Методы измерения Out-of-Stock и ключевые метрики: формулы, практика, автоматизация
Любое управление начинается с измерения. Это правило особенно актуально в случае управления Out-of-Stock (OOS), поскольку отсутствие товара — это не просто факт, а временное, ситуационное, многослойное явление. Чтобы эффективно бороться с OOS, необходимо понимать: что именно мы измеряем, какие подходы применяются, какие метрики нужны бизнесу, и как автоматизировать расчеты и контроль в BI-системе и DWH.
В этой статье мы рассмотрим три метода измерения OOS, девять ключевых метрик, примеры реализации витрин, типовые BI-компоненты и методы валидации качества расчетов.
Подходы к измерению Out-of-Stock
Ручной аудит (Manual Shelf Audit)
Суть: физическая проверка выкладки товаров на полке (обычно мерчендайзером или торговым представителем). Каждая позиция проверяется на наличие/отсутствие.
Плюсы:
- Высокая достоверность при соблюдении процедуры
- Учитывает реальные условия магазина
Минусы:
- Затратно и не масштабируется
- Субъективность оценки
- Периодичность — 1–2 раза в неделю
Применение: используется для калибровки автоматических алгоритмов, контроля визуальной выкладки (POG), разовых аудитов.
Метод POS-анализа (Indirect POS-based Method)
Суть: анализ временных рядов продаж — если товар раньше стабильно продавался, но в конкретный период продажи обнулились, при этом остаток = 0, то фиксируется OOS.
Логика:
- Был спрос → нет продаж → проверяем остаток
- Если остаток = 0, это вероятное OOS-событие
Алгоритм:
- Выделяем период с нулевыми продажами
- Сравниваем с предыдущими аналогичными периодами (7 дней, 4 недели)
- Проверяем остатки и поставки
Плюсы:
- Масштабируется
- Можно автоматизировать
- Дает ретроспективную картину
Минусы:
- Может быть ложноположительным при слабом спросе
- Требует точности в POS и stock-данных
Perpetual Inventory (PI-based Method)
Суть: фиксация OOS-состояния на основе данных об остатках. Если системный остаток товара = 0, считается, что он отсутствует.
Формула:
If Stock_Qty = 0 → Is_OOS = 1
Плюсы:
- Простая реализация
- Работает в реальном времени
Минусы:
- Подвержена ошибкам учета (phantom inventory)
- Не учитывает выкладку на полке
Метрики Out-of-Stock
Item OOS Rate
Формула:
Item OOS Rate = Кол-во OOS-событий / Общее кол-во наблюдений
Пример:
10 инцидентов за 30 дней → OOS Rate = 33%
Category OOS Rate
Формула:
Category OOS Rate = Кол-во SKU в OOS / Всего SKU в категории
Пример:
5 из 20 молочных SKU отсутствуют → 25%
OOS Duration Rate
Формула:
OOS Duration Rate = Суммарное время OOS / Общее рабочее время
Пример:
ОТС 4 часа в сутки при 12 часах работы → 33%
Shelf Availability Rate
Формула:
Shelf Availability = 1 – OOS Duration Rate
Цель:
Минимум 95% доступности
Lost Sales (в штуках)
Формула:
Lost Sales = Forecast – Sales (если OOS = 1)
Lost Revenue (в деньгах)
Формула:
Lost Revenue = Lost Sales * Avg Price
OOS Frequency
Формула:
OOS Frequency = Кол-во инцидентов / Период (в неделях/днях)
Basket Impact Rate
Формула:
Basket Impact = Avg Basket Value без OOS – Avg Basket Value при OOS
Customer Impact Rate
Формула:
Customer Impact Rate = 1 – (Факт корзин / Ожидаемые корзины)
Витрины и автоматизация расчетов
Витрина dm_oos_metrics
|
Поле |
Описание |
|---|---|
|
Date |
Дата расчета |
|
SKU_ID |
Идентификатор товара |
|
Store_ID |
Идентификатор магазина |
|
Sales_Qty |
Продажи за день |
|
Stock_Qty |
Остаток на начало |
|
Forecast_Qty |
Прогноз спроса на дату |
|
Is_OOS |
Флаг OOS (0/1) |
|
OOS_Type |
Тип (shelf/store/phantom) |
|
Duration |
Длительность отсутствия (в часах) |
|
Lost_Sales |
Оценка упущенных продаж |
|
Lost_Revenue |
Оценка потерь в деньгах |
SQL-алгоритм для расчета OOS-флага
SELECT
s.SKU_ID,
s.Store_ID,
s.Date,
CASE
WHEN st.Stock_Qty = 0 AND s.Sales_Qty = 0 AND f.Forecast_Qty > 0 THEN 1
ELSE 0
END AS Is_OOS
FROM fact_sales s
JOIN fact_stock st ON s.SKU_ID = st.SKU_ID AND s.Date = st.Date
JOIN fact_forecast f ON s.SKU_ID = f.SKU_ID AND s.Date = f.Date
BI-визуализация метрик
Основные компоненты:
-
KPI-дашборд
- OOS Rate (в целом и по категориям)
- Shelf Availability
- Lost Revenue / SKU
- Графики
- Тренд по времени
- Heatmap по магазинам и SKU
- Кольцевая диаграмма причин OOS
- SKU x Store с флагами и метриками
- Причинно-следственные витрины
- Сравнение план/факт
- Таблицы
Проверка и управление качеством метрик
|
Риск |
Мера предотвращения |
|---|---|
|
Ложные OOS (ошибки в stock) |
Сверка PI с фактами, фильтр по min demand |
|
Недостаток данных |
Контроль completeness в ETL |
|
Ошибки прогноза |
Использование нескольких моделей, сравнение MAPE |
|
Проблемы с детализацией |
Работа с POS на уровне транзакций |
Методы измерения и метрики OOS — это фундамент аналитики, автоматизации и управления поставками. Без качественно выстроенных расчетов невозможно объективно оценивать эффективность работы магазина, логистики, категорий и мерчендайзинга. Внедрение универсальных витрин, расчетов, автоматизации в BI дает компании возможность перейти от реактивного устранения OOS к проактивному, управляемому процессу.
