Как система прогнозирования спроса для сетевых аптек сокращает дефицит на 40%

Аптечный ритейл теряет до **12% выручки** из-за дефектуры ходовых позиций и замораживает средства в неликвиде. Команда ZORKA проектирует ML-контуры прогнозирования спроса, которые связывают кассовую историю с внешними факторами и сокращают out-of-stock на 40%.

Как система прогнозирования спроса для сетевых аптек сокращает дефицит на 40%
Архитектура веб-решений студии ZORKA
Ключевые параметры проекта
Снижение дефектуры - 40% ликвидация упущенных продаж ходовых SKU
Точность прогноза (WAPE) 89% на горизонте планирования 14 дней
Высвобождение оборотки 18.5 млн руб средняя экономия на сеть из 120 аптек
Срок пилотного запуска 6 недель до первых калиброванных автозаказов

Аптечный ритейл теряет до 12% выручки из-за дефектуры ходовых позиций и замораживает средства в неликвиде. Команда ZORKA проектирует ML-контуры прогнозирования спроса, которые связывают кассовую историю с внешними факторами и сокращают out-of-stock на 40%.

01

Почему классический расчет min-max создает дефицит в сезон простуд

Сетевая фарма управляет каталогом от 15 000 SKU, где у большинства позиций прерывистый спрос и жесткие сроки годности. Стандартные модули 1C опираются на скользящее среднее, поэтому стабильно опаздывают при резких всплесках заболеваемости на 5-7 дней.

Аптека встречает эпидемический пик с пустыми полками по ключевым противовирусным позициям. Заведующие точками начинают панически завышать ручной заказ, замораживая до 3.8 млн рублей на одну аптеку в мертвом стоке.

Инженерная рекомендация ZORKA:

Изолируйте расчет базового спроса от сезонных шоков, объединяя аптеки в динамические кластеры по профилю чека и плотности трафика.

02

Пайплайн сбора данных: кассы, внешние триггеры и остатки дистрибьюторов

ML-платформа ZORKA собирает в аналитическом хранилище ClickHouse чековую историю за 3 года, температурные колебания и локальные тренды поисковых запросов по симптомам. Через API национальных дистрибьюторов система в реальном времени проверяет фактические складские остатки и закупочные цены.

Потоковая обработка событий через Apache Kafka обновляет расчет потребности каждые 4 часа вместо долгого ночного пересчета. Локальная вспышка ОРВИ в микрорайоне автоматически корректирует страховой запас для соседних филиалов за 10 минут.

Архитектурный инсайт:

Храните сырые транзакции чеков отдельно от витрин агрегатов, чтобы дообучать модели машинного обучения без деградации скорости ERP.

03

Гибридное прогнозирование: ансамбли LightGBM и партионный учет FEFO

Для регулярных препаратов с высокой оборачиваемостью ZORKA применяет градиентный бустинг с генерацией десятков календарных признаков. Для редких рецептурных медикаментов алгоритм подключает вероятностные модели Кростона, отсекая ложные нули в статистике выбытия.

В оптимизатор заказа жестко встроены правила матрицы FEFO и минимальные кванты заводских поставок. Алгоритм не закажет оптовую партию, если расчетная скорость продаж грозит списанием медикаментов по истечению срока годности.

Инженерный стандарт ZORKA:

Задавайте асимметричный штраф за дефицит: для маржинальных позиций цена упущенной продажи в 3 раза превышает затраты на хранение избыточного запаса.

04

Интеграция с учетными системами и сквозной автозаказ медикаментов

Сформированная матрица потребностей поступает напрямую в 1C или SAP через изолированный REST API сервис. Заведующий аптекой получает готовый электронный документ, где 85% позиций распределяются автоматически без ручной рутины товароведа.

Система распределяет строки заявки между фармпоставщиками по критерию лучшей цены с учетом контрактных ретро-бонусов сети. Ручной контроль сохраняется только для списков ЖНВЛП с предельными государственными надбавками.

Бизнес-эффект:

Сроки оборачиваемости запасов сокращаются с 44 до 28 дней, а трудозатраты отдела снабжения снижаются на 70% уже в первый квартал.

Ручной заказ и стандартный расчет min-max в 1C
  • Статичный расчет страхового запаса без учета погодных факторов и эпидемий
  • Постоянный дефицит ходовых препаратов до 18% ассортиментной матрицы
  • До 4 часов ежедневной ручной работы заведующего с таблицами заказов
  • Списания просроченных медикаментов из-за отсутствия контроля сроков FEFO
Система прогнозирования спроса от студии ZORKA
  • Многофакторный прогноз на базе ML с подтвержденной точностью от 88%
  • Сокращение дефектуры на 40% с сохранением среднего чека в сезонные пики
  • Автоматическая отправка 85% заказов дистрибьюторам по прямому API
  • Сквозной контроль сроков годности партий и минимизация списаний неликвида
Аудит данных и развертывание хранилища Фаза 1 10-14 дней
  • Выгрузка и нормализация чековых логов из учетной системы за 24 месяца
  • Развертывание аналитической базы ClickHouse и настройка коннекторов данных
Обучение ML-моделей и пилот на выборке аптек Фаза 2 3-4 недели
  • Обучение и калибровка моделей под локальные кластеры аптечных точек
  • Запуск A/B-теста автозаказа на 15 пилотных аптеках сети
Интеграция с поставщиками и тиражирование на сеть Фаза 3 2 недели
  • Подключение шлюзов автозаказа через API фармдистрибьюторов
  • Масштабирование сервиса на все торговые точки и настройка дашбордов контроля

Часто задаваемые вопросы

Алгоритмы ZORKA анализируют складские прайс-листы поставщиков в реальном времени. Если нужный препарат исчезает из цепочки поставок, система рекомендует закупку прямых МНН-аналогов и перераспределяет прогнозный спрос без потери выручки аптеки.

Нет, конфигурация 1С остается типовой. Платформа ZORKA работает в виде внешнего микросервиса, который забирает обезличенные чековые логи через регламентное задание и возвращает готовые документы заказов в стандартные таблицы.

Обсудить ваш проект с командой ZORKA

Проведем экспертный бриф, предложим оптимальный стек и составим прозрачную смету за 2 дня.

Обсудить проект