Математические формулы расчета OOS: определения и примеры

Дефицит запасов (Out-of-Stock, OOS) является не только операционной проблемой, но и экономическим показателем, влияющим на маржинальность, лояльность покупателей и общую стоимость владения запасами. Эта глава посвящена формальным определениям, корректным формулам расчета и примерам применения для разных контекстов бизнеса. Рассматривается как структурированная методика расчета, сопоставимая с требованиями управленческого учёта и планирования поставок.

OOS следует рассматривать через призму двух взаимосвязанных измерений: частоты возникновения дефицита и величины незакрытого спроса во времени. В рамках методологии выделяются различия между фактическим дефицитом, пропавшим спросом и потерянной выручкой, а также влиянием дефицита на показатели обслуживания клиентов и финансовые результаты. В сочетании с качеством данных и прозрачной идентификацией источников дефицита эта методика позволяет руководителям принимать обоснованные решения о запасах, ассортименте и торговых форматах.

Краткое содержание главы

Определение ключевых понятий: OOS, DNS, запас, сервис‑уровни и связанные затраты.
Основные математические формулы: частота дефицита, доля спроса, потерянные продажи и уровень обслуживания.
Примеры расчета на реальных данных: пошаговая иллюстрация и интерпретация результатов.
Реализация методики в бизнес‑процессах: сбор данных, управление качеством и организационные изменения.
Основные выводы и практические рекомендации.

Определения и концептуальные основы

Операционная дефицитность складывается из двух элементов: наличия товара на складе и спроса, который можно было бы удовлетворить при наличии запасов. В российской практике это часто сопровождается тремя понятиями: дефицит (stockout), спрос, который не был обслужен из-за отсутствия товара (demand not served, DNS), и фактические потери, связанные с упущенной продажей (lost sales). В рамках методологии OOS характеризуется несколькими взаимно дополняющими метриками.

Во-первых, дефицит может рассматриваться как событие или как период времени. Событие дефицита фиксируется тогда, когда запас на конкретной позиции становится нулевым или отрицательным, и последующая спросовая единица не может быть удовлетворена немедленно. Во-вторых, DNS отражает количественную недоступность спроса: сколько единиц спроса не было удовлетворено в результате наличия дефицита. В-третьих, потерянная выручка оценивается на основе маржинальности продукции, цены и ожидаемого спроса.

Важно различать причины дефицита: преднамеренная пауза по причине нехватки поставок, ошибки планирования спроса, неоптимальная политика в отношении запасов, задержки в поставке и изменение спроса. Эти различия влияют на выбор метрик и на корректировку моделей прогнозирования и планирования запасов. В рамках формул следует фиксировать источник дефицита, период измерения и географическую зону (склад, сеть магазинов, регион).

Ещё одно важное различие - между единичной и цикловой мерой. Единичная мера оценивает вероятность появления дефицита на уровне SKU в конкретный временной интервал, тогда как цикловая мера учитывает полный оборот запасов и частоту возникновения дефицита за реперный период. В реальных условиях обе меры необходимы, чтобы управлять запасами на разных уровнях детализации и в разных плоскостях цепи поставок.

Математические формулы и индикаторы OOS

Здесь представлены базовые формулы, которые могут быть применены как в розничной сети, так и в оптовой торговле или по логистическим узлам. Для ясности каждую формулу сопровождается пояснением данных, которые требуются для расчета, и интерпретацией экономического эффекта.

OOS_incidence (частота дефицита)
OOS_incidence = (число событий дефицита за период) / (число периодов за период)

Применение: оценивает вероятность наступления дефицита в каждой временной единице. Чем выше OOS_incidence, тем чаще встречаются случаи неполной удовлетворенности спроса.
DNS (demand not served) объём в единицах
DNS = сумма нереализованного спроса во всех дефицитных событиях за период

Применение: количественная оценка объема спроса, который не может быть удовлетворен из-за отсутствия товара.
Lost sales (потери по продажам)
Lost_sales = DNS × цена единицы товара × коэффициент конверсии после дефицита (если учитывается повторная попытка покупки)

Применение: оценка экономического ущерба от потери потенциальной выручки, учитывая поведение покупателей.
UR (unfilled rate, доля нереализованного спроса)
UR = DNS / (DNS + рыночный спрос, удовлетворённый в периоде)

Применение: доля спроса, который не был обслужен в условиях дефицита.
Cycle service level ( CSL, циклserving level)
CSL = 1 − (число дефицитных циклов / общее число циклов)

Применение: вероятность того, что спрос в данный цикл будет обслужен без stockout. Применимо к планированию безопасного запаса.
Fill rate (FR) по запасам
FR = объем удовлетворённого спроса / общий спрос за период

Применение: выражает долю спроса, которая была покрыта запасами в момент обращения покупателя.
OOS_cost (стоимость дефицита)
OOS_cost = Lost_sales_cost + дополнительные издержки (упущенная маржа, скидки, логистические задержки, потеря доверия клиентов)

Применение: экономическая оценка дефицита, необходимая для принятия решений о политике запасов и ассортименте.
Lead-time adjusted OOS metrics
Учет времени доставки влияет на вероятность дефицита в периоды, когда спрос более высокий и запас обновляется реже. Формулы учитывают запас на руках и средний уровень поставки.

Таблица

Ключевые метрики OOS (определение, формула и применение)

Метрика	Определение	Формула (упрощенная)	Применение
OOS_incidence	Частота появления дефицита	(число дефицитных событий) / (число периодов)	Определяет риск дефицита во времени
DNS	Объём несбывшегося спроса	сумма нереализованного спроса	Оценка масштаба дефицита
Lost_sales	Ущерб от потери продаж	DNS × цена × конверсия	Экономическая оценка дефицита
FR	Fill rate	удовлетворённый спрос / общий спрос	Эффективность использования запасов
CSL	Цикловый сервис‑уровень	1 − (дефицитныециклы / циклы)	Уровень обслуживания в цикле
OOS_cost	Стоимость дефицита	Lost_sales_cost + дополнительные затраты	Экономическая мотивация изменения запасов

Глобальная идея проста: чем выше значения CSL и FR, тем точнее мы обслуживаем спрос, тем ниже OOS_cost. Но эти метрики зависят от точности входных данных: спрос должен быть точен, запасы - корректно зафиксированы, а циклы поставок - согласованы между подразделениями. В реальности нередко возникают проблемы с согласованием разных источников данных: POS‑данные, данные по складам, данные о поставках и прогнозах спроса. Поэтому методика требует прозрачности в определении источников дефицита и единых правил учета.

Пример расчета

Рассмотрим упрощенную ситуацию для одного SKU в течение 30 дней. Ежедневный спрос по SKU: [10, 12, 9, 11, 8, 14, 9, 10, 11, 7, 12, 9, 10, 8, 13, 10, 9, 11, 12, 9, 10, 8, 7, 12, 9, 11, 10, 9, 8, 12]. По итогам месяца было зафиксировано 3 дня, когда запаса не хватало (stockout), и за эти дни не удалось удовлетворить часть спроса - DNS составил 25 единиц. Цена единицы товара - 100 у.е., конверсия последующих попыток покупки после дефицита - 0,3.

DNS = 25 единицы
Lost_sales ≈ 25 × 100 × 0,3 = 750 у.е.
Общий спрос за месяц ≈ сумма дневного спроса = 310 единиц
FR = (общий спрос − DNS) / общий спрос = (310 − 25) / 310 ≈ 0,919
CSL: если за месяц было 30 циклов поставок, а дефицит возник 3 раза, CSL ≈ 1 − 3/30 = 0,9
OOS_incidence: 3 дефицитных дня из 30 = 0,10
OOS_cost ≈ Lost_sales + сопутствующие затраты (например, логистика, скидки) ≈ 750 у.е. + доп. расходов

Этот пример иллюстрирует, как связать потребительское поведение, цены и структуру запасов в единую экономическую модель. В реальных условиях данные зачастую требуют коррекции: учёт временных лагов, сезонности спроса, различий между каналами продаж, учета backorder и альтернативных каналов. Также важно различать «мягкий» дефицит (когда покупатель может перейти к похожему товару) и «жёсткий» дефицит (когда замены нет). В зависимости от политики сервиса и ассортимента формулы дополняются поправочными коэффициентами.

Применение методов в сборе данных и интеграции

Для корректного измерения OOS требуется систематический подход к сбору данных и их обработке. В рамках методологии устанавливаются требования к источникам данных, частоте обновления и проверке качества. Ниже приведены базовые принципы, которые позволяют обеспечить сопоставимость метрик на уровне всей организации.

Единая номенклатура и единообразная агрегация данных
Важно использовать единый справочник товаров и синхронизированные атрибуты: SKU, артикул, категория, цена, маржа, канал продаж. Это обеспечивает сопоставимость DNS и Lost_sales между подразделениями и регионами.
Согласованные окна измерения
Следует определить реперные интервалы (например, дневной, недельный, месячный). В рамках каждого окна рассчитываются OOS_incidence, DNS и FR. В случаях с различной скоростью оборота по SKU применяются адаптивные окна: для высокодинамичных позиций - еженедельное обновление, для стабильных - ежемесячное.
Точность учёта запасов
Необходимо передавать данные по запасам в момент обращения клиента и на момент окончания окна измерения. Любые расхождения между физическим запасом и учетной системой должны фиксироваться и корректироваться через процесс разрешения данных.
Учёт потерь и альтернатив
В реальных условиях покупатель может выбрать альтернативу внутри ассортимента или за пределами. Необходимо фиксировать такие замены и, по возможности, оценивать их эффект на выручку и маржу. Это позволяет снизить переоценку потерь за счет перенаправления спроса.
Управление качеством данных
Проводится регулярная проверка полноты, точности и согласованности данных. Введение автоматических триггеров на отклонения от нормальных параметров помогает выявлять проблемы в бизнес‑процессах и оперативно корректировать данные.
Интеграция в бизнес‑процессы
Результаты измерений должны быть доступны для оперативного мониторинга в дашбордах, а также для планирования запасов и ценообразования. Важна обратная связь между аналитикой и операционным блоком: данные должны служить основой для корректировки прогнозов спроса, политики запасов и ассортимента.

Реализация методики в организациях: процессы и организационные изменения

Внедрение формальной методики расчета OOS требует согласованности между функциями бизнеса: планирования спроса, закупок, цепочки поставок, продаж и финансов. Основные элементы организационных изменений включают следующие компоненты.

Программная архитектура данных
В идеале создается единый слой данных, который объединяет POS‑данные, данные по запасам, данные о поставках и прогнозы спроса. Архитектура должна поддерживать агрегацию на разных уровнях: SKU, каналы продаж, регионы и склады.
Правила учета и ответственности
Назначаются ответственные за каждую метрику: данные по спросу - аналитика спроса, данные по запасам - складская служба, данные о дефицитах - торговля и ассортимент. В рамках политики должны быть процедуры по верификации данных перед публикацией метрик.
Регламент расчета и верификация
Определяются периоды расчета, формулы и методики обработки пропусков и ошибок. Регламент обеспечивает повторяемость вычислений и сопоставимость результатов между периодами и подразделениями.
Дашборды и аудит процессов
Визуализация ключевых показателей, включая OOS_incidence, FR, CSL и OOS_cost, обеспечивает прозрачность для управленческих решений. Наличие аудита изменений данных позволяет отслеживать источники различий и корректировать методику.
Обучение и удержание компетенций
Специалисты по аналитике и операционные менеджеры проходят обучение по методике измерения OOS, интерпретации результатов и принятию решений на основе данных. Это повышает качество управленческих действий и ускоряет цикл улучшений.

Примеры кейсов и сценариев внедрения

Рассмотрим два сценария внедрения методики OOS в сети ритейла разного масштаба.

Сеть с высокой сезонностью и широким ассортиментом
В рамках такого сценария полезно разделять метрику OOS на уровне SKU и на уровне ассортимента. В период пик спроса применяются адаптивные окна измерения, а в периоды снижения - более длительные. Вводятся дополнительные коэффициенты для учета замещений и промо‑эффектов. В результате достигается более точное прогнозирование безопасного запаса и снижение OOS_cost за счет более точного распределения запасов по каналам.
Производственная розничная цепь с несколькими поставщиками
Здесь особенно критен учет lead time‑variability и координация между производителем и розницей. Формулы включают поправку на задержки в поставках и коэффициенты надёжности поставщиков. В результате улучшаются показатели CSL и FR и снижается потери продаж за счёт более тесной синхронизации планирования спроса с производством и логистикой.
Интеграция в онлайн‑и офлайн‑каналы
В цифровых экосистемах OOS может быть различной эффект на онлайн‑канал: дефицит онлайн‑покупок может приводить к быстрому переключению на офлайн‑каналы. В таком случае рассчитываются отдельные показатели по каналам и проводится консолидированная оценка OOS_cost, учитывающая канальную конверсию и траты на доставку.

Key takeaways

OOS - это не только операция дефицита, но и экономический показатель, требующий системного измерения и учета потерь.
Важна ясность определения: DNS, Lost_sales, FR и CSL позволяют охватить разные стороны дефицита и обслуживания.
Точность данных и единая архитектура данных критически влияют на качество расчетов и управленческие решения.
Непрерывное улучшение требует интеграции методики в процессы планирования запасов, продаж и логистики, а также обученной команды.
Использование сценариев и кейсов помогает адаптировать формулы к специфике отрасли и бизнес‑модели.
Расширение анализа на уровне каналов, регионов и SKU позволяет выявлять узкие места в цепочке поставок.
Эффективная коммуникация результатов между аналитиками и операционными командами обеспечивает быстрое внедрение корректировок.

FAQ

Что такое OOS и почему это важно для бизнеса?

OOS (Out-of-Stock) обозначает случаи, когда спрос не может быть удовлетворён немедленно из-за отсутствия товара. Это важный экономический показатель, потому что дефицит влияет на выручку, маржу, лояльность клиентов и общую стоимость владения запасами. Мера OOS позволяет управлять запасами, прогнозами и ассортиментом в контексте финансовых результатов.

Какие существуют виды сервис‑уровня и как их различать?

Существуют типичные типы сервис‑уровня: CSL (цикл сервиса) - вероятность того, что в заданном цикле спрос будет обслужен без stockout; Fill Rate - доля спроса, удовлетворенного запасами; типично CSL ориентирован на вероятность, а FR на долю спроса. В практических моделях обе метрики применяют совместно для оценки покрытия спроса и риска дефицита.

Как выбрать окно измерения OOS и зачем оно нужно?

Выбор окна зависит от оборота SKU и скорости поставок. Высокодинамичные позиции требуют более частых окон (еженедельно), медленно двигающиеся - более длинные (ежемесячно). Правильный выбор окна обеспечивает точность расчетов и сопоставимость данных между периодами.

Как разделить дефицит спроса и дефицит поставок?

Дефицит спроса связан с невозможностью удовлетворить спрос в момент обращения; дефицит поставок связывается с нехваткой запасов на складе. Раздельный анализ помогает корректно настраивать политику запасов и прогнозирования и выделять узкие места в цепочке поставок.

Какие данные необходимы для расчета OOS и как обеспечить их качество?

Необходимо: точные данные по спросу, запасам на руках, поставкам и времени выполнения заказа; данные по продажам, включая замещения и конверсии после дефицита. Важны согласование номенклатуры и устранение дубликатов, а также процедура верификации и исправления ошибок.

Как учитывать замещения и альтернативные покупки?

Замещения влияют на FR и CSL, но не всегда приводят к потере выручки в полной мере. Включение коэффициентов конверсии и анализ поведения покупателей позволяют скорректировать оценки потерь и оценить альтернативные источники выручки.

Как рассчитывать затраты, связанные с OOS?

OOS_cost состоит из прямых потерь выручки (Lost_sales), потерь маржи и косвенных затрат (логистические задержки, скидки, ухудшение лояльности). Включение этих элементов позволяет обосновать инвестиции в запасы и улучшение процессов.

Можно ли автоматизировать расчеты OOS?

Да. Автоматизация возможна через интеграцию данных POS, складских систем, планирования спроса и поставок в единую платформу. Автоматические расчеты позволяют оперативно обновлять показатели, запускать оповещения и поддерживать управленческие решения в реальном времени.

Как внедрить методику в управление запасами и ассортиментом?

Внедряется через формальные регламенты расчета, единый источник данных и регулярную коммуникацию между аналитикой и операциями. Включение OOS‑показателей в шаблоны планирования запасов и бонусные KPI способствует устойчивому улучшению.

Как сравнивать OOS между SKU и каналами?

Необходимо нормировать показатели: использовать относительные метрики ( CSL, FR) в сочетании с объемами спроса и маржей по каждому SKU и каналу. Это позволяет делать корректные сравнительные анализы и выделять проблемные области для таргетированных действий.

Как интерпретировать результаты, если данные показывают противоречивую картину?

Ситуации с противоречивыми данными требуют проверки источников и качества данных, пересмотра окон измерения и коэффициентов конверсии. В таких случаях полезно провести стресс‑тесты моделей и сверить расчеты с альтернативными данными (например, контролируемые тесты пополнения запасов).

Какие ограничения существуют в формулах и как их преодолевать?

Формулы упрощают реальность и требуют корректировок под специфические условия: сезонность, акции, поведение покупателей, задержки поставок. Важно методически фиксировать допущения, использовать чувствительный анализ и регулярно обновлять параметры в соответствии с текущими данными.

Какие примеры инструментов применимы для расчетов OOS?

На практике применяют BI‑платформы, ETL‑процессы для объединения данных, модели прогнозирования спроса и сценарного планирования. В рамках открытых решений можно рассмотреть платформы с поддержкой аналитики запасов и витрин для мониторинга OOS‑показателей, например, ограниченно упомянутые open‑source инструменты для анализа данных и российские продукты с аналогичной функциональностью, используемые в рамках корпоративной экосистемы.

Как связать OOS‑метрики с финансовой эффективностью?

Связь между OOS и финансовыми параметрами реализуется через влияние на маржу, выручку и стоимость владения запасами. Включение стоимостных оценок в модель позволяет определить, какие товары и каналы требуют наибольшего внимания и инвестирования.

Что делать, если OOS остаётся высоким после улучшения процессов?

Необходимо провести глубокий аудит цепочки поставок: анализ спроса, прогнозирование, методы размещения запасов, политики доставки и взаимодействие с поставщиками. Часто требуется перераспределение запасов, изменение ассортимента, усиление поставок или введение резервных запасов на ключевых позициях.

Завершая главу, подчеркнем то, что корректная математическая формула расчета OOS лежит в основе управляемой цепи поставок и финансовой устойчивости бизнеса. Встроенная методология требует постоянного совершенствования данных, процессов и организационной культуры - от сбора и проверки данных до оперативного принятия решений на основе полученных результатов.

← Предыдущая статья

Теоретические основы спроса и дефицита: латентный спрос, дефицит как фактор цены

Следующая статья →

Методы измерения отсутствия спроса: потерянные продажи, упущенный спрос, proxy-demand