ИИ для склада: прогноз спроса и управление запасами

Это Суинчик. Если у вас то пусто, то густо — ходовой товар внезапно кончается на пике сезона, а деньги при этом заморожены в полках с неликвидом, который не двигается полгода, — значит, склад работает «на глаз». Закупщик прикидывает заявку по памяти, точку заказа держит в голове, а инвентаризация раз в квартал превращается в стресс на двое суток. ИИ это не лечит магией, но снимает с вас рутинную аналитику: считает прогноз по истории продаж, классифицирует ассортимент, подсказывает, что заказать и сколько, и где у вас заморожены деньги.

В этом гайде разберём, как собрать на нашей платформе ИИ-агента для склада и закупок: что он умеет, какими фразами с ним говорить и какие цифры закладывать в ожидания. Будет много готовых формулировок — копируйте, подставляйте свои данные и пользуйтесь.

Если вы только присматриваетесь к ИИ в логистике, начните с обзорного материала ИИ-агент для логиста и 25 промптов для логиста. А этот гайд — про конкретный участок: склад, запасы и закупки.

Агент — это не «робот вместо кладовщика». Физически товар двигают люди и техника. Агент берёт на себя аналитику и решения: смотрит на цифры, считает, объясняет и предлагает. Вот основные задачи и фразы, с которых удобно начинать.

Прогноз спроса — это ответ на вопрос «сколько продадим в ближайшие недели». От него зависит всё остальное: заказы, страховой запас, загрузка склада. Раньше для приличного прогноза нужны были аналитик и сложная модель. Сейчас вы выгружаете историю продаж и просите агента посчитать.

ИИ хорошо видит то, что человек упускает: сезонные пики, плавный тренд роста, провалы после акций. В исследованиях по supply chain отмечают, что ИИ-подходы поднимают точность прогноза спроса (по разным оценкам прирост измеряется десятками процентов) и помогают одновременно снижать стокауты и излишки. Это не гарантия — результат зависит от качества ваших данных, — но направление выгоды стабильное.

Ты аналитик спроса. Во вложении — продажи по SKU по неделям за последние 18 месяцев.
Спрогнозируй спрос на следующие 8 недель по каждому SKU.
Учти:
- тренд (рост/спад);
- сезонность (новогодний и весенний пики);
- выбросы из-за прошлых акций — сгладь их.
Дай таблицу: SKU, прогноз по неделям, нижняя и верхняя граница (пессимистичный/оптимистичный сценарий).
Отдельно отметь 5 SKU, по которым прогноз наименее надёжен и почему.

Главная ловушка прогноза по истории — недели акций. Если в марте была распродажа со скидкой 30% и продажи выросли втрое, агент может принять этот всплеск за «обычный спрос» и заложить лишнее в прогноз — а потом вы закупите гору товара под спрос, которого без скидки не будет. Сезонные пики (Новый год, 8 марта) учитывать нужно, а вот разовые промо — пометить отдельно, чтобы они не искажали базу.

В файле есть колонка «promo» (1 — на неделе была акция, 0 — нет).
При построении базового прогноза не учитывай недели с promo=1 как обычный спрос —
сгладь их до уровня соседних недель без акций.
Отдельно дай вторую оценку «с акцией»: на сколько в среднем акция поднимает
продажи по каждому SKU (uplift, %), чтобы я мог спланировать запас под промо заранее.
Если колонки promo нет — определи аномальные всплески сам и спроси,
какие из них были акциями.

Когда прогноз есть, начинается управление запасами. Здесь у логистики три рабочих инструмента, и ИИ помогает с каждым.

ABC делит ассортимент по вкладу в выручку: A — топ (около 80% оборота), B — середина, C — длинный хвост. XYZ делит по стабильности спроса: X — ровный и предсказуемый, Y — со средними колебаниями, Z — рваный и непредсказуемый. На пересечении получается матрица из 9 групп, и для каждой — своя политика запасов. Вручную это часы в Excel, агенту — одна фраза.

Сделай ABC/XYZ-анализ по приложенной выгрузке продаж за 12 месяцев.
ABC — по доле в выручке (A=80%, B=15%, C=5%).
XYZ — по коэффициенту вариации спроса (X — стабильный, Y — средний, Z — рваный).
Дай матрицу 3x3 с числом SKU в каждой ячейке и рекомендованной политикой запаса:
- AX/AY — держать всегда, частый контроль;
- AZ — буфер побольше, но следить;
- CZ — кандидаты на вывод из ассортимента.
Отдельно: какие SKU можно перевести в заказ под клиента, а не держать на складе.

Страховой запас — это буфер на случай, если спрос подскочит или поставка задержится. Слишком маленький — рискуете остаться без товара, слишком большой — морозите деньги. Точка заказа — остаток, при котором пора делать новую заявку, чтобы товар успел приехать до того, как закончится. Обе величины зависят от прогноза, разброса спроса и срока поставки — то есть от чисел, которые агент уже посчитал.

По этим SKU посчитай страховой запас и точку заказа.
Исходные данные в таблице: средний недельный спрос, его разброс,
срок поставки в днях, желаемый уровень сервиса 95%.
Дай таблицу: SKU, страховой запас (шт.), точка заказа (шт.),
рекомендуемый размер заказа.
Покажи формулу и допущения простыми словами, чтобы я мог перепроверить.

Чтобы было понятнее, вот как агент считает на конкретном примере. Возьмём ходовой SKU SHAMPOO-500: средний спрос 100 шт/неделю, разброс (стандартное отклонение) 30 шт/неделю, срок поставки 2 недели, желаемый уровень сервиса 95% (это коэффициент ≈ 1,65).

Итог: заказывать новую партию нужно, когда остаток падает до ≈ 270 шт, и держать буфер ≈ 70 шт на случай скачка спроса или задержки поставки. Поднимем сервис-левел до 98% (коэффициент ≈ 2,05) — страховой запас вырастет до ≈ 86 шт, а точка заказа до ≈ 286 шт: видно цену каждого процента надёжности в замороженных деньгах. Агент проделывает это сразу по всему ассортименту и показывает формулу, чтобы вы могли перепроверить.

Неликвиды — это товар, который не продаётся, но занимает место и держит ваши деньги. Часто про них вспоминают, только когда заканчивается место на складе. Агент находит их за секунды и сразу считает сумму замороженных средств — это отрезвляет.

По приложенной выгрузке остатков и продаж найди неликвиды и излишки.
Неликвид — нет продаж 90+ дней. Излишек — запас больше, чем продажи за 6 месяцев.
Дай два списка с колонками: SKU, остаток (шт.), сумма заморозки (руб.),
дней без движения, дата последней продажи.
Отсортируй по сумме заморозки.
Предложи действия: уценка, акция, возврат поставщику, перемещение, списание.

Автопополнение — это когда агент сам собирает черновик заявки поставщику: смотрит остатки, точку заказа, прогноз и срок поставки, и говорит «вот это и в таком количестве пора дозаказать». Решение всё равно за вами — но вы получаете готовый документ, а не сидите над таблицей.

Собери черновик заявки поставщику на дозаказ.
Данные: текущие остатки, точка заказа, прогноз спроса на 4 недели, срок поставки.
В заявку включай SKU, у которых остаток ниже точки заказа.
Количество считай так, чтобы хватило до следующей поставки плюс страховой запас.
Дай таблицу: SKU, остаток, точка заказа, к заказу (шт.), сумма.
Внизу — итоговая сумма заявки. Не включай неликвиды из стоп-листа.

При приёмке частые боли — недовоз, пересорт, лишние позиции, расхождение по количеству. Глаз кладовщика устаёт, особенно на большой накладной. Дайте агенту заказ и фактическую приёмку — он сверит построчно и выдаст только расхождения.

Сверь два файла: «Заказ поставщику» и «Фактическая приёмка».
Найди расхождения построчно:
- недовоз (заказали больше, чем привезли);
- перевоз (привезли больше);
- пересорт (привезли не тот SKU);
- лишние позиции, которых не было в заказе.
Дай таблицу только с расхождениями: SKU, заказано, принято, разница, тип проблемы.
Внизу — короткое резюме: сколько строк сошлось, сколько с проблемами.

Комплектация — это сборка заказов на отгрузку. Если сборщик бегает по складу хаотично, теряются часы. ИИ давно используют для оптимизации маршрутов отбора: по расположению ячеек и частоте обращения он подсказывает порядок, чтобы пройти меньше. Если вы дадите агенту карту зон и список заказов, он составит разумный лист отбора.

Вот схема склада (зоны и ряды) и список из 12 заказов на отгрузку.
Составь оптимальный лист отбора (pick list):
- сгруппируй позиции по зонам, чтобы сборщик не возвращался;
- учти, что ходовые SKU из зоны A берём в начале маршрута;
- предложи, какие заказы можно собирать одной волной (батч-пикинг).
Дай маршрут по шагам и оценку, сколько позиций в каждой зоне.

Инвентаризация выматывает: пересчитали, свели с учётной системой, нашли кучу мелких расхождений и не понимаете, откуда они. Агент берёт два файла — факт и учёт — и за минуту выдаёт расхождения, отсортированные по сумме, плюс гипотезы, где искать причину (пересорт, недокументированные перемещения, ошибки сканирования).

Сверь два файла: «Факт инвентаризации» и «Остатки по учёту».
Найди расхождения по каждому SKU.
Дай таблицу: SKU, по учёту, по факту, разница (шт.), разница (руб.).
Отсортируй по сумме расхождения.
Выдели топ-20 крупнейших отклонений и предложи вероятные причины:
пересорт, перемещение без проводки, ошибка приёмки, недостача.
Внизу — итог: общая сумма недостач и излишков.

Первый прогон часто разочаровывает не потому, что «ИИ плохой», а потому, что в выгрузке мусор. Хорошая новость: агент не молчит — попросите его сначала проверить данные, и он сам перечислит проблемы и спросит, как с ними быть. Вот что чаще всего портит результат и что с этим делать.

Перед расчётом проверь качество данных в файле и дай отчёт:
- дубли SKU (похожие коды или названия) — список кандидатов на объединение;
- пропуски в истории продаж — по каким SKU и за какие периоды;
- разные единицы измерения в одной колонке;
- отрицательные продажи (вероятно, возвраты);
- SKU без истории (новинки).
Не считай прогноз, пока я не подтвержу, что делать с найденными проблемами.

Отдельные фразы — это хорошо, но настоящая сила в том, чтобы агент работал на ваших постоянных данных. На нашей платформе для этого есть три механизма.

Чтобы не описывать роль агенту каждый раз заново, сохраните системный промпт один раз — при создании агента или в библиотеке промптов. Вот рабочая заготовка для роли «аналитик склада и закупок» — скопируйте и поправьте под свой ассортимент:

Ты — аналитик склада и закупок. Твоя задача — помогать управлять запасами
по данным, которые я загружаю (история продаж, остатки, сроки поставки).

Как работать:
- Всегда показывай допущения и формулы простыми словами, чтобы я мог перепроверить.
- Давай прогноз диапазоном (низкий/базовый/высокий), а не одним числом.
- Если данных мало или они «грязные» (дубли SKU, пропуски, разные единицы,
  возвраты как отрицательные продажи) — сначала предупреди об этом, потом считай.
- Результаты выдавай таблицами, готовыми к выгрузке в Excel.
- Ничего не заказывай и не списывай сам: ты считаешь и предлагаешь,
  решение и подтверждение — за мной.

Единицы — штуки, валюта — рубли, если не сказано иное.
Если я не указал горизонт прогноза или уровень сервиса — спроси или прими
стандарт (8 недель, сервис-левел 95%) и явно об этом скажи.

Цифры ниже — ориентиры из исследований и кейсов, а не гарантия. Они показывают порядок выгоды, на который можно рассчитывать при хороших данных и дисциплине.

Главное — не гнаться за рекордной цифрой, а закрепить процесс: регулярный прогноз, актуальная матрица ABC/XYZ, контроль точки заказа и плановая чистка неликвидов. Тогда эффект накапливается.

Нет. Достаточно того, что у вас уже есть: выгрузка продаж и остатков из учётной системы или хотя бы из Excel. Агент сам подсветит, где данных не хватает (например, по новинкам без истории), и предложит, как с этим быть. Чем длиннее и чище история — тем точнее прогноз, но стартовать можно с тем, что есть сегодня.

Это штатный сценарий, ничего страшного. Прямой нативной интеграции с 1С, WMS или ERP у нас нет, и она не нужна для работы: выгрузите из своей системы отчёт по продажам и остаткам в Excel или CSV и загрузите файл в базу знаний — дальше агент анализирует его так же, как данные из любого коннектора. Выгрузку можно делать руками раз в неделю/месяц или автоматизировать на своей стороне. Если у вашей системы есть открытый API, продвинутый вариант — подключение по API через вебхук или MCP (это уже задача для разработчика). Нативный коннектор МойСклад — лишь самый удобный из путей, а не единственный.

Нет. ИИ снимает рутинную аналитику — расчёты, сверки, поиск неликвидов — и готовит решения. Финальное слово, переговоры с поставщиками, нестандартные ситуации и физическая работа на складе остаются за людьми. Агент делает специалистов быстрее, а не лишними.

По умолчанию агент работает в режиме «считает и предлагает». Любое действие, которое меняет данные или тратит деньги, проходит через ваше подтверждение. Это сознательный выбор: вы получаете скорость подготовки документов, но контроль над тем, что реально уходит поставщику или списывается, остаётся у вас.

Excel считает то, что вы заранее запрограммировали формулами. Агент делает то же быстрее и сразу объясняет результат словами, добавляет XYZ, прогноз, рекомендации по политике запаса и отвечает на уточняющие вопросы вроде «а что будет, если поднять сервис-левел до 98%». По сути это аналитик, который не устаёт и работает с вашими данными в чате.

Возьмите одну задачу с быстрым эффектом — поиск неликвидов или ABC/XYZ — и прогоните на реальной выгрузке. Это даёт результат в первый же день и показывает порядок замороженных денег. Дальше добавляйте прогноз, страховой запас и автопополнение. Готовые формулировки для старта — в наборе 25 промптов для логиста и в обзоре SUIN.AI для логистической компании.