Прогнозирование спроса: как ИИ в 1С и WMS показывает дефицит и неликвид заранее

Компания вела учёт в системе: продажи, поступления, остатки по складам, заказы поставщикам. Данные были, отчёты строились, менеджеры по закупкам работали по правилам. Но решения всё равно принимались с задержкой: пока продажи и остатки свести по каждой позиции, пока понять, где заканчивается товар, а где лежит мёртвый запас, пока пересобрать заказы с учётом сроков поставки — проходит неделя, а спрос уже сместился. В итоге дефицит обнаруживается пустой полкой, а неликвид — инвентаризацией через полгода. Ниже — как эту задержку закрывает ИИ-агент: программа, которая по заданному правилу сама считает прогноз по каждой позиции и приносит закупке готовое предложение. Первый эффект здесь — риски, которые перестают срабатывать: упущенные продажи из-за пустых полок, деньги, замороженные в неликвиде, авральные закупки по завышенной цене и ручные пересчёты, которые никто не успевает делать регулярно. Часы идут вторым планом и считаются отдельно.

Дефицит и неликвид — это две стороны одной ошибки: заказ не соответствует спросу. Товар, которого не хватило, теряет выручку и покупателя; товар, которого заказали слишком много, замораживает деньги, занимает место и в конце концов списывается по сроку. Обе ошибки видны отчётности, но поздно: одно — когда полка уже пуста, другое — когда запас уже лежит третий месяц.

И это общая точка роста, а не частный случай. Крупнейший российский ритейлер X5 Group раскрыл экономический эффект от ИИ-решений: по итогам 2025 года он составил около 5 млрд рублей дополнительной операционной прибыли, а основной вклад в EBITDA дали модели, встроенные именно в прогнозирование спроса и пополнение, ценообразование, управление ассортиментом и рекомендации. Важная деталь в их формулировке: компания перешла от изолированных пилотов к промышленному применению с едиными стандартами качества и оценки эффекта — то есть речь не про эксперимент, а про рабочий процесс. Это цифры одного игрока с выручкой около 4 трлн рублей, и переносить их на средний бизнес нельзя: для нас важнее сам принцип, а не масштаб.

Российский рынок в целом тоже растёт. По исследованию рынка больших данных и искусственного интеллекта, которое Ассоциация больших данных провела совместно с группой компаний Б1 и TAdviser (ноябрь 2025 года), объём рынка в 2024 году составил 433 млрд рублей, показав рост 33% к 2023 году, а ИИ-решения в сегменте программного обеспечения показали наиболее высокую динамику — плюс 39% за 2023–2024 годы. Это рынок технологий, а не эффект отдельной компании, но он показывает, что инструменты перестали быть экзотикой.

Коротко

ИИ-агент читает продажи, остатки, поставки и сроки поставки из учёта и складской системы, считает прогноз по каждой позиции и сопоставляет его с текущим запасом и страховым уровнем. На выходе закупка получает список: где дефицит и на какую дату, где излишек и сколько в нём денег, что заказать и когда. Решение о закупке и выборе поставщика остаётся за человеком.

Содержание

• Почему дефицит и неликвид видны поздно
• Что съедает время между «спрос изменился» и «заказ пересчитан»
• Что делает ИИ-агент поверх учёта и складской системы
• Какие риски это снимает
• Сколько часов это возвращает
• Что остаётся за человеком
• Как это выглядит на практике
• Как внедрить поэтапно
• Источники

Почему дефицит и неликвид видны поздно

Прогноз спроса — это не отчёт о продажах. Отчёт отвечает на вопрос «что продали», прогноз — на вопрос «сколько заказать сейчас, чтобы это не кончилось и не осталось лежать». Между этими вопросами и живёт задержка.

Причина первая — прогноз считается усреднением за период. «Продавали в среднем 40 штук в месяц» — удобная цифра, но она не различает ровный спрос и рваный: при рваном спросе среднее даёт одновременно и дефицит, и излишек, только по разным неделям.

Причина вторая — срок поставки не встроен в расчёт. Заказывать нужно не тогда, когда товар кончился, а за срок поставки до этого момента. При поставке в 45 дней ошибка в прогнозе превращается в два месяца работы по инерции: заказ уже в пути, а спрос изменился.

Причина третья — решение принимается вручную и нерегулярно. Свести продажи, остатки, сроки и страховой запас по 2 500 позициям — это дни работы. Поэтому на практике встречается не прогноз, а правило «последний раз заказывали столько же, посмотрим, что будет».

Причина четвёртая — неликвид не имеет владельца. За позицию, которая не продаётся, обычно никто не отвечает: закупка заказала по старому плану, коммерция не смогла продать, склад просто хранит. Пока нет регулярного разбора по позициям, запас живёт своей жизнью.

Что съедает время между «спрос изменился» и «заказ пересчитан»

Если разложить путь от изменения спроса до пересчитанного заказа, картина повторяется:

• Сбор данных. Продажи по позициям за периоды, остатки по складам, товары в пути, сроки поставки по каждому поставщику. Данные есть в системах, но собирать их в один разрез — ручная работа.
• Классификация позиций. Что важно, что стабильно, что рваное. Без этого прогноз по всем позициям считается одинаково, а ошибки концентрируются там, где спрос неустойчив.
• Расчёт прогноза. По каждой позиции, с учётом сезонности, промо и тренда. В таблице это делается формулами, но только по тем позициям, до которых дошли руки.
• Сопоставление с запасом. Сколько хватит текущего остатка с учётом срока поставки — дата, когда товар кончится.
• Проверка неликвида. Что уже не продаётся и сколько денег в нём заморожено. Обычно этот шаг пропускается, потому что неприятен.
• Формирование предложения по заказу. Что, сколько и когда заказать, с учётом минимальной партии поставщика и кратности упаковки.
• Согласование и контроль исполнения. Что решили, что заказали, что пришло, что осталось.

Каждый пункт выглядит мелочью, вместе они дают ту самую задержку: к моменту, когда заказ пересчитан, спрос уже другой.

Что делает ИИ-агент поверх учёта и складской системы

Агент не заменяет учёт и не размещает заказы. Он подключается к тому, что уже работает, и возвращает результат туда же.

1. Читает продажи. История по позициям и периодам — то, что уже есть в учёте торговли.
2. Читает остатки и движения склада. Сколько есть, где лежит, что зарезервировано, что в пути: в «1С-Логистика:Управление складом 3.0» складские процессы автоматизированы на уровне технологических операций, и это даёт детальность по местам хранения и партиям.
3. Считает прогноз по каждой позиции. С учётом сезонности, промо, тренда и рваности спроса — отдельно, а не средним по всем.
4. Считает дату дефицита. Когда закончится текущий запас с учётом срока поставки: это и есть момент, после которого заказывать уже поздно.
5. Показывает неликвид. Позиции, которые не продаются заданное время: сколько единиц и сколько денег в них.
6. Готовит предложение по заказу. Что, сколько и когда, с оглядкой на минимальную партию и кратность упаковки.
7. Возвращает результат в систему и ведёт журнал. Любой вывод объясним: на какой истории, каком прогнозе и каком сроке поставки он построен.

Меняется не учёт, а горизонт: дефицит становится видно за срок поставки до нуля, а неликвид — пока в нём ещё есть деньги, которые можно вернуть скидкой или перераспределением между складами. Складской контур для этого не обязательно строить заново: «1С-Логистика:Управление складом 3.0», по описанию вендора, автоматизирует управление технологическими процессами складского комплекса, а рядом на рынке работают и специализированные платформы — например, AXELOT с линейкой WMS и SCM, или Solvo с системами WMS, TOS и YMS, которая заявляет, что её TOS обрабатывает более 45% морского контейнерооборота страны. Это вендорские описания своих продуктов и вендорские же цифры, а не независимый замер: смысл в том, что агент подключается к уже имеющемуся контуру.

Какие риски это снимает

Экономия часов — не главный аргумент. Ставка выше: ошибка в заказе стоит денег сразу, а видно её становится позже.

Упущенные продажи из-за пустой полки

Товар, которого нет, не приносит выручку — и покупатель, не найдя его дважды, уходит за другим. Дефицит по ходовой позиции стоит дороже, чем запас по ней, и это тот случай, когда цена ошибки считается не в складских деньгах, а в потерянной выручке.

Деньги, замороженные в неликвиде

Запас — это деньги, лежащие на складе. Позиция, которая не продаётся полгода, занимает место, требует хранения и в конце концов списывается. Чем раньше видно такую позицию, тем дешевле из неё выйти: скидка в начале истории дешевле списания в конце.

Авральные закупки по завышенной цене

Когда товар кончился, выбор поставщика исчезает: покупается у того, у кого есть, по его цене и его партией, часто с дорогой доставкой. Разница между плановой закупкой и авральной — прямая потеря, которую создаёт не рынок, а задержка в расчёте.

Ручные пересчёты, до которых не доходят руки

Прогноз по 2 500 позициям вручную не делается регулярно — он делается по тем позициям, которые «на слуху». Остальные живут по инерции, и именно там копится и дефицит, и излишек.

Зависимость от одного менеджера по закупкам

Человек, который помнит, что «это мы всегда берём по три коробки», — самый ценный и самый уязвимый элемент контура. Его отпуск не должен превращаться в риск пустых полок.

Спор между закупкой и коммерцией без общих чисел

«Мы этого не продали, потому что заказали мало» против «мы заказали много, потому что вы обещали рост» — этот разговор заканчивается, когда у обеих сторон один и тот же прогноз и одна и та же дата дефицита.

Сколько часов это возвращает

Часы — следствие. Но их полезно посчитать, чтобы понимать масштаб: ниже типовой расчёт для номенклатуры в 2 500 активных позиций, где заказы пересчитываются еженедельно. Вводные берите свои — методика не меняется.

Показатель	Вручную	С агентом
Активных позиций	2 500	2 500
Анализ продаж, остатков и сроков поставки	12 часов в неделю	2 часа (проверка разборов)
Пересборка предложений по заказам	8 часов в неделю	6 часов (решения по спорным позициям)
Разбор дефицита и неликвида	5 часов в неделю	2 часа
Всего в неделю	25 часов	10 часов
Всего в месяц	100 часов	40 часов
Возвращённое время	—	60 часов в месяц
В деньгах при стоимости часа 1 300 ₽	—	78 000 ₽ в месяц

Арифметика открытая: 12 + 8 + 5 = 25 часов в неделю, то есть около 100 часов в месяц. С агентом человек не собирает данные и не считает прогноз по каждой позиции, а проверяет предложение и решает по спорным позициям: 2 + 6 + 2 = 10 часов в неделю, то есть 40 часов в месяц. Разница — 60 часов, полторы рабочие недели, при стоимости часа 1 300 рублей это 78 000 рублей в месяц. Формулировка «типовой расчёт» здесь принципиальна: это математика на заявленных вводных, а не замер чужого результата. Реальный эффект зависит от того, насколько рваный у вас спрос и сколько позиций действительно ходовых.

Что остаётся за человеком

Границу ответственности нужно задать до пилота, а не после первой пустой полки:

• Решение о закупке — только человек. Агент готовит предложение, закупка выбирает поставщика, цену и момент.
• Права создавать заказы у агента отсутствуют. Никаких отправок поставщикам и подтверждений: только чтение, расчёт и предложение.
• Правила запаса задаёт человек. Страховой уровень, минимальная партия, кратность упаковки — это настройки, а не вывод программы.
• Правки данных запрещены. Агент не правит продажи и остатки. Неверные или неполные данные он помечает как замечание.
• Полный журнал. Любой вывод объясним: на какой истории, каком прогнозе и каком сроке поставки он построен.
• Квалификация причин — за специалистом. Агент показывает отклонение и его состав; причину (промо конкурента, смена упаковки, изменение цены) определяет человек.

Такая рамка снимает главный страх при внедрении: система не получает права распоряжаться закупками, она получает право считать и предупреждать.

Как это выглядит на практике

В проектах, где мы начинали с прогноза и запасов, первый шаг почти всегда один и тот же: инвентаризация данных, а не внедрение агента. Мы сверяли, что реально живёт в учёте, а что — в таблицах менеджеров: где остатки расходятся с фактическими, где одна позиция существует под двумя названиями, где сроки поставки в системе не совпадают с тем, как их помнит закупка. Затем фиксировали правило страхового запаса по группам товаров и вводили регулярный цикл «прогноз → предложение заказа → решение → проверка» с горизонтом в одну неделю. Запрос со стороны бизнеса был именно про дефицит ходовых позиций: «мы узнаём о том, что товар кончился, когда кончился». Контрольный срез показал, что часть данных уже пригодна для расчёта, а часть потребовала донастройки справочников и правил сопоставления позиций — и основной эффект дали именно эти донастройки: исчезла работа по восстановлению контекста, на которую уходила большая часть времени. Набор систем в том проекте был другим, но принцип тот же: данные уже есть, не хватает слоя, который считает прогноз и показывает дату дефицита.

Практический вывод: начинать нужно не с агента, а с правила «что мы считаем дефицитом и какой запас считаем нормальным». Пока это правило не зафиксировано, автоматизация будет просто быстрее приносить неполный прогноз. Как устроен такой контур в целом, мы разбирали в материалах про ИИ-агента для 1С и про внедрение ИИ в компании; как та же логика работает в производстве — в статьях про диспетчеризацию производства и планирование производства в 1С:ERP (ERP, Enterprise Resource Planning — управление ресурсами предприятия). А если вам нужен простой учёт остатков без системы, чтобы увидеть, где заканчивается товар, есть шаблон складского учёта в Excel: он считает остаток и показывает позиции ниже минимального запаса.

Как внедрить поэтапно

1. Выберите одну товарную группу. Десять-двадцать позиций, где дефицит и неликвид особенно заметны. Группа вместо всей номенклатуры даёт быстрый и проверяемый результат.
2. Зафиксируйте правило запаса. Что считаем страховым уровнем, какой срок поставки берём в расчёт, по каким позициям заказываем только под клиента. Правило пишется один раз и переиспользуется.
3. Опишите контур данных. Что агент читает (продажи, остатки, поставки, сроки) и куда возвращает предложение — рядом с рабочим местом закупки, а не в отдельный чат.
4. Прогоните агента на закрытых периодах. Так появляется эталон: известно, где дефицит действительно случился, а где запас оказался лишним, — и видно, что агент пропустил.
5. Ограничьте права явно. Чтение, расчёт, предложение. Без права создавать заказы и менять справочники данных.
6. Померьте четыре числа. Доля позиций с нулевым остатком при спросе, стоимость неликвида, оборачиваемость и часы на пересчёт заказов. Именно они, а не презентация, — основание расширять пилот на следующую группу. Общая логика внедрения по шагам разобрана в статье Нейросети для бизнес-процессов.

Разбор самой системы и того, что в ней можно автоматизировать, — в отдельном материале: 1С:ERP: возможности производственного блока и что автоматизировать поверх системы; 1С:WMS: управление складом и что автоматизирует ИИ-агент.

Что в итоге

Дефицит и неликвид ломаются не на учёте, а на задержке: продажи есть, но не сведены с остатками, остатки есть, но не сопоставлены со сроком поставки, сроки есть, но не превращены в дату заказа. Пока это так, компания платит рисками: упущенными продажами, деньгами в неликвиде, авральными закупками по завышенной цене, ручными пересчётами, до которых не доходят руки, и спорами между закупкой и коммерцией без общих чисел. Показательно, что направление работает не только в теории: X5 Group по итогам 2025 года раскрыла около 5 млрд рублей дополнительной операционной прибыли от ИИ-решений, и основной вклад дали именно прогнозирование спроса и пополнение, ценообразование и управление ассортиментом. Агент поверх учёта и складской системы закрывает задержку между «спрос изменился» и «заказ пересчитан», оставляя человеку правила запаса, решение о закупке и выбор поставщика. Если хотите понять, где ваш контур теряет деньги на дефиците и неликвиде, начните с одной товарной группы и одного склада. Как выбирают решения по цифрам в целом, разобрано в статье ИИ для руководителя, а как выглядит обзор платформ для производства и склада — в материале Топ-5 программ с ИИ для производства. Общий отраслевой контекст собран в разделе ИИ в логистике.

Источники

• X5 Group, пресс-релиз «ИИ-решения принесли X5 5 млрд рублей дополнительной операционной прибыли» (01.06.2026): совокупный экономический эффект от внедрения ИИ-решений — около 5 млрд рублей дополнительной операционной прибыли по итогам 2025 года; промышленное применение ИИ в направлениях от коммерции и логистики до клиентского опыта и корпоративных функций; ядром стал контур AI Core X5, объединяющий вычислительную инфраструктуру, инструменты управления моделями, тестирование и оценку решений, работу с ИИ-агентами и доступ к языковым моделям; централизованный подход позволяет переводить успешные модели и агентные сценарии в промышленное применение с едиными стандартами качества, безопасности и оценки эффекта; основной вклад в EBITDA обеспечили модели в прогнозировании спроса и пополнении, ценообразовании, управлении ассортиментом и рекомендательных механиках: x5.ru
• Ассоциация больших данных, группа компаний Б1 и TAdviser, первое исследование российского рынка больших данных и искусственного интеллекта (ноябрь 2025 года): объём рынка в 2024 году — 433 млрд рублей, рост 33% к 2023 году; ИИ-решения в сегменте программного обеспечения показали наиболее высокую динамику — плюс 39% за 2023–2024 годы; направления сегмента «ПО» с ростом — видеоаналитика, диалоговые системы, биометрия, предиктивные модели: b1.ru
• «1С», описание решения «1С:Предприятие 8. 1С-Логистика:Управление складом 3.0»: продукт для автоматизации управления складским хозяйством предприятия, позволяет автоматизировать управление технологическими процессами современного складского комплекса; решения этого класса внедряются на складах разного профиля, включая складские терминалы: solutions.1c.ru
• AXELOT, сайт вендора: линейка решений для автоматизации логистики — платформа AXELOT SCM, WMS, управление двором (YMS); примеры внедрений WMS на складах российских компаний (в том числе «Natura Siberica», «Автолига», «ТЕХНОНИКОЛЬ»). Вендорские материалы, функции не проверялись: axelot.ru
• «СОЛВО», сайт вендора: разработка и внедрение систем автоматизации логистики — WMS (Warehouse Management System, система управления складом), TOS (Terminal Operating System, система управления терминалом), YMS (Yard Management System, управление двором) и TMS (Transportation Management System, система управления транспортом); вендорское заявление о том, что TOS вендора обрабатывает более 45% морского контейнерооборота страны. Вендорские материалы и вендорская цифра, независимо не проверялись: solvo.ru
• IBM, обзорная статья об искусственном интеллекте в цепочках поставок: направления применения ИИ в supply chain — прогнозирование спроса, оптимизация запасов и планирование поставок; использована как зарубежный референс общего характера: ibm.com