Шаблоны для автоматизации анализа Out-of-Stock: расчеты, таблицы, матрицы

На практике автоматизация управления Out-of-Stock (OOS) требует четко оформленных шаблонов — это зафиксированные структуры данных, алгоритмы расчетов, логика связи между объектами. Они являются основой для:

аналитических витрин;
BI-визуализации;
построения алертов;
прогнозов и действий.

В этом модуле мы разберем три ключевых шаблона:

Расчет OOS-метрик
Таблицы причинно-следственного анализа
Матрицы Store x SKU

Каждый из них описан в формате: структура, логика заполнения, примеры использования, автоматизация, работа с рисками.

Шаблон 1. Расчет OOS-метрик

Назначение: автоматизированный расчет ключевых количественных и качественных показателей, отражающих уровень отсутствия товаров.

Структура таблицы (витрина dm_oos_metrics)

Поле	Тип	Описание
Date	date	Дата наблюдения
Store_ID	string	Идентификатор магазина
SKU_ID	string	Идентификатор товара
Sales_Qty	integer	Продажи за день
Stock_Qty	integer	Остаток на начало дня
Forecast_Qty	float	Прогноз на день
Is_OOS	integer	Флаг отсутствия (1 = OOS, 0 = нет)
OOS_Type	string	Тип: shelf или store
Lost_Sales	float	Расчетные потери в штуках
Lost_Revenue	float	Потери в деньгах
Time_Supply	float	Дней запаса при текущем спросе
Is_KVI	boolean	Признак ключевого товара
Day_Of_Week	integer	День недели (для анализа шаблонов)
Is_Promo	boolean	Флаг промо-периода

Расчетные формулы

Is_OOS = CASE
  WHEN Stock_Qty = 0 AND Sales_Qty = 0 AND Forecast_Qty > 0 THEN 1
  ELSE 0
END

OOS_Type = CASE
  WHEN Stock_Qty = 0 AND Delivery_Qty = 0 THEN 'store'
  WHEN Stock_Qty = 0 AND Delivery_Qty > 0 THEN 'shelf'
  ELSE NULL
END

Lost_Sales = CASE
  WHEN Is_OOS = 1 THEN Forecast_Qty - Sales_Qty
  ELSE 0
END

Lost_Revenue = Lost_Sales * Avg_Price

Time_Supply = CASE
  WHEN Avg_Daily_Sales > 0 THEN Stock_Qty / Avg_Daily_Sales
  ELSE NULL
END

BI-автоматизация

Построение трендов по SKU, категории, магазину
Геокарта уровней доступности
Дашборд потерь и структуры их причин

Шаблон 2. Таблица причинно-следственного анализа

Назначение: систематизация причин возникновения OOS и их связей с событиями в данных.

Структура таблицы (в Excel или в витрине dm_oos_root_causes)

SKU_ID	Store_ID	Date	Причина	Признак	Основание в данных
000123	R001	2024-06-01	Phantom Inventory	1	Stock_Qty > 0, Sales_Qty = 0, 3 дня подряд
000456	R002	2024-06-01	Shelf OOS	1	Был Delivery, но продаж нет, Stock > 0
000789	R005	2024-06-01	Неполная поставка	1	Delivery < 70% от заказа, Stock = 0
001222	R003	2024-06-01	Занижен прогноз	1	Forecast < факт спроса, OOS повторяется

Методология использования

Витрина заполняется SQL-алгоритмами на основе правил
Каждое событие получает гипотезу причины
Возможны множественные причины с приоритетами

BI-автоматизация

Кольцевая диаграмма причин OOS
Фильтрация инцидентов по причинам
Drill-down от категории к SKU

Риски и контроль

Риск	Мера контроля
Неверная атрибуция причины	Введение логики приоритетов
Отсутствие объяснимости	BI-дашборд с правилами формирования причин
Причина задана вручную	Логирование и визуализация ручных исправлений

Шаблон 3. Матрица Store x SKU

Назначение: инструмент для визуального анализа инцидентов и системного планирования действий.

Структура таблицы

SKU / Store	Store_001	Store_002	Store_003	Store_004
SKU_001	OOS	✔	OOS	✔
SKU_002	✔	✔	✔	OOS
SKU_003	OOS	OOS	✔	OOS
SKU_004	✔	✔	✔	✔

Значения ячеек:

✔ — нет OOS
OOS — зафиксирован инцидент
Возможна детализация: "OOS (shelf)", "OOS (phantom)", "OOS > 2 дня"

Использование

Горячая карта: где системно возникают провалы
Определение ключевых магазинов с частыми проблемами
Распределение усилий: фокус на SKU, где инциденты массовые

BI-автоматизация

Визуализация матрицы через heatmap
Фильтр по категории, региону, KVI
Возможность выбора SKU и анализа всех магазинов

Методика автоматического построения

SQL-запрос генерирует pivot-таблицу
Присваивается статус по правилам OOS (как в витрине dm_oos_metrics)
BI-система визуализирует таблицу + дашборд по итогу (например, "5 SKU дают 80% OOS")

Эти шаблоны — основа для системной и автоматизированной работы с Out-of-Stock. Они дают структуру, логику и воспроизводимость аналитики, позволяют быстро масштабировать подход, а главное — не теряться в деталях при росте числа товаров, магазинов, источников. В реальных проектах такие шаблоны оформляются как часть проектной документации, передаются в DWH-команду, а затем используются в BI и ML-слоях для построения витрин, отчетности и автоматических действий.