Прогноз спроса и планирование закупок в B2B

Оптовый бизнес живёт на повторных заказах. Дилер должен вовремя пополнять склад ходовыми позициями — но на практике он либо забывает про них и упирается в дефицит, либо перестраховывается и замораживает деньги в неликвиде. И то, и другое бьёт по обороту: поставщик теряет продажи, потому что «не было на складе у дилера в нужный момент», а дилер теряет маржу на залежавшемся товаре. Корень проблемы один — заказ формируется на глаз, без опоры на реальный спрос и остатки.

В этой статье разберём, как прогноз спроса и планирование закупок на B2B-портале превращают заказ «по памяти» в управляемый процесс: система считает потребление по истории, подсказывает точку заказа, собирает автозаявку и напоминает дилеру заказать вовремя. Всё это реализуется штатными средствами 1С-Битрикс в связке с учётной системой. Материал — из практики нашей команды по разработке B2B-порталов на 1С-Битрикс, без теории ради теории.

Почему дилеры заказывают не вовремя

Прежде чем строить прогноз, стоит честно разобрать, почему заказ «на глаз» вообще существует и держится годами. Это не лень и не безалаберность — это следствие того, что у человека на стороне дилера нет удобного инструмента, а есть только память, интуиция и в лучшем случае табличка в Excel, которую никто не ведёт аккуратно.

Типичная картина у оптового закупщика выглядит так. Ассортимент — сотни, а то и тысячи позиций. Часть из них ходовая и уходит стабильно, часть — сезонная, часть — редкая. Отследить точку, когда каждая позиция вот-вот закончится, вручную физически невозможно. В итоге закупщик реагирует не на прогноз, а на факт: «закончилось — заказал». А между «закончилось» и «приехало» лежит срок поставки, во время которого продажи по позиции просто встают.

Обратная крайность не лучше. Наученный горьким опытом дефицита, закупщик начинает брать «с запасом побольше, чтобы точно хватило». Запас превращается в неликвид, оборотные деньги замораживаются в товаре, который лежит месяцами, а склад распухает. Оба перекоса — дефицит и переизбыток — это симптомы одной болезни: решение о закупке принимается без данных.

Есть и третья, более тонкая проблема — асимметрия информации между поставщиком и дилером. Поставщик видит свои отгрузки, но не видит, что реально происходит со спросом на полке у дилера. Дилер видит свои продажи, но не всегда сопоставляет их со сроками поставки и остатками поставщика. Никто не владеет полной картиной, и заказ каждый раз получается компромиссом между двумя неполными представлениями о реальности.

Что такое прогноз спроса на B2B-портале

Прогноз спроса — это расчётная оценка будущего потребления по каждой позиции, выраженная в понятных закупщику величинах: «в ближайший месяц по этому артикулу уйдёт примерно N штук». На B2B-портале прогноз не остаётся абстрактным числом, а превращается в три практических артефакта, которыми дилер пользуется каждый день.

• Рекомендация по количеству. Сколько именно стоит дозаказать позицию, чтобы хватило до следующей поставки с учётом страхового запаса.
• Точка заказа (сигнал «пора»). Момент, когда остаток по позиции опустился до уровня, ниже которого начинается риск дефицита. Портал подсвечивает такие позиции и шлёт напоминание.
• Автозаявка. Готовая корзина из позиций, достигших точки заказа, с проставленным рекомендованным количеством, которую остаётся проверить и подтвердить.

Ключевое отличие B2B-прогноза от «магазинных» рекомендаций «с этим покупают» в том, что здесь мы работаем не с разовым эмоциональным выбором, а с регулярным, повторяющимся потреблением. Оптовик заказывает одни и те же группы товаров циклами, и именно эта регулярность — главный источник предсказуемости. Задача системы — уловить ритм каждого дилера по каждой группе и заранее подсказать следующий шаг.

Прогноз работает на двух уровнях, и их важно не путать. На уровне поставщика прогноз агрегирует спрос всех дилеров, чтобы планировать собственные закупки и производство. На уровне дилера прогноз персональный — он опирается на историю конкретного контрагента и помогает именно ему заказывать вовремя. В этой статье фокус на втором уровне, потому что именно он напрямую влияет на то, будет ли ходовая позиция в наличии у партнёра.

Данные, на которых строится прогноз

Точность любого прогноза упирается в качество исходных данных. «Мусор на входе — мусор на выходе» — в прогнозировании спроса это правило работает жёстко. Разберём, какие данные нужны и откуда они берутся в экосистеме 1С-Битрикс.

Базовый слой — это история заказов. Каждый оформленный на портале заказ фиксирует, что, когда и в каком количестве брал конкретный дилер. Из этого потока система вычисляет среднее потребление по позиции, ритмичность заказов и тренд (растёт спрос или падает). Чем длиннее и чище история, тем надёжнее вывод.

Второй слой — складские остатки и статусы наличия. Они приходят на портал через обмен с учётной системой. Прогноз без остатков подскажет «сколько нужно», но не подскажет «сколько из этого поставщик реально может отгрузить сейчас». Остатки замыкают контур: рекомендация учитывает не только спрос, но и доступность.

Третий слой — параметры поставки: срок доставки по позиции или поставщику, кратность отгрузки (короб, паллета), минимальная партия. Эти параметры превращают «нужно 47 штук» в реалистичное «закажи 2 короба по 24». Без них рекомендация оторвана от логистики.

Отдельно стоит сказать про чистоту данных. Разовые аномалии — крупный проектный заказ, распродажа склада, ошибочная позиция — сильно искажают среднее, если их не отфильтровать. Хорошая модель либо сглаживает выбросы, либо позволяет пометить заказ как «нерегулярный», чтобы он не попадал в расчёт базового спроса. Об этом мы ещё поговорим в разделе про частые ошибки.

Методы прогнозирования: от среднего до сезонности

Не существует единого «правильного» метода прогноза — есть спектр от совсем простого до сложного, и выбирать нужно по характеру спроса на конкретную позицию. Разумная система применяет разные методы к разным группам товаров, а не пытается натянуть один алгоритм на весь ассортимент.

Скользящее среднее. Самый простой и на удивление рабочий метод для стабильного спроса. Берём потребление за последние N периодов и усредняем. Подходит для ходовых позиций без выраженной сезонности. Плюс — прозрачность: закупщик понимает, откуда взялось число, и доверяет ему.

Экспоненциальное сглаживание. Развитие идеи среднего, где недавние периоды весят больше, чем давние. Модель быстрее реагирует на изменение тренда — если спрос пошёл вверх, рекомендация подтянется, не дожидаясь, пока сдвинется всё окно усреднения.

Сезонные коэффициенты. Для товаров с выраженной сезонностью (условно, антифриз к зиме, товары для дачи к весне) к базовому прогнозу применяется коэффициент по месяцу или неделе года. Коэффициенты считаются по многолетней истории или задаются экспертно, если истории мало.

Аналоги для новинок. У новой позиции нет истории, но есть товарная группа. Прогноз для неё строится по усреднённому поведению похожих товаров той же категории, а затем уточняется по мере накопления собственных данных.

Важно, что метод должен соответствовать предсказуемости спроса. Для ровно потребляемых позиций работает почти любой метод. Для «рваного» спроса, где заказы приходят редко и неравномерно, среднее вводит в заблуждение — тут честнее считать не «сколько в среднем в месяц», а «какова вероятность, что позиция понадобится в ближайший цикл». Разделение ассортимента по предсказуемости — это как раз XYZ-анализ, к которому мы придём ниже.

Точка заказа, страховой запас и рекомендации

Прогноз потребления сам по себе ещё не говорит дилеру, когда действовать. Мост между «сколько уйдёт» и «пора заказывать» — это модель точки заказа. Она проста по идее и надёжна на практике.

Точка заказа — это уровень остатка, при достижении которого нужно оформить дозаказ, чтобы товар успел приехать до того, как закончится. Она складывается из двух частей: расхода за срок поставки и страхового запаса.

1. Расход за срок поставки. Умножаем среднедневное потребление на срок поставки в днях. Это тот объём, который уйдёт, пока едет новая партия.
2. Страховой запас. Добавляем буфер на случай всплеска спроса или задержки поставки. Чем важнее позиция и чем менее стабильны спрос и поставка, тем больше буфер.
3. Точка заказа = расход за срок поставки + страховой запас. Как только остаток опустился до этого уровня, позиция попадает в автозаявку.
4. Рекомендованное количество. Заказываем столько, чтобы вернуться к целевому уровню запаса, с учётом кратности отгрузки (короб, паллета).

Страховой запас — самая тонкая настройка во всей модели. Слишком маленький — и любой всплеск спроса или задержка поставки оборачивается дефицитом. Слишком большой — и мы возвращаемся к замороженным деньгам, ради борьбы с которыми всё и затевалось. Правильный подход — привязать размер страхового запаса к важности позиции (её вкладу в оборот) и к стабильности её спроса. Ходовым и стабильным можно держать буфер поменьше, важным но капризным — побольше.

Автозаявки: как система заказывает за дилера

Автозаявка — это то место, где вся математика прогноза становится осязаемой для дилера. Вместо того чтобы обходить каталог и вспоминать, что заканчивается, закупщик открывает готовую корзину, которую портал собрал за него: позиции, достигшие точки заказа, с проставленным рекомендованным количеством и понятным обоснованием «почему столько».

Автозаявки бывают трёх режимов зрелости, и переходить между ними стоит по мере роста доверия к прогнозу.

• Рекомендация. Система собирает корзину, дилер полностью её проверяет и подтверждает вручную. Базовый режим для старта.
• Полуавтомат по расписанию. Автозаявка формируется к нужному дню цикла и ждёт подтверждения. Дилер получает напоминание и подтверждает в один клик, если всё устраивает.
• Автопилот. По стабильным группам с предсказуемым спросом заявка уходит сама, без ручного шага. Уместен только для проверенного ассортимента.

Отдельная ценность автозаявки — прозрачность обоснования. Рядом с каждой строкой полезно показывать, почему предложено именно столько: «средний расход 12 шт/нед, срок поставки 5 дней, текущий остаток ниже точки заказа». Когда закупщик видит логику, он доверяет системе и не тратит время на перепроверку очевидного — только корректирует крайние случаи.

Автозаявки тесно связаны с идеей регулярных повторяющихся заказов. Если у дилера есть стабильный график закупки, автозаявку удобно совместить с механикой подписки на поставки — подробно этот сценарий мы разбираем в статье про регулярные и абонентские поставки в B2B. Прогноз отвечает на вопрос «сколько», а подписка — на вопрос «как часто и без ручного шага».

История заказов как топливо для прогноза

Всё, что мы обсудили, держится на одном ресурсе — истории заказов. Это тот самый актив, который B2B-портал накапливает сам по себе, просто работая, и который со временем становится всё ценнее. Чем дольше портал в эксплуатации, тем точнее прогноз, потому что модели есть на чём учиться.

Полезно понимать, какие сигналы система вытягивает из истории:

• Средний уровень спроса. Базовая величина потребления по позиции — фундамент всех рекомендаций.
• Ритм заказов. Как часто дилер возвращается за позицией. Ритм подсказывает длину цикла и удобную периодичность автозаявки.
• Тренд. Растёт спрос, падает или стоит на месте. Тренд позволяет упреждать, а не догонять.
• Сезонный профиль. Повторяющиеся из года в год всплески и спады, привязанные к календарю.
• Ассортиментные связки. Позиции, которые дилер стабильно берёт вместе, — их логично предлагать в одной автозаявке.

История ценна не только для прогноза. Тот же массив данных питает аналитику продаж — дашборды по дилерам, категориям и динамике, — и здесь прогноз и аналитика работают в паре. Как выстроить наглядную отчётность поверх этих данных, мы разбираем в материале про аналитику и дашборды для B2B на Битрикс. Прогноз смотрит вперёд, дашборды показывают, что уже произошло, — вместе они закрывают полный цикл управления спросом.

Ещё один практический сюжет — ускорение повторного заказа. Прогноз подсказывает, что заказать, но закупщику всё равно удобно иметь быстрый способ добрать позиции по артикулам или загрузить заявку из своей таблицы. Как сделать такой быстрый ввод, мы описали в статье про быстрый заказ по артикулу и загрузку из Excel. Прогноз и быстрый ввод дополняют друг друга: система предлагает основу заявки, а дилер за секунды дополняет её тем, что знает про свой рынок лучше любой модели.

ABC/XYZ-анализ ассортимента дилера

Прежде чем автоматизировать закупку, ассортимент полезно разложить по двум осям: важности и предсказуемости. Это классический ABC/XYZ-анализ, и он прямо определяет, какую политику прогноза и автозаявок применять к каждой группе.

ABC — по вкладу в оборот. Группа A — небольшая доля позиций, дающая основную часть оборота. Группа B — средний вклад. Группа C — длинный хвост позиций с малым вкладом. Внимание и страховой запас логично концентрировать на A.

XYZ — по стабильности спроса. X — ровный, предсказуемый спрос. Y — спрос с колебаниями и сезонностью. Z — редкий, нерегулярный спрос, который плохо прогнозируется по среднему.

Пересечение осей даёт матрицу, по которой удобно назначать политику:

Смысл матрицы в том, чтобы не относиться ко всем позициям одинаково. Автопилот на позиции группы CZ приведёт к затовариванию хвоста, а ручной контроль каждой позиции AX — к бессмысленной рутине. Прогноз и автозаявки раскрывают потенциал только тогда, когда политика дифференцирована по группам.

Реализация в 1С-Битрикс

Перейдём от концепции к тому, как это собирается на платформе. Хорошая новость: большая часть кирпичиков в 1С-Битрикс уже есть, и задача внедрения — не писать движок прогноза с нуля, а грамотно соединить штатные модули с расчётным слоем и кабинетом дилера.

Опорные компоненты и модули:

• Модуль «Интернет-магазин» и «Торговый каталог». Хранят заказы, товары, цены и остатки. Это первичный источник истории и наличия.
• Обмен с 1С (CommerceML). Штатный протокол, который синхронизирует каталог, остатки, цены и заказы с учётной системой. Через него в прогноз приходят остатки и сроки, а обратно уходят автозаявки как заказы.
• Инфоблоки для расчётных данных. Прогнозные показатели по позициям (среднее потребление, точка заказа, сезонные коэффициенты) удобно хранить в служебном highload-блоке или инфоблоке, связанном с товаром.
• Агенты и очереди. Пересчёт прогноза и формирование автозаявок — фоновые задачи. Их вешают на агенты по расписанию, чтобы тяжёлый расчёт шёл в часы низкой нагрузки.
• Личный кабинет B2B. Витрина, где дилер видит рекомендации, точки заказа и автозаявки. Строится на компонентах каталога и корзины с кастомными блоками рекомендаций.
• Модуль уведомлений и рассылок. Напоминания «пора заказать» и уведомления о готовой автозаявке — по почте, в кабинете и при необходимости в мессенджере.

Схема потоков данных при внедрении выглядит так. Ночью агент пересчитывает прогноз по свежей истории заказов и обновлённым остаткам из 1С. По итогам пересчёта обновляются точки заказа и формируются черновики автозаявок для дилеров, у которых позиции достигли порога. Утром дилер видит в кабинете подсвеченные рекомендации и готовую корзину, проверяет, корректирует и подтверждает. Подтверждённая автозаявка становится обычным заказом и уходит в 1С штатным обменом — дальше она живёт как любой другой заказ.

Отдельного внимания заслуживает кэширование и производительность. Рекомендации — это, по сути, предрасчитанные данные, поэтому их вывод дёшев. Но списки товаров, корзину и панели фильтров стоит кэшировать штатными средствами компонентов, а на витрине с большим числом позиций — включать композитный режим, чтобы статическая часть отдавалась мгновенно. Логика ровно та же, что и для быстрого каталога в рознице.

Как это выглядит в кабинете дилера

Чтобы прогноз работал, он должен быть удобно подан. Дилер не должен разбираться в формулах — он должен видеть понятный список «что заказать» с обоснованием и кнопкой подтверждения. Схематично экран рекомендаций в кабинете выглядит так:

Три принципа хорошего экрана рекомендаций из нашей практики. Во-первых, подсветка сигналов: позиции ниже точки заказа выделяются цветом, чтобы взгляд сразу цеплялся за то, что требует действия. Во-вторых, обоснование рядом: одно короткое пояснение «почему столько» снимает большую часть вопросов и недоверия. В-третьих, минимум кликов до подтверждения: если рекомендация верна в 90% случаев, то и путь до заказа должен быть в один клик, а не через десять экранов.

Обмен с 1С: остатки, сроки, себестоимость

Прогноз, замкнутый только на историю портала, — это половина решения. Он знает спрос, но не знает предложение. Полную картину даёт обмен с учётной системой, и именно интеграция превращает «интересную аналитику» в рабочий инструмент закупки.

Что даёт обмен с 1С прогнозу:

1. Актуальные остатки. Рекомендация ограничивается тем, что реально доступно к отгрузке, и не предлагает заказать то, чего нет.
2. Сроки поставки. Из них считается расход за время доставки — половина формулы точки заказа.
3. Кратность и минимальная партия. Рекомендация округляется до коробов и паллет, а не выдаёт «заказать 47 штук».
4. Себестоимость и цена. Позволяют оценивать замороженные деньги и корректно строить ABC-анализ по обороту, а не по штукам.
5. Обратный поток заказов. Подтверждённые автозаявки уходят в 1С как обычные заказы и дальше обрабатываются штатной логикой учётной системы.

Технически всё это укладывается в типовой обмен по CommerceML, который в 1С-Битрикс работает «из коробки» для каталога, остатков, цен и заказов. Тонкие места обычно не в самом протоколе, а в согласовании справочников: единицы измерения, кратность, соответствие складов. Эти детали стоит проговорить с внедренцем 1С до старта, чтобы данные приходили в том виде, в котором их ждёт расчётный слой. Общие принципы связки Битрикса с учётной системой мы разбираем в рубрике интеграции.

Метрики: как измерять точность прогноза

«Прогноз стал лучше» — субъективное ощущение, пока оно не подкреплено цифрами. Чтобы управлять качеством рекомендаций, нужно измерять и точность самой модели, и её влияние на бизнес. Разделим метрики на две группы.

Точность модели. Насколько прогноз совпал с фактом. Здесь смотрят на среднюю ошибку прогноза по позиции и по группе, на долю позиций, где ошибка вышла за допустимый коридор, и на смещение — систематически ли модель завышает или занижает.

Бизнес-эффект. Что изменилось для дилера и поставщика: уровень дефицита, оборачиваемость запасов, доля неликвида, полнота выполнения заказов.

Особенно показательна доля принятых автозаявок без правок. Если дилер подтверждает корзину как есть — модель попадает в его реальность. Если каждый раз всё переписывает — либо прогноз промахивается, либо не учитывает что-то важное, что дилер знает про свой рынок. Эта метрика — прямая обратная связь для настройки, и следить за ней стоит по группам ассортимента отдельно.

Как внедрять поэтапно, без риска

Соблазн «включить всё сразу» на старте велик, но именно он губит проекты по прогнозированию. Доверие к рекомендациям набирается постепенно, и внедрение должно идти в том же темпе. Рабочая последовательность — от наблюдения к автоматизации.

1. Сбор и очистка истории. Убедитесь, что заказы корректно привязаны к контрагентам и товарам, аномалии помечены, справочники согласованы с 1С.
2. Прогноз в режиме наблюдения. Считайте прогноз и точки заказа, но пока только показывайте их — без автозаявок. Сравнивайте прогноз с фактом, калибруйте методы и коэффициенты.
3. Рекомендации в кабинете. Выведите дилеру список «что заказать» с обоснованием. Собирайте обратную связь: что он правит и почему.
4. Полуавтоматические автозаявки. По группам с устоявшейся точностью формируйте готовую корзину к дате цикла с подтверждением в один клик.
5. Автопилот по стабильным группам. Только там, где модель доказала точность, включайте автоматическую отправку без ручного шага.
6. Постоянная калибровка. Периодически пересматривайте ABC/XYZ, страховые запасы и сезонные коэффициенты — ассортимент и спрос меняются.

Такой поэтапный путь защищает от главного риска — потери доверия. Одна громкая ошибка автозаявки на старте (заказали вагон того, что не нужно) способна похоронить проект в глазах закупщиков. Режим наблюдения и полуавтомат позволяют выловить эти случаи до того, как они станут заказами, и войти в автоматизацию уже с репутацией «система не подводит».

Частые ошибки

• Строят прогноз на «грязной» истории — разовые проектные заказы и распродажи не отфильтрованы и раздувают среднее потребление.
• Применяют один метод ко всему ассортименту — скользящее среднее «размазывает» и сезонные всплески, и редкий нерегулярный спрос.
• Игнорируют остатки поставщика — рекомендуют заказать то, чего физически нет на складе, и подрывают доверие к системе.
• Ставят одинаковый страховой запас на все позиции — важные капризные позиции остаются без буфера, а хвост затоваривается.
• Включают автопилот сразу на весь каталог — первая же ошибка на нерегулярной позиции отбивает у закупщика желание пользоваться прогнозом.
• Не показывают обоснование рекомендации — дилер не понимает, откуда число, не доверяет и перепроверяет вручную, теряя всю экономию времени.
• Не согласовали кратность и единицы измерения с 1С — рекомендации выдаются в штуках вразрез с реальной логистикой коробов и паллет.
• Считают прогноз синхронно при открытии кабинета — тяжёлый расчёт тормозит витрину; правильно считать фоново агентом и только читать готовые числа.

Чек-лист внедрения

Сведём всё в практический список, по которому удобно принимать готовность прогноза и автозаявок перед запуском:

1. История очищена. Заказы привязаны к контрагентам и товарам, аномалии помечены как нерегулярные и исключены из базового расчёта.
2. Данные из 1С приходят. Остатки, сроки поставки, кратность, себестоимость синхронизируются штатным обменом; справочники согласованы.
3. Методы дифференцированы. Ассортимент разложен по ABC/XYZ, к каждой группе назначен свой метод прогноза и политика автозаявок.
4. Точка заказа и буфер настроены. Страховой запас привязан к важности и стабильности позиции, а не задан одним числом на всё.
5. Рекомендации в кабинете понятны. Сигналы подсвечены, обоснование показано, подтверждение — в один клик.
6. Автозаявки идут по зрелости. Старт в режиме рекомендации, автопилот — только по проверенным стабильным группам.
7. Расчёт вынесен в фон. Прогноз считается агентом в часы низкой нагрузки, витрина только читает готовые данные.
8. Метрики отслеживаются. Ошибка прогноза, дефицит, оборачиваемость, неликвид и доля принятых автозаявок измеряются по группам.

Вывод

Прогноз спроса и планирование закупок превращают оптовый заказ из игры на память в управляемый процесс. Система считает потребление по истории, держит актуальную точку заказа, собирает автозаявку и напоминает дилеру заказать вовремя — а закупщик вместо рутины принимает решения только по спорным позициям. В 1С-Битрикс это собирается из штатных модулей каталога, обмена с 1С и кабинета B2B плюс фонового расчётного слоя. Главное — внедрять поэтапно: от наблюдения и рекомендаций к полуавтомату и лишь затем к автопилоту по стабильным группам. Тогда дилеры перестают упираться в дефицит и замораживать деньги в неликвиде, а поставщик получает ровный, предсказуемый спрос.