самое интересное – разберём метрики качества прогноза, посмотрим, как MAE и SMAPE ведут себя в сезонных товарах, и я покажу, как на практике «1С:Прогнозирование продаж» дружит с модулем планирования производства в ERP. Но об этом чуть позже, как только допью второй чай и найду тот самый кейс с мебельной фабрикой, где AI спорил с начальником склада…

Метрики качества: как понять, что модель не врёт

Вроде всё красиво: графики ровные, кривые сходятся, но сколько раз я видел, как руководитель, не вдаваясь в детали, берёт первый же вариант прогноза и ставит подпись на закупку. Через месяц звонит: «Саша, мы прогадали».
Поэтому всегда начинаем с цифр. Берём три-четыре метрики одновременно, потому что каждая подсвечивает свой угол.

MAPE — любимец менеджеров: показывает, на сколько процентов в среднем ошиблись. Но он одинаково «штрафует» недостачу и излишек, а для оборотки это далеко не одно и то же.
SMAPE сглаживает перекос при малых числах. Полезно, когда продаёте дорогие, но штучные позиции, типа каяков или профоскопов.
RMSE — тяжёлая артиллерия. Вроде понятная «среднеквадратичная ошибка», но она раздувает влияние крупных просчётов. Если из десяти SKU на одном промахнулись сильно, а на остальных попали, RMSE будет кричать, что всё плохо. Хорошо отрезвляет самоуверенность, но легко перегнуть.
P‐MAPE редко обсуждают, хотя для розницы он незаменим: считает ошибку, игнорируя периоды, где вообще не было спроса. Помогает, когда ассортимент скачет, а позиции мигом входят и выходят.

Как работаем на практике. Ставим контрольный горизонт — например, 12 недель. Прогоняем модель, фиксируем четыре метрики. Затем вручную убираем самый «капризный» фактор, например, акции с дисконтом 50 %, и смотрим, упала ли SMAPE хотя бы на 1-2 пункта. Если да — отличная подсказка: стоит разбить товар на два кластера и обучить модель отдельно. Не нужна докторская степень, чтобы кликнуть «Повторить расчёт» и визуально увидеть, где стала ровней дорожка.

Три реальных факапа и как мы их чинили

1. Гипермаркет DIY, 18 000 позиций. Сервис честно подсветил 9 % позиций как «данные сомнительные». Менеджер посчитал, что это ерунда, просто нажал «принять». В результате по линейке герметиков прогноз ушёл в минус 40 %. Почему? Скидка «1+1» проходила не через основной документ реализации, а через сторонний кассовый модуль, который забыли выгрузить. Лекарство: настроили обмен, протянули недостающий регистр, ещё раз посчитали. Итоговая ошибка после лечения — 6 %, герметик вылетает из дефицита через пять дней.

2. Дистрибьютор напитков, средний Пермский край. У парней две проблемы: сезон «дача/пикник» и утренний возврат тары. В системе эти возвраты падали тем же знаком, что и продажи, и машина решила, что ночью кто-то закупается ящиками минералки, а утром тот же объём чудом возвращает. MAE убежал под потолок. Добавили тег «reverse» в регистр маркетинговых мероприятий, модель стала различать возврат и реальный отказ. Плюс раз в неделю менеджер теперь одним кликом помечает ненужные возвраты, чтобы после не мучиться.

3. Интернет-магазин одежды, 25% трафика — маркетплейсы. Тот случай, когда прогноз классно лёг на собственный сайт, но полностью сбился на Wildberries. Факт: если не тащить внешний канал целиком, модель слепа. Мы сделали экспорт отчёта по API маркетплейса, объединённую витрину отдали в обучение, а для управленческого отчёта оставили два слоя — «сайт» и «маркетплейс». Теперь владелец видит, что красные худи разъезжаются в маркетплейс в три раза быстрее, чем на основном сайте, и корректирует контент, а не хаотично докупает со склада.

Советы по ежедневной работе с прогнозом

1. Сценарии храним отдельно. Есть «оптимист», «пессимист» и «базовый». Никогда не перезаписываем базу: храните копии прогноза, как сохраняете дизайн-макет. Если чего-то не доглядели, всегда можно откатить.
2. Период обкатки — минимум два цикла поставки. Пока не пройдёте полный круг: прогноз → закупка → фактическая продажа, не делайте громких выводов. Через цикл всё внезапно становится ровнее.
3. Меньше ручных фильтров. Чем больше «если» вы навешиваете, тем сильнее рушится автомат. Я видел, как категория-менеджер добавил 14 правил отбора — сезон, акция, регион, humidity index, и в панике писал в саппорт: «Почему прогноз пустой?». Потому что ты сам вычистил всё, братишка.
4. Экспорт в табличку — только для визуалки. Excel не погиб, но теперь это отчёт, а не площадка для магии. Хотите диаграмму — выгрузите, но корректировать там числа нельзя. Один раз «подправят» три строчки и забудут, что в базе другое.

И да, если у вас несколько складов, не торопитесь слиянием. Лучше держать прогноз раздельно, а уже потом решать, где излишек перекрывает дефицит. Пусть сервис сначала даст честную картину по каждому узлу.

Финишная прямая

Уже сейчас понятно, что облачное прогнозирование стало обычным инструментом из ящика, а не экспериментом для гиков. Порог входа — токен и вечер времени, а выгода счётная: минус оборотка, минус головная боль, плюс репутация перед поставщиками. Главный секрет прост — не бояться доверить машине черновую работу и оставить человеку задачи, где нужен контекст, нюх, и тот самый телефонный звонок руководителя завода муки.

На этом всё. Делитесь, какие метрики вы реально смотрите и почему именно они для вас решающие — любопытно сравнить подходы.