Анализ структуры запасов - исследование структуры складских запасов по категориям брендам и группам товаров для оценки концентрации капитала в отдельных товарных сегментах

Комплексный подход к анализу структуры запасов предполагает не только агрегированную оценку объема и стоимости запасов, но и детальное понимание того, как распределение запасов по категориям, брендам и группам товаров влияет на капитализацию складских активов. В данной главе рассматриваются архитектура данных, методы сегментации, алгоритмы расчета концентрации капитала и организационные примеры внедрения. Целью является обеспечение управленческих решений по оптимизации ассигнований капитала в запасах и снижению риск-активности в низкоконцентрированных или чрезмерно концентрированных сегментах.

Глава ориентирована на специалистов по анализу товародвижения и запасов, работающих в рамках ERP/WMS-инфраструктур, дата-хаусов и систем управления цепочками поставок. В основе методологии лежит концепция архитектуры данных в сочетании с практическими метриками концентрации капитала, которые позволяют проводить как стратегическую, так и тактическую оценку запасов. В конце главы приведены примеры реализации на уровне прототипа и рекомендации по внедрению.

Архитектура данных и схемы учета запасов
Методы сегментации запасов по категориям брендам и группам
Методы расчета концентрации капитала в запасах
Интеграции и протоколы обмена данными
Реализация на уровне прототипа: архитектура и SQL-запросы
Практические сценарии внедрения и мониторинга

Архитектура данных и схемы учета запасов

Запасы представляют собой цепочку данных, начинающуюся с поступления товаров в систему учета и заканчивающуюся аналитической агрегацией по сегментам. Эффективный анализ структуры запасов требует согласованной и нормализованной модели данных, поддерживающей иерархию категорий, брендов и групп, а также связь с витриной запасов по складам или географическим регионам. В основе архитектуры лежит принцип «звезда» или «снежинка» в хранилище данных: факт запасов (стоимость и количество) связывается с измерениями по SKU, товарной группе, бренду, категории, складу/региону, времени.

Архитектура данных

Фактовые таблицы
- inventory_fact: по каждому SKU на каждый склад и момент времени хранится количество и стоимость запасов.
- stock_movement_fact: записи по приходам и расходам запасов с привязкой к SKU, складу и времени.
Измерения ( dimensions )
- sku_dim: уникальный идентификатор товара, цена, валюта, единицы измерения.
- product_dim: привязка к бренду, группе и категории, атрибуты товара (размер, цвет и пр.).
- brand_dim: бренд.
- category_dim: категория товара. Этапы иерархии: категория → подкатегория → группа товаров.
- group_dim: товарная группа внутри категории.
- warehouse_dim: склад, регион, канал продаж.
- time_dim: календарная и финансовая метрика времени.
Вещательные связи и справочники
- price_dim: цены по времени и валютам.
- exchange_rate_dim: курсы и конвертации при необходимости.

Принципы схемы

Поддерживать изменяемость таблиц измерений (SCD) для сохранения истории изменений атрибутов SKU/брендов.
Использовать историческую таблицу времени (time_dim) с гибкой периодизацией (, месяц, квартал, год).
Обеспечить согласованные бизнес-правила конвертации валют и единиц измерения.

Ввести мостовую таблицу для связей «SKU ↔ Категория-Группа-Бренд» с сохранением иерархической информации для аналитики на разных уровнях агрегации.

-- Пример упрощённой DDL-структуры (упрощено для иллюстрации)
CREATE TABLE time_dim (
  time_id INT PRIMARY KEY,
  date DATE,
  year INT,
  quarter INT,
  month INT
);

CREATE TABLE warehouse_dim (
  warehouse_id INT PRIMARY KEY,
  name VARCHAR(100),
  region VARCHAR(50)
);

CREATE TABLE brand_dim (
  brand_id INT PRIMARY KEY,
  name VARCHAR(100)
);

CREATE TABLE category_dim (
  category_id INT PRIMARY KEY,
  name VARCHAR(100),
  parent_category_id INT NULL
);

CREATE TABLE group_dim (
  group_id INT PRIMARY KEY,
  category_id INT,
  name VARCHAR(100),
  FOREIGN KEY (category_id) REFERENCES category_dim(category_id)
);

CREATE TABLE sku_dim (
  sku_id INT PRIMARY KEY,
  code VARCHAR(50),
  name VARCHAR(200),
  brand_id INT,
  group_id INT,
  category_id INT,
  unit_cost DECIMAL(18,4),
  currency VARCHAR(3),
## FOREIGN KEY (brand_id) REFERENCES brand_dim(brand_id),
## FOREIGN KEY (group_id) REFERENCES group_dim(group_id),
  FOREIGN KEY (category_id) REFERENCES category_dim(category_id)
);

CREATE TABLE inventory_fact (
  inventory_id BIGINT PRIMARY KEY,
  time_id INT,
  sku_id INT,
  warehouse_id INT,
  quantity INT,
  total_value DECIMAL(18,4),
## FOREIGN KEY (time_id) REFERENCES time_dim(time_id),
## FOREIGN KEY (sku_id) REFERENCES sku_dim(sku_id),
  FOREIGN KEY (warehouse_id) REFERENCES warehouse_dim(warehouse_id)
);

CREATE TABLE stock_movement_fact (
  movement_id BIGINT PRIMARY KEY,
  time_id INT,
  sku_id INT,
  warehouse_id INT,
  movement_type VARCHAR(20),
  quantity INT,
  unit_cost DECIMAL(18,4),
## FOREIGN KEY (time_id) REFERENCES time_dim(time_id),
## FOREIGN KEY (sku_id) REFERENCES sku_dim(sku_id),
  FOREIGN KEY (warehouse_id) REFERENCES warehouse_dim(warehouse_id)
);

Данные должны поступать в warehouse/data lake через ETL/ELT-пайплайн с применением валидаций на входе: проверка соответствия кодов SKU, регулярные проверки целостности ссылок, единиц измерения и курсов валют. Архитектура допускает агрегацию на уровне склада, региона, бренда и группы, что критично для анализа «концентрации капитала» на разных уровнях детализации.

Интеграционные протоколы

Источники данных: ERP (поставки), WMS (остатки), POS/лазерные продажи, MRP.
Каналы передачи: пакетные задания (ETL) или поточное CDC через брокеры событий (например, Kafka).
Контроль качества: профили данных, валидность связей, контрольные суммы, согласование валют.
Метаданные и словарь: централизованный реестр схем, данные по единицам измерения и курсам валют, описание бизнес-переменных.

Методы сегментации запасов по категориям брендам и группам

Сегментация запасов на уровне категорий, брендов и групп позволяет перейти от операционного учета к аналитике капитала, распределенного по «товарным сегментам». Очевидный стимул - понять, в каких сегментах капитал запаса «сконцентрирован» и где требуются шаги по оптимизации: перераспределение, сокращение избыточного запаса, задержка инновационных товарных позиций и т. п.

Подход к сегментации

Определение hög-уровня сегмента: сегментируем по комбинации category_dim → brand_dim → group_dim. Внутри сегмента можно дополнительно учитывать регион/склад, сезонность и цену.
Выбор метрики для сегментации: стоимость запасов (total_value) и количество (quantity) по SKU на складе. В большинстве случаев для оценки капитала правильнее использовать стоимость запасов, так как именно она отражает капитальные вложения.
Уровни агрегации: сегменты могут существовать на уровне группы и на уровне категории, а также на уровне бренда в рамках группы. Выбор уровня зависит от целей управленческих решений.

Алгоритм построения сегментов

Шаг 1. Определить иерархии: формализовать связь категорий, групп и брендов, обеспечить единообразие в названиях и идентификаторах.
Шаг 2. Расчет характеристик сегментов: для каждого сегмента посчитать общую стоимость запасов, общую величину запасов, среднюю цену за единицу и среднюю возрастность запасов.
Шаг 3. Определить пороги концентрации: выбрать пороговые значения для концентрации капитала (например, топ-20% сегментов по стоимости запасов должны покрывать 80% капитала). Это позволяет выделить «критические» сегменты.
Шаг 4. Идентификация рисков и возможностей: сегменты с высокой концентрацией капитала требуют контроля оборачиваемости и риска устаревания; сегменты с низкой концентрацией - возможно, требуют диверсификации поставщиков или оптимизации ассортимента.
Шаг 5. Визуализация и дашборды: отобразить распределение запасов по сегментам в виде тепловых карт, кластеризации и графиков изменения концентрации во времени.

Метрики и формулировки

Доля сегмента S по стоимости запасов: share_value(S) = value(S) / total_inventory_value.
Нормализованный индекс концентрации: HHI_S = sum_i (share_value_i(S))^2, где i - SKU внутри сегмента S.
Доля топ-N SKU по стоимости внутри сегмента: top_N_sharevalue(S) = sum{i in top N by value in S} value(i) / value(S).

Средний возраст запасов (days_of_inventory) внутри сегмента: A_S = среднее время нахождения запасов в сегменте.

-- Пример SQL-запроса для построения сегментов и расчета концентрации капитала
-- Допустим, inventory_fact содержит quantity и total_value (в базовой валюте) и sku_dim содержит бренд/группу/категорию.

SELECT
  s.segment_key,
  s.category_id,
  s.brand_id,
  s.group_id,
  SUM(i.total_value) AS segment_value,
## SUM(i.quantity) AS segment_quantity,
  AVG(i_age.days_in_inventory) AS avg_days_in_inventory
FROM (
  SELECT
    cd.category_id,
    bd.brand_id,
    gd.group_id,
    CONCAT(cd.category_id, '-', bd.brand_id, '-', gd.group_id) AS segment_key
## FROM sku_dim sd
  JOIN category_dim cd ON sd.category_id = cd.category_id
  JOIN brand_dim bd ON sd.brand_id = bd.brand_id
  JOIN group_dim gd ON sd.group_id = gd.group_id
  GROUP BY cd.category_id, bd.brand_id, gd.group_id
) AS s
## JOIN inventory_fact i
  ON i.sku_id = (SELECT sku_id FROM sku_dim WHERE sku_dim.brand_id = s.brand_id
                 AND sku_dim.group_id = s.group_id
                 AND sku_dim.category_id = s.category_id
                 LIMIT 1) -- упрощение для примера
GROUP BY s.segment_key, s.category_id, s.brand_id, s.group_id;

В реальной реализации следует строить сегменты не через подзапрос в JOIN, а через предсозданные представления или матрицы размерности, чтобы обеспечить корректное соединение по конкретному SKU и корректную агрегацию по всем SKU внутри сегмента. Далее по каждому сегменту рассчитываются показатели концентрации, в том числе HHI, доля топ-N SKU и другие показатели риска.

Пример реализации расчетов концентрации

Вычисление долей по сегменту: для каждого сегмента суммируем total_value по SKU и делим на segment_value.

Расчет HHI: для каждого сегмента sums значений долей квадратов. В рамках SQL можно реализовать оконные функции и агрегаты, а для сложной логики - перенести расчеты в аналитическое окружение (Python, Spark).

-- Пример упрощенной вычисляемой логики HHI внутри сегмента для топ-N SKU
WITH segment_values AS (
  SELECT
    s.segment_key,
    i.sku_id,
    SUM(i.total_value) AS sku_value
  FROM inventory_fact i
  JOIN sku_dim sd ON i.sku_id = sd.sku_id
## JOIN (
    SELECT DISTINCT CONCAT(category_id, '-', brand_id, '-', group_id) AS segment_key,
           category_id, brand_id, group_id
## FROM sku_dim
  ) AS s ON sd.category_id = s.category_id AND sd.brand_id = s.brand_id AND sd.group_id = s.group_id
  GROUP BY s.segment_key, i.sku_id
),
total_segment AS (
  SELECT segment_key, SUM(sku_value) AS total_value
  FROM segment_values
  GROUP BY segment_key
),
seg_shares AS (
  SELECT
    sv.segment_key,
    sv.sku_value,
    ts.total_value,
    sv.sku_value / ts.total_value AS share
## FROM segment_values sv
  JOIN total_segment ts ON sv.segment_key = ts.segment_key
),
hhis AS (
  SELECT
    segment_key,
    SUM(share * share) AS hhi
  FROM seg_shares
  GROUP BY segment_key
)
SELECT * FROM hhis;

Эти расчеты позволяют оперативно отслеживать, в каких сегментах запас распределен более равномерно, а где - заметно сконцентрирован вокруг небольшого числа позиций. В зависимости от целей анализа можно расширить набор метрик: оборачиваемость (turnover) внутри сегмента, возраст запасов и риск устаревания по классам товара, чувствительность к колебаниям спроса.

Методы расчета концентрации капитала в запасах

Понимание того, как распределяется стоимость запасов по сегментам, требует применения конкретных метрик, которые позволят перейти от описательной статистики к управленческим решениям. Ниже приведены ключевые подходы и их обоснование.

Метрики и выбор формул

Доля сегмента по стоимости: share_value(S) = value(S) / total_inventory_value. Это базовый показатель, который позволяет увидеть, какие сегменты занимают доминирующую долю капитала.
Индекс концентрации (HHI): HHI_S = sum_i (share_value_i(S))^2 по всем SKU внутри сегмента S. Более высокие значения указывают на большую концентрацию капитала в относительно узком наборе позиций.
Доля топ-N SKU: top_N_sharevalue(S) = sum{i in Top-N(S)} value(i) / value(S). Важна для выявления «критических» позиций, которые требуют особого мониторинга.
Оборачиваемость внутри сегмента: turnover_S = value_of_sales_S / average_inventory_value_S. Этот показатель демонстрирует, как быстро запас в сегменте может быть превращен в выручку, и позволяет оценить риски застоя капитала.
Возраст запасов внутри сегмента: days_in_inventory_S = (сумма возраста запасов по сегменту) / segment_quantity. Помогает определить, какие сегменты требуют ускорения оборачиваемости.

Выбор методологии

Встроенная аналитика в BI: быстрый доступ к сегментам и их концентрации без переноса больших объемов данных, использование предикатов и фильтров.
Аналитика в дата-лате: для сложной многомерной агрегации и кросс-аналитических сценариев, включая симуляцию изменений ассортимента.
Публикационные метрики: создание общих стандартов определения сегментов и их порогов концентрации, документирование правил расчета и внедрение через единый репозиторий визуализации.

Примеры сценариев использования

Контроль капитала: сегменты с очень высоким HHI требуют ограничений на закупку и планирования - приоритет для перераспределения запасов.
Оптимизация ассортимента: сегменты с низкой оборачиваемостью и высоким значением требуют анализа поставщиков и условий поставки.
Мониторинг изменений во времени: отслеживание динамики сегментов позволяет выявлять тенденции - рост концентрирования или разрушение устоявшейся структуры.

Интеграции и протоколы обмена данными

Эффективный анализ требует надежной передачи данных между источниками, площадками хранения и аналитическими инструментами. Необходимы принципы совместимости, форматы обмена и четкие контрактные соглашения по данным.

Платформа и протоколы

Потоковая передача данных: использование Apache Kafka или эквивалентных систем сообщений для событий по приходам/расходам запасов и обновлениям в прайсах.
Оркестрация и преобразование: Apache Airflow или подобные оркестраторы для планирования ETL/ELT-процессов. Визуализация DAG и контроль версий скриптов трансформаций.
Хранилище и аналитика: Data Lake → Data Warehouse → OLAP-кубы. Выбор технологий - в зависимости от объема данных и требований к скорости анализа (Open-source vs проприетарные решения).
Управление качеством данных: валидации на входе, сверки агрегированных значений, контроль согласованности измерений и валют.

Принципы качества и управления

Нормализация и единообразие: единицы измерения, валюты и иерархии должны быть понятны и единообразны на уровне всего пайплайна.
Контракты данных: четко задокументированные схемы, форматы и частота обновлений между системами.
Метаданные и словарь: единый словарь объектов, атрибутов и правил трансформации.

Пример инфраструктурного контура

Источники: ERP, WMS, POS.
Пайплайн: CDC или периодический ETL → stages: raw → cleansed → conform → aggregated.
Целевая зона аналитики: бизнес-слой BI и аналитический слой в дата-центре/облаке.
Мониторинг и качество: линтеры схем, проверки целостности, аудит данных, алертинг об отклонениях.

Реализация на уровне прототипа: архитектура и SQL-запросы

Для наглядности предлагается прототипная реализация, которая может быть внедрена на раннем этапе проекта. Ниже приведены примеры структурирования данных и типовых запросов для расчета концентрации капитала по сегментам.

Архитектура прототипа

Источник данных: серия файлов/потоки в формате параллельных обновлений по SKU с привязкой к бренд- и категориальным атрибутам.
Модель: денормализованный слой, где по каждому сегменту агрегируются данные: сегмент, стоимость запасов, количество, возраст запасов и пр.
Инструменты: база данных с OLAP-способностями или столбцовая база; язык SQL для агрегаций; Python (pandas) для сложных вычислений и визуализации.

Примеры кода

-- Пример DDL-структуры для прототипа (упрощённый)
CREATE TABLE inventory (
  sku_id INT,
  warehouse_id INT,
  time_id INT,
  quantity INT,
  total_value DECIMAL(18,4)
);

CREATE TABLE sku_attr (
  sku_id INT,
  brand_id INT,
  group_id INT,
  category_id INT
);

CREATE TABLE time_master (
  time_id INT,
  date DATE
);

-- Пример Python-псевдокода для расчета HHI по сегментам
import pandas as pd

## data: DataFrame с колонками segment_key, sku_id, value
## value — стоимость запасов конкретного SKU в сегменте на заданное время
def compute_hhi_by_segment(data):
    seg_groups = data.groupby('segment_key')
    hhi_results = []
    for seg_key, df in seg_groups:
        total = df['value'].sum()
        if total == 0:
            hhi = 0
        else:
            df = df.copy()
            df['share'] = df['value'] / total
            hhi = (df['share'] ** 2).sum()
        hhi_results.append({'segment_key': seg_key, 'hhi': hhi})
    return pd.DataFrame(hhi_results)

-- Пример SQL-запроса для расчета общего значения и долей по сегментам
WITH seg AS (
  SELECT
    CONCAT(k.category_id, '-', k.brand_id, '-', k.group_id) AS segment_key,
    SUM(i.total_value) AS segment_value,
    SUM(i.quantity) AS segment_quantity
  FROM inventory i
  JOIN sku_attr k ON i.sku_id = k.sku_id
  GROUP BY segment_key
),
seg_with_sku AS (
  SELECT
    CONCAT(k.category_id, '-', k.brand_id, '-', k.group_id) AS segment_key,
    i.sku_id,
    SUM(i.total_value) AS sku_value
  FROM inventory i
  JOIN sku_attr k ON i.sku_id = k.sku_id
  GROUP BY segment_key, i.sku_id
),
total AS (
  SELECT segment_key, SUM(sku_value) AS segment_total
  FROM seg_with_sku
  GROUP BY segment_key
)
SELECT
  t.segment_key,
  t.segment_total,
  s.sku_id,
  s.sku_value,
  s.sku_value / t.segment_total AS sku_share
## FROM total t
JOIN seg_with_sku s ON t.segment_key = s.segment_key
ORDER BY t.segment_key, s.sku_value DESC;

Пример выше иллюстрирует базовые подходы к агрегации и расчету долей по сегментам. В реальной системе следует автоматизировать построение сегментов через метаданные и не допускать расчеты «наживую» по временным отрывкам без окон жа. Важно сохранять хозяйственный контекст: учитывать валюту, курсы, и временные срезы для корректного сравнения по периодам.

Практические сценарии внедрения и мониторинга

Внедрение анализа структуры запасов начинается с пилотной зоны, где можно проверить гипотезы, связанные с концентрацией капитала. Ниже приведены ключевые шаги и принципы мониторинга.

Этап 1: формализация и настройка иерархии. Определение категорий, групп и брендов, настройка связей и управление изменениями в структуре товарной номенклатуры.
Этап 2: сбор и валидация данных. Настройка пайплайнов, проверок целостности и соответствия данных между системами.
Этап 3: построение базовых метрик. Расчет доли сегментов, HHI, топ-N долей. Ввод мониторинга изменений во времени.
Этап 4: визуализация и интерпретация. Интеграция с BI-дашбордом и предоставление управленческих выводов по сегментам.
Этап 5: организационные изменения. Введение процессов корректировки ассортимента и закупок на основе результатов анализа.
Этап 6: устойчивость и развитие. Постепенная реконфигурация бизнес-процессов, внедрение расширенного управляемого процесса.

Мониторинг должен сочетать автоматизированные оповещения и периодические проверки. В контексте анализа структуры запасов критично поддерживать синхронность данных между ERP/WMS и аналитическими системами, чтобы любые изменения в иерархии или новых брендах корректно отражались в сегментах и метриках. Следует внедрять политики качества: валидность значений, устойчивость к дубликатам, проверку валидности цепочек соответствий между SKU и его атрибутами.

Key takeaways

Анализ структуры запасов требует продуманной архитектуры данных с поддержкой иерархий категорий, групп и брендов и со связями к складам и времени.
Сегментация запасов по категориям, брендам и группам позволяет оценивать концентрацию капитала и управлять рисками устаревания и неэффективности запасов.
Метрики концентрации капитала, включая доли по сегменту и HHI, дают основу для управленческих решений по перераспределению запасов и оптимизации ассортимента.
Интеграции должны поддерживать качество данных, согласование валют и единиц измерения, а также надёжную передачу данных через watcher-пайплайны и мониторинг качества.
Реализация на практике требует прототипирования, использования SQL-аналитики и, при необходимости, внешних инструментов (Python, Spark) для сложной обработки и визуализации.
Внедрение должно сопровождаться управленческими изменениями: изменение процессов закупок, управления ассортиментом и контроля за оборачиваемостью.
Периодический аудит и обновление иерархий, а также постоянная настройка порогов концентрации позволяют поддерживать релевантность и точность моделей.

FAQ

Какой уровень детализации сегментов наиболее полезен для управленческих решений?

В начальном этапе целесообразно начинать с сегментов на уровне группы в рамках категорий и брендов, чтобы получить управляемые блоки анализа. Затем можно переходить к более детальным сегментам по брендам внутри конкретных категорий, если требуется дополнительная точность для поддержки закупок и ассортимента.

Какие риски возникают при слишком высокой концентрации капитала в сегменте?

Основные риски - устаревание и снижение ликвидности, уязвимость к изменению спроса, зависимость от ограниченного числа поставщиков. В этом случае следует рассмотреть перераспределение запасов, контрактные меры, ускорение оборачиваемости и диверсификацию ассортимента.

Как учесть мультивалютность и курсовые риски в расчете стоимости запасов по сегментам?

Важно привести данные к единой базовой валюте на уровне временного интервала. Необходимо фиксировать курсы валют в time_dim и применять конвертации в момент расчета значений запасов, чтобы доли и HHI отражали реальную капитализацию без искажений из-за курсов.

Какие данные необходимы для точного расчета HHI по сегменту?

Необходима детализация по SKU внутри сегмента: их стоимость или продажная стоимость за период, и возможность агрегации по сегментам. Важно, чтобы каждая позиция SKU корректно относилась к своему сегменту через атрибуты бренда, группы и категории.

Какие инфраструктурные технологии рекомендуются для реализации прототипа?

Рекомендуются: для потоков данных - Apache Kafka; для оркестрации - Apache Airflow; для аналитики - современное хранилище данных (OLAP) и SQL-аналитика; для сложной обработки - Python/Pandas или Spark. Можно использовать открытые решения и сочетать их с проприетарными данными в рамках операционной архитектуры.

Как обеспечить качество данных и согласование между системами?

Необходимо внедрить контракты данных между источниками и аналитическими слоями, наборы правил валидации на входе, мониторинг целостности и периодический аудит изменений в иерархиях. Также следует поддерживать единый словарь измерений и атрибутов.

Какие шаги следует предпринять в ходе пилотного проекта?

Определить цели пилота: например, выявление сегментов с высокой концентрацией и тестирование мер по перераспределению запасов. Построить минимальный набор измерений, собрать данные, провести расчеты и визуализацию, проверить результативность в реальных управленческих сценариях и подготовить план масштабирования.

Как внедрить расчеты в BI-пайплайн?

Расчеты следует разместить в ETL/ELT-слое или в OLAP-кубе, чтобы обеспечивать повторяемость и скорость доступа. Визуализация должна позволять пользователю фильтровать по сегментам и просматривать динамику изменений за выбранный период.

Что делать, если данные по категории/бренду обновляются редко?

Важно обеспечить корректный учет изменений в иерархии и историю. Необходимо хранить версионность атрибутов и поддерживать временные срезы для анализа по конкретным моментам времени, чтобы не терять контекст.

Каковы способы визуализации для отслеживания структуры запасов?

Эффективны тепловые карты, гистограммы по сегментам, графики изменений HHI во времени, столбчатые диаграммы по долям сегментов и панели мониторинга для топ-N сегментов по стоимости. Важно обеспечить интерактивность и возможность быстрого переключения между уровнями детализации.

← Предыдущая статья

Анализ динамики запасов во времени: исследование по складам и категориям товаров

Следующая статья →

Анализ оборачиваемости запасов: расчет скорости продажи и времени нахождения товара на складе для выявления медленно оборачиваемых позиций