МОДУЛЬ 1. Введение в проблему Out-of-Stock (OOS)
Цель модуля
Понять суть и бизнес-важность Out-of-Stock (OOS) в розничной торговле, научиться классифицировать типы OOS, измерять их влияние и подготовить фундамент для последующей автоматизации через BI-системы и хранилища данных.
Что такое Out-of-Stock
Out-of-Stock (OOS) — ситуация, когда товар, который должен быть доступен для продажи, отсутствует на полке, либо в магазине в целом. Это приводит к:
- потерям продаж и прибыли;
- потере лояльности клиента;
- искажению прогноза спроса;
- увеличению затрат на персонал и логистику.
Ключевые типы OOS:
|
Тип |
Описание |
|---|---|
|
Store OOS |
Товара нет в магазине (ошибка заказа, прогноза, доставки). |
|
Shelf OOS |
Товар есть в магазине, но не выложен на полку (ошибка в операциях). |
Метрики и формулы оценки OOS
Для автоматизации контроля OOS в DWH/BI необходимо понимать атрибуты OOS-событий и как их считать.
Базовые метрики:
|
Метрика |
Формула |
Пояснение |
|---|---|---|
|
Item OOS Event Rate |
Кол-во событий OOS / Период |
Сколько раз товар был недоступен |
|
Category OOS Rate |
OOS SKU в категории / Всего SKU категории |
Часто измеряется в аудите |
|
OOS Duration Rate |
∑(время OOS) / (∑ доступного времени торговли) |
Доля времени недоступности |
|
Shelf Availability Rate |
100% – OOS Duration Rate |
Противоположная метрика |
|
Lost Unit Sales Rate |
Потерянные продажи (шт) / (Проданные + Потерянные) |
Сколько не продали |
|
Lost Monetary Sales Rate |
Потерянная выручка / (Выручка + Потери) |
Сколько денег потеряли |
|
OOS Customer Impact Rate |
1 – ((Ожидаемые корзины – Факт корзины) / Ожидаемые корзины) |
Сколько клиентов пострадали |
Пример расчета:
Товар X был OOS 10 часов за неделю, магазин открыт 84 часа:
OOS Duration Rate = 10 / 84 = 11.9%,
Shelf Availability = 100% - 11.9% = 88.1%.
Причины возникновения OOS
Исследование Gruen & Corsten показало, что 75% причин OOS находятся внутри магазина. Основные из них:
Store OOS (47%):
- Неверный прогноз спроса.
- Ошибки в PI-системе (phantom inventory).
- Низкий fill-rate от поставщика.
- Проблемы с расписанием поставок.
Shelf OOS (25%):
- Товар на складе магазина, но не выложен.
- Персонал не успел пополнить полку.
- Нарушение планограммы.
- Мерчендайзер заполнил «пустое место» другим товаром.
Влияние на бизнес: прямые и косвенные потери
|
Потери |
Ритейлер |
Производитель |
|---|---|---|
|
Прямые продажи |
−4% к обороту |
−$23M на $1B продаж |
|
Лояльность |
Потеря клиента |
Потеря доли бренда |
|
Персонал |
Время на поиск товара |
Неплановые визиты |
|
Прогноз |
Искажение прогноза |
Искажение спроса |
|
Данные |
Искажение статистики POS |
Проблемы с Trade Marketing |
Пример: магазин с оборотом 300 млн ₽ теряет около 12 млн ₽ в год на OOS. А если учесть непрямые издержки, потери могут быть в 2–3 раза выше.
Поведение покупателей при OOS (на основе 72 000 наблюдений)
|
Реакция |
% случаев |
|---|---|
|
Купил в другом магазине |
31% |
|
Заменил другим брендом |
26% |
|
Заменил в рамках бренда |
19% |
|
Отложил покупку |
15% |
|
Не купил вовсе |
9% |
BI-аналитика может предсказать риски churn’а и перераспределения трафика на основе этой модели.
Как BI и DWH могут помочь уже на этом этапе
|
Возможность |
Решение в BI и DWH |
|---|---|
|
Расчет всех видов OOS |
SQL + витрины фактов продаж и остатков |
|
Сравнение с планограммой |
BI + планограмма в DWH (или через ETL из Excel/POG) |
|
Оценка потерь |
Lost sales витрина по SKU/Store/Day |
|
Автоматическое выявление паттернов |
ML + BI-дашборды с типовыми аномалиями |
|
Визуализация проблемных точек |
Геокарта с зонами с высоким OOS |
|
Прогнозирование потенциальных OOS |
ML-модель с фичами: день, промо, погода, праздники, SKU-сезонность |
Практический пример
Сценарий: сеть супермаркетов на 100 магазинов.
- Источники данных: POS, ERP, WMS, Excel-планограммы.
- Строится витрина OOS_Fact с измерениями: Store, SKU, Date.
- BI-дизайн: диаграмма по Shelf Availability + тепловая карта по Lost Sales.
- Вывод: 20% SKU дают 80% потерь → фокус на них.
- Автоматизация: оповещение, если Shelf Availability < 85% по KVI-SKU.
Как работать с рисками на этом этапе
|
Риск |
Меры противодействия |
|---|---|
|
Низкое качество данных |
Использование Data Quality Rules в ETL |
|
Отсутствие единого определения OOS |
Унификация терминов и атрибутов в бизнес-словаре |
|
Неучтённые скрытые остатки |
Использование RFID/инвентаризации/AI-распознавания |
|
Неточность POS по причине возвратов |
Очистка и корректировка исторических данных |
|
Невовлеченность персонала |
Внедрение KPI по снижению OOS, обучение |
Выводы модуля
- OOS — не просто временное отсутствие товара, а системная ошибка данных, прогнозов и процессов.
- BI и DWH дают возможность измерить, интерпретировать и устранить OOS.
- Метрики, классификация и понимание причин — фундамент для автоматизации.
- Применение аналитики позволяет существенно сократить прямые и косвенные потери.
- Следующие модули покажут, как это реализуется технически.
