100 магазинов: снижение списаний на 76% за 30 дней

Контекст и проблема

Региональная продуктовая сеть из 100 магазинов (под брендом «Добринский» / Natali Plus) столкнулась с уровнем списаний свежих продуктов в 5,8% от выручки категории — почти в четыре раза выше отраслевого ориентира в 1–2%. Существующая система пополнения в ERP строилась на статических точках дозаказа и еженедельной ручной проверке закупщиков.

Наличие товара на полке опустилось до 70%, напрямую порождая дефицит, который выталкивал покупателей к конкурентам. Команда операций оценивала прямые потери от списаний в 170 000 долларов в год — без учёта упущенных продаж из-за пустых полок.

Почему ручное пополнение давало сбой

Команда закупок была компетентной, но работала в рамках структурных ограничений инструментов:

• Пакетное обновление данных — остатки пересчитывались раз в ночь, и заказы размещались по данным суточной давности в динамичной свежей среде.
• Нет кривых спроса на уровне SKU — каждая SKU управлялась одной и той же логикой дозаказа, игнорируя принципиально разные профили спроса на молоко, клубнику и упакованные салаты.
• Нет обратной связи — когда заказ приводил к списанию, этот сигнал никогда не возвращался в систему для улучшения следующего заказа. Одни и те же ошибки повторялись каждую неделю.

Структура пилота

Пилот проводился одновременно во всех 100 магазинах в течение 30 дней. Bright Minds AI интегрировался напрямую с ERP сети через API, забирая скорость продаж в реальном времени, остатки на складе и сроки поставок. Не потребовалось ни хранилища данных, ни отдельной команды аналитиков.

ИИ-модель обучалась на 18 месяцах исторических данных о продажах в разрезе форматов магазинов, типов локаций и товарных категорий. С первого дня модель генерировала ежедневные рекомендации по пополнению, которые команда закупок просматривала и утверждала перед отправкой.

Ключевые решения по настройке:

• В первые две недели приоритет — свежие продукты, молочная и хлебобулочная продукция
• Минимальные объёмы заказа и ограничения поставщиков включены в механизм рекомендаций
• Выделенная панель показывала уровень списаний и наличие на полке по каждому магазину, обновляясь ежедневно

Результаты: верификация на 30-й день

Все показатели измерялись относительно базового периода — 30 дней, непосредственно предшествовавших старту пилота.

Списания: 5,8% → 1,4%

Списания свежих продуктов сократились с 5,8% до 1,4% от выручки категории — снижение на 76%. Наибольший вклад внесли высокоскоропортящиеся категории: ягоды, нарезанные салаты и свежая выпечка. Эти три подкатегории обеспечили 68% суммарного снижения списаний.

Наличие на полке: 70% → 91,8%

Наличие товара выросло с 70% до 91,8% — прирост на 21,8 процентных пункта. Этого удалось достичь благодаря выявлению ИИ систематического недозаказа по 34 высокоскоростным SKU, которые при ручном управлении хронически недопоставлялись в пиковые дни (четверг–воскресенье).

Рост продаж: +24% за 30 дней

Суммарные продажи в свежих категориях выросли на 24% за аналогичный период. Руководство связало это прежде всего с улучшением наличия — покупатели, ранее отказывавшиеся от визита из-за пустых полок, стали находить товар в наличии. Никаких промоакций или ценовых изменений в период пилота не проводилось.

Что сказала операционная команда

«В первую неделю наш закупщик говорила, что рекомендации выглядят слишком агрессивно. К третьей неделе она просила нас увеличить полномочия модели. Цифры оказались верными, и она это признала.»

— Директор по операциям, Добринский / Natali Plus

Что было дальше

После 30-дневного пилота сеть перешла к полному развёртыванию во всех 100 магазинах и расширила ИИ-модель на категории бакалеи, напитков и товаров для дома. Команда закупок теперь тратит около 30 минут в день на просмотр рекомендаций ИИ вместо 3–4 часов ручного составления заказов.