Излишек на складе выглядит как складская проблема, но рождается он из данных: кто-то не смог точно предсказать спрос, а позиция застряла, потому что её не свели с тем, кому она нужна. Разбираем, почему невостребованные остатки — в основе своей проблема данных и предсказания, где здесь реально помогает искусственный интеллект и где проходит его честная граница.
Излишек на складе выглядит как складская проблема — слишком много всего лежит без движения. Но если спросить, почему он вообще там оказался, ответ почти всегда будет про данные, а не про склад.
Кто-то заказал больше, чем понадобилось, потому что не смог точно предсказать спрос. Позиция застряла на полке, потому что её так и не свели с тем, кому она нужна. В обоих случаях подвела не логистика, а информация.
Отсюда и тезис этой статьи. Невостребованный остаток — это в первую очередь сбой данных и предсказания, а не избыток железа. И это объясняет, почему искусственный интеллект здесь по-настоящему меняет правила: он силён ровно в том, в чём человек слаб, — в прерывистом спросе, десятках одновременных переменных, непрерывном пересчёте и сведении спроса с предложением через отраслевые границы.
Разберёмся по порядку — почему это проблема данных, где ИИ реально помогает по этапам, где проходит его честная граница и как площадка работает с этим как инфраструктура данных. Оговорюсь: это обзор логики и возможностей, а не обещание готовых цифр — конкретный эффект зависит от качества данных и специфики предприятия.
Чтобы понять, где помогает ИИ, надо сначала увидеть, что излишек рождается именно из данных. Здесь работают четыре механизма.
Первый — прерывистый спрос. Промышленная позиция может месяцами не двигаться, а потом понадобиться разом. Обычное «среднее за период» на таком спросе врёт: оно размазывает потребность по пустым месяцам и хронически недооценивает редкие всплески. Стабильный товар, сезонный, запчасть с месяцами нулей и вчерашняя новинка — это четыре разные статистические задачи, а человек по привычке считает их одной [3].
Второй — слишком много переменных. Чтобы решить, сколько держать, нужно свести историю потребления, критичность позиции, срок поставки и его разброс, возраст оборудования и планы его вывода. Причём разброс срока поставки нередко важнее разброса самого спроса — поставщик, который иногда опаздывает на несколько дней, требует большего запаса, чем колебания потребления [3]. Человек удерживает в голове две-три оси, а решение требует десятков.
Редакция Restok Journal — команда с отраслевым бэкграундом в МТО нефтегаза и металлургии. Пишем о вторичном промышленном снабжении без маркетингового шума.
Пока тихо
Станьте первым, кто выскажется по материалу — редакция читает и отвечает.
Третий — картина устаревает быстрее, чем её пересматривают. Классификацию запасов обычно считают раз в год, а мир меняется каждый день. В промежутке между пересмотрами тихо копится то, что уже перестало быть нужным.
Четвёртый механизм работает уже на сбыте. Позиция застревает не потому, что не нужна никому, а потому, что нет данных о том, кому именно она нужна. Спрос существует, но он невидим для того, у кого лежит излишек.
Сложите эти четыре механизма — и станет видно, что излишек по сути симптом информационного дефицита. Масштаб у проблемы огромный: мировые потери от искажения запасов, то есть от нехватки и избытка вместе, оценивают примерно в 1,73 трлн долларов за 2025 год [3]. Как прямо формулируют практики, прогноз — это проблема данных прежде, чем проблема искусственного интеллекта.
Раз проблема в данных, ИИ помогает там, где данных много, а человеку их не свести. Пройдём по этапам жизненного цикла остатка — от рождения до сбыта.
Прогноз и профилактика. Не создать излишек дешевле, чем потом его продавать, и здесь ИИ работает на упреждение. Он прогнозирует прерывистый спрос методами, придуманными ровно под него.
Классический метод Кростона, стандарт ещё с 1972 года, раскладывает спрос на размер редких событий и интервал между ними и прогнозирует их по отдельности, обходя ловушку простого среднего [3]. Модели машинного обучения — решающие деревья, ансамбли — на таком «рваном» спросе устойчиво обходят классические подходы [1][2].
А динамический страховой запас пересчитывается ежедневно по каждой позиции, а не задаётся раз и навсегда: где спрос стабилен, он ужимается и высвобождает капитал, а где растёт риск — увеличивается [4].
Диагностика и классификация. ИИ автоматически раскладывает склад — что ходовое, что медленное, а что уже неликвид, — и делает это непрерывно, а не раз в год. Классификацию, на которую у человека уходят недели, система выстраивает за считаные недели и дальше обновляет сама [4].
Но главное даже не в скорости. Она меняет сам вопрос — с «двигалась ли позиция в прошлом» на «понадобится ли она в будущем», собирая эту вероятность из множества сигналов сразу.
Оценка и ценообразование. На горизонте в квартал выигрыш смещается в сторону цены. ИИ привязывает стоимость не к субъективному ценнику, а к реальному спросу вторичного рынка — к тому, за сколько похожие позиции действительно уходят. Динамическое ценообразование снижает риск сразу с двух сторон: и занизить, потеряв деньги, и завысить, оставив позицию висеть.
Мэтчинг и сбыт. И здесь ИИ закрывает ту самую проблему «нет данных о том, кому нужно». Система сопоставляет позицию с покупателями по категории, состоянию и сигналам спроса — в том числе из других отраслей, куда продавец сам никогда бы не заглянул. Так застрявший капитал превращается в найденного покупателя.
| Этап | Что делает ИИ | Эффект |
|---|---|---|
| Прогноз и профилактика | Прогноз прерывистого спроса, динамический страховой запас по каждой позиции | Излишек не рождается; высвобождение оборотного капитала |
| Диагностика и классификация | Непрерывная ABC/XYZ-классификация, ранний сигнал о неликвиде | Застрявшее видно рано, а не через год |
| Оценка и ценообразование | Цена по реальному спросу вторичного рынка | Меньше риск занизить и завысить |
| Мэтчинг и сбыт | Сведение позиции с покупателями, в том числе из других отраслей | Замороженный капитал находит покупателя |
По всей этой цепочке ИИ делает, по сути, одно — превращает данные, которые у компании и так есть, но лежат разрозненно, в конкретные решения. Эффект при этом измерим: практики сообщают о высвобождении оборотного капитала на 20–35% за три-шесть месяцев и о сокращении избыточных запасов на 10–25% уже в первые недели работы моделей [4].
Но у искусственного интеллекта здесь есть чёткая граница, и обойти её красивыми обещаниями не получится. Назову четыре предела прямо — не как повод отказаться от ИИ, а как повод внедрять его трезво.
Мусор на входе — мусор на выходе. Сложная модель, обученная на грязных или скудных данных, работает хуже честного скользящего среднего [3]. Прежде чем машинное обучение обгонит простой метод, нужно накопить примерно 6–12 месяцев чистой истории. Данные первичны — сначала порядок в данных, и только потом модель.
Модель не видит новостей. Вирусный всплеск спроса, внезапное закрытие поставщика, смена рынка — ничего этого нет во вчерашних данных. Статистика продолжает прошлое, но не предвидит перелом, и здесь незаменимы человек и живые сигналы.
Сложное не означает точное. Модель, идеально подогнанная под историю, нередко хуже предсказывает будущее. Правильный вопрос не «насколько модель современна», а «обыгрывает ли она простой ориентир» — если очередная надстройка не снижает ошибку, она добавляет не точность, а издержки [3].
И самое важное — критичность решает человек. ИИ покажет, что позиция похожа на неликвид, но отличить настоящий излишек от жизненно важного страхового запаса, у которого низкая оборачиваемость как раз норма, — это инженерное суждение. ИИ считает вероятности, а ответственность за решение остаётся за человеком.
Показательно, что барьер здесь не столько технологический, сколько организационный. Около трёх четвертей компаний сообщают об успехе ИИ в прогнозировании спроса, но меньше четверти реально внедрили его там, где копится избыток [3]. Дело не в том, что математика не работает, — а в том, что её нужно подключить к чистым данным и реальным процессам.
Именно поэтому площадка вторичного оборота ценна не как «доска объявлений», а как инфраструктура данных. Она собирает данные о позиции — что это, в каком состоянии, какая у неё история, — считает рыночную цену на данных реальных сделок и, главное, сводит спрос с предложением через отраслевые границы там, где у отдельной компании данных попросту нет.
Она берёт на себя ровно ту работу с данными, которую внутри одного предприятия сделать невозможно. У предприятия нет ни данных о спросе в других отраслях, ни модели, чтобы этот спрос предсказать, ни пула проверенных покупателей.
Площадка даёт всё три — и тем самым делает достижимой ту арифметику возврата, которая иначе осталась бы на бумаге. При этом она не заменяет ни инженера, ни финансиста: данные и сведение — за ней, решение — за человеком.
Здесь замыкается вся логика. Невостребованный остаток — это не гора железа, а след информационного дефицита: где-то не предсказали спрос, где-то не свели позицию с покупателем. Данные и искусственный интеллект бьют по обеим причинам сразу — не дают излишку родиться через точный прогноз и находят ему покупателя через мэтчинг. То, что выглядело складской проблемой, оказывается задачей на данные и решается работой с данными.
Управлять невостребованными остатками — значит управлять данными о них. Точный прогноз не даёт им копиться, честная классификация показывает, что уже застряло, а сведение с покупателем возвращает замороженный капитал в оборот. Во всех трёх шагах работает одно и то же — превращение разрозненных данных в решения.
Излишек рождается там, где не хватило данных или предсказания. И там же, где данные и предсказание появляются, он перестаёт быть проблемой.
Все ссылки проверены на доступность 29.06.2026.
Обзор методов машинного обучения для прогнозирования прерывистого спроса; data-driven каркасы, контекстуализирующие динамику цепочек поставок; устойчивое превосходство ML-подходов над классическими методами на «рваном» спросе с длинными нулевыми периодами.
Двухэтапные модели на решающих деревьях (вероятность события и объём) для прогноза прерывистого спроса на запасные части; сравнение с классическими методами (Кростон и его модификации) на реальных данных.
Метод Кростона (с 1972 года) для прерывистого спроса; сопоставление метода прогноза типу спроса («четыре разные статистические задачи»); разброс срока поставки нередко важнее разброса спроса (числовой пример страхового запаса); полная стоимость хранения 20–35% в год; принцип «мусор на входе — мусор на выходе» и потребность в 6–12 месяцах чистой истории; честные пределы (холодный старт, шоки спроса, переобучение); Forecast Value Added; оценка мировых потерь от искажения запасов (около 1,73 трлн долларов за 2025 год, IHL Group); разрыв между интересом к ИИ и его реальным внедрением.
Понимание проблемы замороженного капитала есть, но остаётся вопрос — что делать в понедельник утром. Первый шаг доступен любой компании своими силами, без бюджета и специальных систем, за несколько недель. И начинается он не с распродажи, а с инвентаризации и честной классификации. Разбираем практическую дорожную карту первого шага.
Невостребованные остатки есть в любой отрасли, но выглядят они везде по-разному: у нефтегаза это критический ЗИП к долгоживущему оборудованию, на стройке — остатки материалов после объекта, у пищевого производства — сырьё с истекающим сроком. Разбираем, где и почему скапливаются излишки в разных отраслях и как это влияет на профилактику и сбыт.
Замороженный капитал копится незаметно — и собственник узнаёт о нём поздно, при списании или кассовом разрыве. Приборная панель по запасам делает невидимое видимым вовремя. Разбираем спокойно и с примерами: какие несколько показателей держать перед глазами, как их читать, и как превратить цифру на панели в решение — пока проблема не стала хронической.
