Кратко и по делу — планирование спроса и управление запасами для небольшой сети ресторанов быстрого питания с резкими колебаниями спроса и высокой убывшей.
1) Цели
- Снизить списания/пищевые отходы и потери свежих ингредиентов.
- Уменьшить частоту и длительность сток-аутов.
- Оптимизировать уровень товарных запасов при минимальном воздействии на сервис.
2) Данные и интеграция (обязательные)
- POS-транзакции по SKU, филиалу, каналу, времени (мин/час/день).
- Поставки/приемки, остатки, сроки годности.
- Рецептуры (BOM) и коэффициенты отдачи порции.
- Внешние фичи: погода, события/акции, праздники, маркетинг.
- Интеграция: POS (Toast/Square/Lightspeed), склад/ERP (Odoo/Unleashed), BI/DB (Postgres/BigQuery), ETL (Airflow/Fivetran).
3) Прогнозирование спроса — модельный каркас
- Иерархия прогнозов: сеть → магазин → категория → SKU. Кластеризация похожих магазинов.
- Модели:
- Базовые: экспоненциальное сглаживание (ETS), SARIMA — для регулярных сезонностей.
- Быстрое/робастное: Prophet (Facebook) — сезонности и праздники.
- ML для сложных паттернов: XGBoost/LightGBM/RandomForest с лагами, погодой, акциями.
- Для редких/новых SKU — кроковая агрегация и бенчмаркинг по похожим SKU.
- Обработка выбросов и учёт акций/сдвигов: маркировать периоды промо и исключать/моделировать отдельно.
- Частота прогнозов: дневные для ингредиентов с коротким сроком годности; почасовые/по сменам для горячих позиций.
4) Политики пополнения и формулы (ключевые)
- Safety stock (простая формула при нормальном распределении спроса):
$$SS=z\cdot {\sigma }_D\sqrt{L}$$ где $z$ — z‑значение для целевого уровня сервиса, ${\sigma }_D$ — стандартное отклонение дневного спроса, $L$ — средний lead time в днях.
- Если варьируется lead time:
$$SS=z\sqrt{L{\sigma }_D^2+D^2{\sigma }_L^2}$$ где $D$ — средний дневной спрос, ${\sigma }_L$ — стандартное отклонение lead time.
- Reorder point:
$$R=\bar{D}\cdot L+SS$$ - EOQ (для долгохранящихся закупок и оптимизации партии):
$$Q^{\ast }=\sqrt{\frac{2DS}{H}}$$ где $D$ — годовой спрос, $S$ — стоимость заказа, $H$ — годовая стоимость хранения единицы.
- Политики:
- Для скоропорта: короткий цикл пополнения, периодический пересчёт прогнозов, минимальные партии.
- Для стабильных позиций: (R,Q) или периодическая ревизия (s,S).
- FIFO и контроль по срокам годности — для минимизации списаний.
5) Тактические меры (оперативно)
- Динамическое планирование порций и заказов по сменам.
- Demand shaping: промо/скидки на товары, близкие к сроку годности.
- Меню engineering: сократить SKU с плохой оборачиваемостью.
- Партнёрство с поставщиками: сокращение MOQ, частые мелкие поставки, прозрачность lead time.
- Контроль рецептур и обученные сотрудники для точной порции.
6) Инструменты (конкретно)
- POS/инвентарь: Toast, Square, Lightspeed, Odoo, Unleashed.
- BI/ETL/DB: Power BI / Tableau / Looker; Postgres / BigQuery; Fivetran / Airflow.
- Прогнозирование: Python (pandas, Prophet, statsmodels, scikit‑learn, xgboost), Amazon Forecast (если AWS), Google Cloud AutoML Forecasting.
- WMS/ERP (если масштаб): NetSuite/SAP Business One для автоматизации заказов.
- Простая автоматизация для старта: Excel/Google Sheets + Power BI + скрипты Python.
7) KPI и критерии оценки (с формулами)
- Точность прогноза:
MAPE=1n∑t∣Ft−AtAt∣×100%\text{MAPE} = \frac{1}{n}\sum_{t}\left|\frac{F_t-A_t}{A_t}\right|\times 100\%MAPE=n1 t∑ At Ft −At ×100% $$\text{MAE}=\frac{1}{n}\sum _t|F_t-A_t|$$ - Смещённость (bias / MFE):
$$\text{Bias}=\frac{1}{n}\sum _t(F_t-A_t)$$ - Сервис и наличие:
$$\text{Fill rate}=\frac{\text{выполненный объём спроса}}{\text{общий объём спроса}}\times 100\%$$ $$\text{Stockout rate}=\frac{\text{кол-во случаев сток-аута}}{\text{возможностей спроса}}\times 100\%$$ - Отходы/списания:
$$\text{Waste \%}=\frac{\text{кол-во списанного}}{\text{купленное кол-во}}\times 100\%$$ - Оборачиваемость запасов:
$$\text{Turnover}=\frac{\text{COGS}}{\text{Средний запас}}$$ $$\text{DOI}=\frac{\text{Средний запас}}{\text{COGS в день}}$$ - Целевые ориентиры (примерные): уменьшить Waste на 20–40% в 6 месяцев; Stockout < 2–5%; MAPE для основных SKU < 15–25% (зависит от волатильности).
8) План внедрения (шаги и сроки)
- 0–1 мес: собрать данные, интегрировать POS/склад, настроить BI дашборды.
- 1–2 мес: базовые прогнозы (категории и топ‑SKU), расчёт safety stock и простых правил.
- 2–4 мес: пилот в 2–4 ресторанах с автоматическим пополнением и мониторингом KPI.
- 4–6 мес: итерации моделей (ML), расширение политики на всю сеть, договоры с поставщиками.
- Непрерывно: A/B тесты промо и политик пополнения, еженедельный разбор отклонений.
9) Контроль и улучшение
- Еженедельный разбор отклонений прогноза (root cause: погода, акция, человеческая ошибка).
- Автоматические алерты: рост списаний > X%, падение fill rate.
- Ретроспективы и обновление параметров: z‑уровня, периодов ревизии, кластеризации магазинов.
Если нужно — дам конкретный пример расчёта safety stock и reorder point для одного SKU с вашими входными данными или шаблон Excel/Python для запуска пилота.