Разбираем математический подход к управлению остатками: как AI анализирует чеки и внешние факторы для точного заказа товара
Нейросеть в аптеке — это не маркетинговый термин. Это конкретный инструмент, который анализирует историю транзакций, внешние триггеры и данные о конкурентах, чтобы сформировать заказ точнее, чем опытный категорийный менеджер. По данным Gartner (2024), внедрение ИИ в управление запасами снижает издержки на 15,2% и повышает производительность сотрудников на 22%. Для аптечной сети с 5000 SKU это означает реальное сокращение кассовых разрывов — без ручной работы по каждой позиции.
В этой статье разберем три вещи: почему классический ABC-анализ перестал справляться, какие данные нужно скармливать модели для точного прогноза и как выглядит математика автозаказа на практике.
Почему классический ABC-анализ больше не работает в 2026 году
Тут все просто: ABC-анализ строится на прошлом. Он смотрит назад и предполагает, что завтра будет похоже на вчера. В 2026 году это допущение ломается примерно раз в квартал.
Статичный расчет не видит резких смен трендов
Классический ABC-анализ делит весь ассортимент на три группы по обороту за прошлый период — обычно квартал или год. Проблема в том, что он не умеет реагировать на события, которых в истории не было.
Возьмем конкретный пример. Блогер с аудиторией 2 млн человек публикует пост о конкретном БАД — и за 48 часов спрос на позицию вырастает в 15-20 раз. Для ABC-системы этот товар был в группе C (малооборачиваемые), и заказ под него не предусмотрен. Аптека получает дефектуру, теряет выручку и клиентов, которые уходят к конкурентам.
Нейросеть работает иначе. Она отслеживает паттерны в реальном времени: резкий рост продаж за последние 3-5 дней, корреляция с активностью в соцсетях, аномальное поведение позиции относительно её исторического базиса. Система поднимает флаг и корректирует прогноз ещё до того, как полка опустеет.
Классика игнорирует корреляцию между категориями
ABC-анализ смотрит на каждую позицию изолированно. Но покупательское поведение устроено иначе. Человек, который берет антибиотик, в 85% случаев нуждается в пробиотике — и если его нет на полке, часть выручки уходит к соседней аптеке.
Это называется матрицей совместных покупок. Нейросеть строит её автоматически на основе транзакционных данных: анализирует, какие SKU чаще всего оказываются в одном чеке, и формирует кластеры взаимозависимых позиций. Если система видит рост спроса на антибиотики — она автоматически поднимает прогноз по пробиотикам, регидратационным растворам и иммуномодуляторам.
Для маркетинга аптеки это ещё и инструмент: зная матрицу совместных покупок, можно выстраивать выкладку и допродажи на кассе не по интуиции провизора, а по чистой математике.
Человеческий фактор при заказе — системная проблема
Провизор или категорийный менеджер, который формирует заказ вручную, работает в условиях когнитивной перегрузки. 5000 SKU — это физически невозможно удержать в голове. Результат предсказуем: затоваривание неликвидом на 15-20% от общего бюджета склада.
По данным аналитиков easy-byte.ru (2024), именно человеческий фактор при закупках — главный источник потерь в аптечных сетях. Не воровство, не логистика, не ценообразование. Просто ошибки в прогнозе, умноженные на 5000 позиций.
| Метод управления запасами | Точность прогноза | Время на заказ | Учет корреляций | Реакция на тренды |
|---|---|---|---|---|
| ABC-анализ (классика) | 60-70% | 3-4 часа в день | Нет | Нет |
| Опытный категорийный менеджер | 70% | 2-3 часа в день | Частично | Медленно |
| ML-модель прогнозирования | 88-94% | 3-5 минут | Да | В реальном времени |
| ML + внешние данные (погода, ОРВИ, ТВ) | 94%+ | 3-5 минут | Да | Автоматически |
Цифра 94% точности прогноза — не маркетинговое обещание. Это результат, который показывают ML-модели на реальных аптечных данных при наличии достаточной истории транзакций (от 2 лет) и подключения внешних источников. Для сравнения: опытный категорийный менеджер стабильно держит 70%. Разрыв в 24 процентных пункта — это и есть те самые 12% снижения дефектуры в деньгах.
Какие данные скармливать нейросети для точного прогноза
Качество прогноза прямо зависит от качества входных данных. Мусор на входе — мусор на выходе. Вот что реально работает.
История транзакций за 3 года — фундамент модели
Три года — минимальный горизонт для выявления сезонных циклов с точностью до недели. Меньше — и модель не увидит полный цикл: зима 2023/2024 могла быть нетипичной по гриппу, и если брать только один год, прогноз будет искажен.
Что конкретно нужно из транзакционных данных:
- Дата и время каждой продажи — не агрегированные дневные суммы, а каждый чек. Это позволяет выявить внутринедельные паттерны: в понедельник утром покупают одно, в пятницу вечером — другое.
- Состав чека — все позиции вместе, а не по отдельности. Именно так строится матрица совместных покупок.
- Форма оплаты и наличие карты лояльности — позволяет сегментировать покупателей и строить индивидуальные прогнозы по сегментам.
- Остатки на момент каждой продажи — критично для выявления “скрытого спроса”: если товар закончился в среду, продажи четверга и пятницы были бы выше, но их нет. Модель должна это учитывать, иначе она занизит прогноз.
Для аптечной сети из 15 точек история транзакций за 3 года — это десятки миллионов строк. Человек с этим не работает. Нейросеть — работает.
Внешние триггеры: погода, ОРВИ и рекламные бюджеты фармгигантов
Это самый недооцененный источник данных. И самый ценный — потому что именно он дает прогноз на 2-3 недели вперед, а не просто описывает прошлое.
Данные о погоде. Падение температуры на 5°C в течение 3 дней предшествует росту продаж противопростудных препаратов с лагом 7-10 дней. Это проверяемая корреляция. Подключив API Гидрометцентра, модель начинает видеть этот паттерн и заблаговременно увеличивает прогноз по соответствующим категориям.
Данные о вспышках ОРВИ в регионе. Роспотребнадзор публикует еженедельные сводки по заболеваемости в разбивке по регионам. Для аптеки в Екатеринбурге это означает: если в области зафиксирован рост заболеваемости на 30% выше сезонной нормы — модель корректирует прогноз по антибиотикам, жаропонижающим и средствам от кашля прямо сейчас, а не когда полка уже опустела.
Графики выхода рекламы фармгигантов на ТВ. Это данные, которые большинство аптек вообще не используют. Но они доступны: медиаизмеритель Mediascope публикует данные о рекламном давлении по брендам. Когда Nurofen или Терафлю запускает федеральную кампанию, спрос на эти позиции растет через 3-5 дней после начала показов. Если модель видит запуск кампании — она увеличивает прогноз заблаговременно.
Активность в соцсетях. Парсинг упоминаний конкретных препаратов или БАД в ВКонтакте и Telegram — это сигнал виральных трендов. Именно этот канал первым фиксирует “хайп” вокруг нового средства, которого ещё нет в истории продаж.
Цены конкурентов в радиусе 500 метров
Это зона роста, которую большинство аптек игнорирует. Если аптека-конкурент через дорогу снизила цену на топовый препарат на 10% — ваши продажи этой позиции упадут в течение 1-2 дней. Без мониторинга вы увидите это только постфактум, когда уже заказали лишний товар.
Автоматизация аптеки в части мониторинга конкурентов работает через парсинг цен с сайтов и агрегаторов (Apteka.ru, Eapteka.ru, 36.6, региональные сети). Периодичность — раз в сутки, для ключевых позиций — раз в несколько часов.
Что делает модель с этими данными:
- Фиксирует ценовой разрыв по каждой позиции относительно ближайших конкурентов
- Корректирует прогноз спроса с учетом ценовой эластичности (для разных категорий она разная: на жизненно необходимые препараты — низкая, на витамины и БАД — высокая)
- Сигнализирует категорийному менеджеру, когда разрыв превышает критический порог
По данным McKesson (один из крупнейших дистрибьюторов лекарств в мире), именно комбинация внутренних транзакционных данных с внешними триггерами дает максимальный прирост точности прогноза. Только на внутренних данных модель выходит на 80-85% точности. Добавление внешних источников поднимает её до 90-94%.
Рецептурная статистика и данные о сроках годности
Два дополнительных источника, которые критичны для управления аптечным ассортиментом.
Рецептурная нагрузка — это данные о количестве рецептов, выписанных в поликлиниках и больницах района. Если в районе открылась новая поликлиника или сменился главный терапевт с другими предпочтениями в назначениях — это изменит структуру спроса. Модель, подключенная к этим данным, увидит сдвиг раньше, чем он проявится в продажах.
Данные о сроках годности — это защита от списаний. Модель знает, сколько единиц каждой позиции истекает через 30, 60 и 90 дней. Она корректирует заказ так, чтобы не создавать избыток товара с коротким остаточным сроком. Для препаратов с ограниченным сроком годности это принципиально: списание — это прямой убыток.
Хотите проверить, насколько ваша товарная матрица оптимальна? Команда ТекстЗавода делает бесплатный аудит ассортимента нейросетью — покажем, где вы теряете деньги на неликвиде и дефектуре. Оставьте заявку на textzavod.ru.
Математика автозаказа: от рутины к чистой эффективности
На практике это выглядит так: провизор открывает систему утром, видит готовую корзину заказа по всем поставщикам, проверяет флаги (позиции, требующие ручного решения) и нажимает “отправить”. Весь процесс — 15-20 минут вместо 3-4 часов ежедневной рутины.
Как работает алгоритм автозаказа
Базовая логика ML-модели для аптечного автозаказа строится на нескольких шагах.
Шаг 1. Прогноз спроса на горизонт заказа. Модель рассчитывает ожидаемые продажи каждой из 5000 SKU на период от текущего момента до следующей поставки плюс страховой запас. Горизонт обычно 7-14 дней в зависимости от поставщика и категории.
Шаг 2. Расчет потребности с учетом текущих остатков. Система знает, сколько единиц каждой позиции есть на полке и складе прямо сейчас. Потребность = прогноз спроса − текущий остаток + страховой запас.
Шаг 3. Корректировка на внешние триггеры. Если модель видит сигналы (рост ОРВИ, запуск рекламной кампании, резкое похолодание) — она умножает базовый прогноз на коэффициент поправки для соответствующих категорий.
Шаг 4. Оптимизация по ограничениям. Минимальные партии поставщиков, бюджетные лимиты, сроки годности, приоритет маржинальных позиций — всё это жесткие рамки, внутри которых модель оптимизирует корзину.
Шаг 5. Формирование корзины и флагов. Стандартные позиции уходят в автозаказ. Позиции с аномальным поведением или низкой уверенностью модели — помечаются флагом для проверки человеком.
Товары-индикаторы: ключ к трафику
Это концепция, которую большинство аптек не использует осознанно. Товары-индикаторы — это позиции, по наличию которых покупатель оценивает всю аптеку. Их отсутствие на полке разрушает доверие и гонит клиента к конкуренту.
Как правило, это:
- Топовые ОТС-препараты по каждой категории (Нурофен, Терафлю, Эссенциале) — покупатель знает их по рекламе и ожидает найти в любой аптеке
- Сезонные хиты в период пика — если в разгар гриппозного сезона нет Арбидола или Амиксина, впечатление от аптеки портится независимо от ассортимента в остальных категориях
- Позиции из матрицы совместных покупок для ключевых категорий — их отсутствие означает потерю допродажи
Нейросеть выявляет товары-индикаторы автоматически: анализирует частоту появления позиции в чеках, её роль в привлечении повторных визитов и влияние на средний чек. После идентификации система блокирует возможность дефектуры по этим позициям — устанавливает повышенный страховой запас и приоритет при распределении бюджета закупок.
Точность 94% против 70%: откуда берется разрыв
Опытный категорийный менеджер работает с ограниченным объемом информации. Он помнит топ-200 позиций, знает сезонные паттерны по крупным категориям и чувствует рынок. Но 5000 SKU — это за пределами человеческих возможностей.
ML-модель не устает, не забывает и не делает когнитивных ошибок. Она одновременно держит в памяти все 5000 позиций, все внешние триггеры и все ограничения. Именно поэтому точность прогноза у модели стабильно выше на 20-24 процентных пункта.
По данным Gartner (2024), внедрение ИИ в управление запасами повышает производительность сотрудников на 22%. Для аптеки это означает: провизор тратит 15 минут на проверку автозаказа вместо 4 часов на его формирование. Освободившееся время — на работу с покупателями, консультации, допродажи.
Что происходит с дефектурой
Дефектура — это отсутствие нужного товара в момент, когда за ним пришел покупатель. Прямые потери: упущенная выручка. Косвенные: покупатель уходит к конкуренту и, возможно, остается там.
Снижение дефектуры на 12% — это результат комбинации трёх факторов:
- Точный прогноз спроса снижает количество ситуаций, когда товар закончился раньше следующей поставки
- Система товаров-индикаторов гарантирует наличие ключевых позиций с повышенным приоритетом
- Мониторинг остатков в реальном времени позволяет сделать внеплановый заказ до того, как полка опустела
Для аптечной сети из 15 точек с оборотом 50 млн рублей в месяц снижение дефектуры на 12% — это примерно 6 млн рублей дополнительной выручки в год. Без увеличения трафика, без маркетинговых бюджетов. Просто за счет того, что нужный товар есть на полке.
Анализ аптечного ассортимента через нейросеть: что видно глазами машины
Когда модель анализирует весь ассортимент целиком, она видит паттерны, скрытые от глаз человека.
- Позиции-каннибалы — SKU, которые конкурируют друг с другом внутри одной категории и суммарно дают меньше, чем одна сильная позиция
- Скрытый спрос — позиции, которые стабильно заканчиваются до следующей поставки, но в ABC-анализе выглядят как средние, потому что продажи ограничены наличием, а не спросом
- Мертвый груз — позиции с нулевыми или единичными продажами за последние 90 дней, которые занимают деньги и место на складе
- Сезонные аномалии — позиции, которые в прошлом году показали резкий рост в конкретную неделю (например, из-за эпидемии или рекламной кампании) и могут повторить его в этом
Управление товарными запасами через нейросеть — это не замена категорийного менеджера. Это инструмент, который делает его работу точнее и быстрее. Человек принимает решения. Машина обеспечивает данные и первичный расчет.
Скачайте кейс: как аптечная сеть из 15 точек внедрила AI-закупки за месяц и снизила затоваривание неликвидом на 18%. Доступно на textzavod.ru.
Часто задаваемые вопросы
Сколько времени занимает внедрение нейросети для управления запасами в аптеке?
Базовое внедрение — от 4 до 8 недель. Первые 2 недели уходят на подключение к учетной системе и загрузку исторических данных. Следующие 2-4 недели — обучение модели и калибровка прогнозов. Первые результаты (снижение ошибок заказа) видны уже через 30 дней после запуска. Полный эффект — через 2-3 месяца, когда модель накапливает достаточно данных для уверенных прогнозов по всем 5000 SKU.
Какая минимальная история транзакций нужна для запуска модели?
Минимум — 1 год. Но это дает точность около 80-82%: модель видит один сезонный цикл, но не может отличить нетипичный год от нормы. Три года — оптимальный горизонт: модель видит несколько циклов, выявляет устойчивые паттерны и отфильтровывает аномалии. Если история меньше года, можно использовать данные по категориям и регионам из открытых источников как стартовую точку.
Что делать с позициями, которые появились в ассортименте недавно — меньше 6 месяцев назад?
Для новых позиций модель использует данные по аналогам из той же категории. Если в ассортименте появился новый пробиотик, система берет паттерн продаж похожих позиций (по цене, форме выпуска, производителю) и строит стартовый прогноз на их основе. По мере накопления собственной истории продаж вес аналогов снижается, и модель переходит на реальные данные позиции.
Нужно ли менять учетную систему для подключения нейросети?
Нет. Большинство ML-решений для аптек интегрируются с существующими учетными системами через API или выгрузку данных в стандартных форматах (Excel, CSV, 1С). Замена учетной системы не требуется. Важно, чтобы система хранила данные на уровне отдельных чеков, а не только агрегированные дневные суммы — это базовое требование для построения матрицы совместных покупок.
Как нейросеть справляется с форс-мажорами — например, когда поставщик не привез товар?
Система фиксирует разрыв между прогнозным и фактическим остатком и автоматически формирует альтернативный заказ у резервного поставщика (если он настроен в базе). Параллельно корректирует прогноз с учетом временного дефицита. Если альтернативы нет — поднимает флаг для ручного решения категорийного менеджера с указанием конкретных позиций и объема потерь при дефектуре.
Как автоматизация закупок влияет на работу провизора?
Провизор перестает тратить 3-4 часа в день на формирование заказа вручную. Вместо этого — 15-20 минут на проверку автозаказа и решение по флагам. Освободившееся время уходит на работу с покупателями: консультации, рекомендации, допродажи. По данным Gartner (2024), такая автоматизация повышает производительность сотрудников на 22% — и это без изменения штата.
Как нейросеть помогает с маркетингом аптеки, а не только с закупками?
Матрица совместных покупок — это готовая основа для маркетинга аптеки: выкладка, допродажи на кассе, персональные рекомендации через программу лояльности. Система показывает, какие товары чаще всего берут вместе, в какое время суток и в какой день недели. Это данные для промо-акций, для обучения первостольников и для продвижения аптек через digital-каналы — с опорой на реальное поведение покупателей, а не на интуицию.