Главная
→
Блог
→
Автоматизация склада: от учёта к предиктивному пополнению

Автоматизация склада: от учёта к предиктивному пополнению

“

Саммари: Склад может просто помнить, что где лежит, а может заранее знать, что через две недели закончится. Разбираем простыми словами, как ИИ переводит склад с первого уровня на второй, что для этого нужно на входе и почему часть громких цифр из этой темы стоит читать с осторожностью.

Три ступени: от «что лежит» к «что закончится»

Автоматизацию склада удобно представить как лестницу из трёх ступеней.

Первая ступень — учёт. Система знает, сколько чего лежит сейчас. Это вчерашний день: она показывает факт, но ничего не подсказывает.

Вторая ступень — правила. Задаётся порог: если остаток упал ниже нужного числа, пора заказывать. Это лучше, чем ничего, но порог один и тот же весь год. Он не знает ни про сезон, ни про акцию, ни про то, что у поставщика задержка.

Третья ступень — предсказание. ИИ смотрит на историю продаж, текущие остатки и внешние сигналы и сам решает, что и когда заказывать. Порог перестаёт быть константой и пересчитывается каждый день.

Большинство складов застряли на второй ступени. Разберёмся, что даёт переход на третью.

Сколько стоит ошибка

Без сомнений, компании соревнуются не только за клиентов, но и за лучших специалистов. Восприятие организации как работодателя имеет огромное значение для привлечения и удержания правильных сотрудников. В цифровую эпоху передовые технологии, такие как искусственный интеллект (ИИ), играют ключевую роль в трансформации опыта сотрудников и, следовательно, в создании сильного бренда работодателя

Заголовок

Обычная программа считает по каждому источнику данных отдельно: продажи — отдельно, остатки — отдельно. ИИ смотрит на них вместе и находит связи, которые по отдельности не видны. Он сочетает историю заказов, текущие остатки и прогнозные модели, чтобы выдать прогноз спроса по каждой товарной позиции (SKU, stock keeping unit — отдельный артикул на складе) и рекомендацию, сколько пополнить и когда.

Разница хорошо видна на примере всплеска спроса. Обычная программа решит, что это сезон. Но всплеск может быть вызван региональной акцией, тем, что у конкурента закончился товар, или проблемой с поставкой в другом месте сети — ИИ различает такие причины и реагирует на каждую по-своему.

Если у компании несколько складов, добавляется ещё одна возможность: система видит, что на одном складе товар скоро закончится, а на другом лежит с избытком, и предлагает перебросить его заранее. Она формирует отдельный прогноз для каждой точки и находит возможности перемещения до того, как возникнет риск нехватки, снижая ненужные расходы на перевозки между складами.

Что нужно на входе

Тут главное, о чём часто забывают: ИИ не может предсказать то, чего не видит. Для точного прогноза нужны не только продажи. Нужны заказы клиентов, остатки, сроки поставок от каждого поставщика, история закупок, изменения цен, промоакции, складские операции, справочник товаров, отложенные заказы и внешние факторы вроде экономической ситуации или погоды.

Практическая рекомендация: собрать данные за три-пять лет — продажи, закупки и сроки поставщиков.

Обратите внимание на пункт «справочник товаров». Если один и тот же товар в системе записан тремя разными способами, ИИ посчитает это тремя разными товарами, и прогноз развалится.

Отдельного складского кейса у нас в AllSee нет, но проблема справочника нам знакома по смежной задаче. Для магазина электроники с 30 000+ SKU мы автоматизировали создание карточек товаров: ошибки в карточках упали с 3% до 0,5%, а вывод нового товара в каталог ускорился с пяти дней до одного рабочего дня. Именно такой аккуратный справочник — фундамент, без которого прогноз пополнения будет считать шум. Подробнее.

Честная оговорка про цифры

В этой теме много громких обещаний вроде «точность учёта 99%, издержки минус 30%, производительность плюс 40%». Эти цифры приходят в основном из блогов самих вендоров, которые продают такие системы. Например, в одном источнике заявлено, что ИИ обеспечивает 99% точности учёта запасов, снижает издержки на 30% и повышает производительность на 40% — но это вендорская оценка. Относитесь к таким числам как к верхней границе того, что возможно в лучшем случае, а не как к тому, что получите вы. Более надёжное правило: измеряйте собственные показатели до внедрения (сколько раз товар заканчивался, сколько денег заморожено в излишках) и сравнивайте с ними, а не с цифрами из презентаций.

С чего начинать на практике

Практический совет от людей, которые внедряют такие системы, — не пытаться перестроить весь склад сразу. Сначала нужно найти одну конкретную неэффективность, а потом подключить ИИ как надстройку над уже работающей системой управления складом (WMS, warehouse management system — программа, в которой ведётся учёт и управление складскими операциями), а не заменять её целиком. Полезная деталь: перед запуском можно проверять решения на цифровом двойнике — виртуальной копии склада — и не рисковать реальным товаром.

И ещё один урок: одной технологии недостаточно. Команду нужно научить работать с новыми инструментами, а начинать стоит с очистки данных и небольшого пилота, дающего быстрый результат.

Прогнозирование по истории — это класс задач, которым мы в AllSee занимаемся на уровне кастомной разработки. Для клиента из финтеха мы построили модель, которая прогнозирует будущую популярность объектов на горизонте года с точностью MAPE (средняя абсолютная процентная ошибка) менее 30%, а для рекламной сети — модель, предсказывающую результат кампании до запуска. Это не склад, но принцип тот же: учиться на истории, чтобы принимать решение заранее. Подробнее — на allsee.team.