Когда ассортимент компании измеряется тысячами позиций, продажи идут по нескольким рынкам, а значительная часть выручки зависит от промо, качество прогнозирования спроса напрямую влияет на запасы, производство, логистику и уровень сервиса.
Показательный пример – российский производитель бытовой и автохимии GRASS. Оборот компании в 2024 году составил 34 млрд рублей, ассортимент насчитывает более 5 000 товаров.
До автоматизации прогноз спроса во многом формировался вручную, а его точность не превышала 62%. Эффект промоакций, на которые приходилось до 30% выручки, оценивался преимущественно после их проведения. Данные при этом находились в разных информационных системах, а подготовка части отчетности занимала значительное время.
На таком масштабе ошибки планирования быстро превращаются в бизнес-проблему. Завышенный прогноз увеличивает запасы и замораживает оборотный капитал. Заниженный создает риск дефицита и потерянных продаж.
Что изменили
Для прогнозирования спроса и планирования в GRASS внедрили Novo Forecast Enterprise.
Одна из ключевых задач состояла в том, чтобы перейти от преимущественно ручного прогнозирования к системной работе с данными.
Платформа анализирует историю продаж и позволяет выбирать подходящие модели прогнозирования для разных товарных позиций. Это особенно важно для большого ассортимента: стабильный товар, сезонная продукция и позиции с выраженным влиянием промо требуют разных подходов к прогнозу.
Отдельным направлением стала работа с промо. Вместо оценки результата только после завершения акции компания получила возможность учитывать влияние маркетинговых активностей при планировании спроса.
Данные из учетных и корпоративных систем были объединены в одном контуре. В результате продажи, маркетинг, логистика и другие функции могут работать с единой информационной базой.
Что это дало бизнесу
По итогам проекта логистические издержки удалось сократить на 5–10% за счет оптимизации запасов.
Часть ручной отчетности была заменена автоматически обновляемыми дашбордами. Это сократило время на сбор и сведение данных и позволило сотрудникам больше внимания уделять анализу и принятию решений.
Еще один важный результат – возможность масштабировать планирование на ассортимент более чем из 5 000 товаров без пропорционального увеличения числа специалистов, занятых ручными расчетами.
По словам генерального директора GRASS Михаила Грачева, система закрыла около 95% потребностей компании за счет стандартной функциональности.
Настройка и первичная выгрузка данных заняли два дня.
Почему этот кейс важен
Автоматизация прогнозирования часто воспринимается как отдельный ИТ-проект. На практике его результат имеет смысл оценивать через конкретные показатели бизнеса:
- уровень запасов;
- наличие товара;
- логистические расходы;
- скорость подготовки данных;
- качество планирования промо;
- трудозатраты сотрудников.
Чем больше ассортимент и сложнее цепь поставок, тем выше цена ошибки в прогнозе.
Поэтому вопрос для бизнеса обычно заключается не только в том, насколько точно компания прогнозирует спрос. Важно понимать, как эта точность отражается на запасах, продажах, производстве и финансовом результате.
Кейс GRASS показывает, что переход от ручного прогнозирования к единому контуру планирования может дать измеримый эффект именно на этих показателях.

