Представим сеть из 300 магазинов и 20 тыс. SKU. Это до 6 млн сочетаний товар-точка. Один и тот же товар может продаваться по-разному даже в соседних магазинах: влияют состав покупателей, цена, промо, конкуренты, наличие товара и локальный ассортимент.

Для российского ритейла цена систематической ошибки особенно чувствительна. По данным INFOLine, средняя чистая рентабельность крупнейших FMCG-сетей в 2025 году снизилась до 1,7%, а совокупная чистая прибыль сократилась на 11,3%, до 220,9 млрд рублей. При этом продажи десяти крупнейших FMCG-ритейлеров достигли 12,66 трлн рублей, а их доля в продовольственном обороте выросла до 44,4%. Поэтому ошибка, которая повторяется по тысячам SKU и сотням магазинов, быстро превращается в избыточный запас, списания, потерянные продажи и капитал, вложенный в товар.

Что усложняет прогнозирование спроса в ритейле

1. Общий прогноз скрывает локальный спрос

Допустим, товар продается в 300 магазинах в среднем по 20 единиц в день. Суммарный спрос сети составляет 6 тыс. единиц. Общий объем может быть рассчитан достаточно точно, но для пополнения этого недостаточно.

В одном магазине устойчивый спрос составляет 5 единиц, в другом 40, а в третьем изменился после открытия конкурента. Если распределять общий объем по устаревшим историческим долям, товар останется в точках со слабым спросом, пока другие столкнутся с дефицитом.

NIQ отмечает, что средние показатели все хуже описывают поведение покупателей на уровне отдельных районов и магазинов. Около 16% розничных точек ежегодно переживают существенные изменения, включая смену формата, владельца или реконструкцию. Историческая структура продаж поэтому не всегда подходит для будущего распределения товара.

При этом максимальная детализация полезна не для всех позиций. SKU с одной или двумя продажами в неделю на уровне день-магазин даст ряд почти из нулей, где случайная покупка сильно влияет на результат. Массовому товару для ежедневного пополнения может потребоваться расчет день-магазин-SKU, распределительному центру важнее совокупная потребность обслуживаемых точек, а для закупки с длинным сроком поставки полезнее недельный или месячный объем.

2. Промо меняют структуру спроса

По данным McKinsey, около 35% промо у опрошенных продуктовых ритейлеров уже полностью персонализированы, а через два-три года эта доля может вырасти до 55%. От 88 до 94% участников планируют развивать таргетированные предложения, цифровые акции, программы лояльности и оценку эффективности промо.

Один SKU при этом может продаваться по обычной цене в части магазинов, со скидкой в других, по персональному предложению в приложении и на специальных условиях программы лояльности. Если система получает только итоговый объем продаж, она не видит причину изменения спроса.

Допустим, обычные продажи составляют 100 единиц в неделю, а во время акции вырастают до 170. Если эти 170 единиц без информации о промо попадут в историю, временный эффект акции может повысить оценку регулярного спроса. При следующем промо к уже повышенной базе добавится новый акционный эффект. Поэтому период, SKU, точки проведения, цена и механика акции должны учитываться отдельно.

3. Рост продаж еще не показывает эффект промо

Высокие продажи акционного SKU не всегда означают дополнительный спрос. Circana приводит пример, когда акция дает 12% роста продаж во время промо и нулевой дополнительный объем за год после учета последующего снижения. Часть покупателей просто приобретает товар раньше обычного.

Предположим, товар обычно продается по 100 единиц в неделю, во время акции по 170, а следующие две недели продажи снижаются до 80. За эти две недели относительно обычного уровня теряется 40 единиц. Значит, часть первоначального прироста была перенесена из будущих периодов.

Одновременно похожий SKU той же категории может потерять продажи из-за переключения покупателей на акционный товар. Поэтому для оценки акции нужны данные до промо, во время него и после, а также динамика соседних позиций. Для планирования запасов важен чистый дополнительный спрос категории, а не только пик продаж одного SKU.

4. Точный прогноз не гарантирует наличие товара

Допустим, расчет показывает рост продаж акционного SKU на 40%, но запас в магазинах и распределительном центре покрывает только рост на 20%, а следующая поставка поступит после завершения акции. Часть спроса не сможет превратиться в продажи.

В такой ситуации нужно заранее увеличить поставку, перераспределить товар, сократить число участвующих точек или изменить сроки акции.

BCG рассматривает ассортимент, цены, промо и запасы как связанный контур решений. Во многих сетях эти процессы остаются раздельными, поэтому после изменения спроса данные приходится повторно собирать и согласовывать. По оценке BCG, более тесная автоматизация способна сокращать отдельные циклы принятия решений с недель до часов.

Дефицит, выявленный за несколько недель до акции, еще можно устранить. После запуска промо тот же дефицит означает отсутствие товара и недополученные продажи.

5. Дефицит искажает историю продаж

Фактическая продажа отражает весь спрос только тогда, когда товар был доступен. Если магазин обычно способен продать 100 единиц в день, но запас закончился после 70, в учетной системе останется факт 70.

Без информации о периоде отсутствия товара алгоритм воспринимает 70 единиц как наблюдаемый спрос. При регулярном дефиците такие значения снижают базовый уровень ряда. Следующий расчет оказывается ниже потенциальной потребности, объем пополнения сокращается, риск нового дефицита растет.

Поэтому при подготовке данных нужно учитывать остатки, периоды отсутствия товара, входящие поставки и ограничения доступности.

6. Новинки меняют спрос на старые SKU

У нового товара нет собственной истории, поэтому для первого расчета обычно используют аналоги по категории, цене, упаковке или роли в ассортименте. Но новая позиция может одновременно забирать спрос у существующих товаров.

Допустим, новинка продается по 1 тыс. единиц в неделю, а продажи старой позиции снижаются с 2 тыс. до 1,4 тыс. Продажи нового SKU составляют тысячу, но чистый прирост категории равен только 400 единицам. Еще 600 единиц перешли со старого товара.

Если закупка сохранит прежний объем старой позиции и добавит тысячу единиц новой, часть запаса окажется лишней. Поэтому запуск новинки нужно оценивать вместе с изменением спроса внутри категории.

7. Онлайн меняет распределение запасов

В первом полугодии 2026 года российские онлайн-продажи продовольственных товаров выросли на 24%, до 952 млрд рублей, а их доля достигла 6,2%. INFOLine относит к драйверам роста готовые блюда, выпечку, мясо, рыбу, фрукты, овощи и зелень. Для части этих категорий неправильное распределение особенно чувствительно из-за ограниченного срока хранения.

Покупатель может приобрести товар в магазине, заказать его через приложение с комплектованием в этой же точке или получить заказ из отдельного центра сборки. Общий спрос региона при этом может почти не измениться, но запас потребуется в другой физической точке.

Если планирование ведется только на уровне региона или канала, сеть может правильно рассчитать общий объем и ошибиться в его распределении между магазинами и центрами сборки.

Как работать с миллионами прогнозов

При 20 тыс. SKU и 300 магазинах регулярно просматривать все 6 млн сочетаний товар-точка невозможно. Массовый массив должен рассчитываться автоматически, а внимание планировщика нужно направлять на ситуации, где отклонение способно повлиять на деньги.

Процент ошибки сам по себе плохо показывает приоритет. Отклонение на 20 единиц по дорогому товару с длинным сроком поставки и высоким риском дефицита может быть важнее ошибки на 200 единиц по дешевой массовой позиции. Значение имеют стоимость товара, маржа, текущий запас, срок поставки, срок годности, масштаб промо и потенциальный объем неудовлетворенного спроса.

У такого подхода есть и организационная сторона. После обнаружения проблемы должно быть понятно, кто имеет право изменить поставку, перераспределить товар или скорректировать промо. Иначе даже своевременно обнаруженный дефицит может несколько дней оставаться предметом согласования.

Пошаговый план действий

1. Выберите уровень расчета под задачу

• Для массовых товаров с частым пополнением используйте детализацию до магазина и дня.
• Для распределительного центра агрегируйте потребность обслуживаемых точек.
• Для закупок с длинным сроком поставки используйте недельный или месячный горизонт.
• Для редких SKU снижайте детализацию, чтобы уменьшить влияние случайного шума.

2. Отделите промо от регулярного спроса

• Храните параметры акции отдельно от обычной истории продаж.
• Учитывайте период, SKU, точки, цену и механику промо.
• Анализируйте продажи до акции, во время нее и после.
• Проверяйте перераспределение спроса между соседними SKU.

3. Сопоставляйте спрос с запасом

• Проверяйте доступный запас и будущие поставки до начала акции.
• Заранее выявляйте потенциальный дефицит.
• При необходимости меняйте поставку, распределение товара или охват промо.
• Учитывайте изменение спроса до формирования заказа поставщику.

4. Учитывайте периоды отсутствия товара

• Используйте данные об остатках и входящих поставках.
• Выделяйте периоды, когда продажи были ограничены доступностью.
• Не используйте продажи во время дефицита как полную оценку спроса.

5. Оценивайте новинки вместе с категорией

• Подбирайте подходящие аналоги.
• Проверяйте, какую часть спроса новинка забрала у старых SKU.
• Считайте чистое изменение категории.
• Пересматривайте закупки существующих позиций после запуска новинки.

6. Учитывайте точку исполнения заказа

• Определяйте, где физически понадобится товар.
• Разделяйте потребность магазинов и центров онлайн-сборки.
• Для скоропортящихся категорий учитывайте ограниченные возможности последующего перераспределения.

7. Ранжируйте отклонения по бизнес-эффекту

• Не используйте процент ошибки как единственный критерий.
• Учитывайте стоимость товара, маржу, запас, срок поставки, срок годности и масштаб промо.
• Сначала разбирайте ситуации с риском крупного дефицита, излишка или потери продаж.

8. Закрепите владельцев решений

• Определите, кто отвечает за изменение поставки.
• Зафиксируйте полномочия по перераспределению запасов и корректировке промо.
• Установите пороги, при которых требуется согласование руководителя.

9. Проверьте возможности системы прогнозирования

• Поддерживает ли она нужную детализацию по товарам и точкам.
• Учитывает ли отдельно промо, цены и другие события.
• Поддерживает ли работу с аналогами для новых SKU.
• Позволяет ли использовать разные подходы на разных горизонтах.
• Связан ли расчет спроса с будущими запасами.
• Рассчитываются ли дефициты, излишки, закупки и перемещения.
• Можно ли регулярно пересчитывать оперативные заказы и передавать их во внешние учетные системы.

Итоги

Качество планирования определяется не только точностью расчета, но и тем, успевает ли изменение спроса попасть в заказ, поставку, перемещение товара или параметры промо до фиксации решения.

После отправки заказа поставщику или запуска акции даже точный расчет уже не предотвращает возникший излишек или дефицит. Поэтому для ритейлера важна вся цепочка: от корректной оценки спроса до своевременного операционного действия.

При средней чистой рентабельности крупнейших FMCG-сетей около 1,7% значение имеют даже небольшие улучшения, если они повторяются по тысячам SKU и сотням торговых точек.

Если вы хотите получить бесплатный тестовый расчет на данных вашей компании, вы можете оставить заявку на сайте нашего продукта Novo Forecast Enterprise.