Прогнозирование остатков давно перестало быть «игрушкой для сетей из учебников». По состоянию на февраль 2026 это уже must-have для любого склада, который хочет пережить кассовые разрывы и не закапывать деньги в мёртвый товар. Умный склад в РФ сегодня — это про алгоритмы, данные и немного дисциплины, а не про роботов на погрузчиках.
Время чтения: 13-15 минут
В начале 2026 я поймала себя на мысли: половина разговоров про умный склад у клиентов PROMAREN сводится не к алгоритмам, а к фразе «мы просто боимся остаться без товара». Вторая половина — «и боимся затовариться». Прогнозирование остатков в этот момент звучит как магия, хотя под капотом там довольно скучные чиселки.
Я пишу это с холодным кофе рядом и таблицей, где в одной колонке — дни дефицита, в другой — дни, когда склад забит под потолок. Между этими крайностями лежит нормальный, рабочий автозаказ. Ниже расскажу, как он выглядит в живой компании, а не в методичке, и как он защищает от кассовых разрывов, если не лениться смотреть на цифры.
Что такое умный склад в 2026
3 из 5 складов, с которыми я работала в 2025-2026, называют себя «умный склад», хотя у них просто стоит отчёт по остаткам. Настоящий умный склад — это система, которая не только показывает, что лежит на полках, но и подсвечивает, чего не хватит через неделю, а чего уже слишком много.
Если по-простому, умный склад — это связка учёта, алгоритмов прогноза и автозаказа, которая помогает принимать решения не по интуиции, а по данным за прошлые года. Прогнозирование остатков тут становится не отдельным модулем, а нервной системой: без него все автоматизации превращаются в красивый интерфейс поверх ручных решений.
Как я объясняю умный склад без роботов и хайпа
Когда мне в очередной раз говорят «умный склад — это про роботов и QR-коды», я вздыхаю и открываю самый приземлённый отчёт: продажи по дням. Умный склад начинается с того, что система знает, что у вас сегодня на полках, сколько ещё едет и сколько обычно покупают в похожие даты. И пока вы пьёте чай, она уже прикинула, на сколько дней хватит этого запаса.
Прогнозирование остатков в этом контексте — это ответ на один простой вопрос: «Когда я рискую сказать клиенту — извините, товара нет?» Алгоритмы прогноза не делают чудес, они просто честно складывают данные за прошлые года, учитывают сезонность, акции, иногда даже погоду. А потом подсвечивают момент, когда остаток опустится ниже безопасного уровня. В 2026 я всё чаще вижу это даже в типовой 1С, а не только в модных облаках.
Из чего строится работа такого склада
В нормальном управлении складом есть три опоры: прогнозирование спроса, политика запасов и автозаказ. Сначала мы оцениваем, сколько товара уходит в разные периоды, потом решаем, какой минимум нужен, чтобы не ловить дефицит, и какой максимум, чтобы не складывать товар в коридоре. Умный склад просто делает эту триаду ежедневной рутиной системы, а не разовым упражнением в Excel.
Автозаказ встраивается как исполнитель: как только прогноз говорит «через 10 дней будет пусто», а текущие остатки ниже точки заказа, формируется заявка поставщику. При этом хороший умный склад не забирает контроль: менеджер видит, откуда взялась цифра, и может подправить. Я раньше думала, что автоматизация должна всё решать сама, но после нескольких проектов поняла: лучший эффект там, где система и люди спорят друг с другом, а не молча соглашаются.
Где всё это живёт в реальных компаниях
Самое забавное, что многие уже давно живут на умном складе, просто не называют это так. В 1С-решениях, СБИС и других ERP автозаказ встроен годами, просто им пользуются на минималках. По данным Gartner, к 2026 году более 70% компаний с оборотом от среднего и выше используют хотя бы базовое прогнозирование остатков, но далеко не все связывают его с финансовыми рисками.
В России (да, это сейчас третий раз я говорю «умный склад», но простите) я вижу две траектории. Или компания живёт в режиме «звоним поставщику, когда уже всё закончилось». Или делает шаг к алгоритмам: включает автозаказ, подключает складскую аналитику и постепенно начинает доверять цифрам. И вот тут мы плавно переходим к тому, как этот самый автозаказ устроен изнутри.
Как на самом деле работает автозаказ
Автозаказ — это когда система сама подаёт заявку поставщику, как только прогноз говорит «осталось N дней до нуля», а запас упал ниже точки заказа. Это означает, что управление складом перестаёт реагировать на факт пустой полки и начинает работать на опережение.
В 2026 многие путают автозаказ с «раз в неделю формируем заявочку по наитию». Настоящий автозаказ живёт на стыке данных за прошлые года, настроенных порогов и выбранных алгоритмов прогноза спроса. Прогнозирование остатков в нём — не отчёт для директора, а движок, который каждый день пересчитывает, когда надо нажать кнопку «заказать».
Что делает система, пока менеджер занят операционкой
Под капотом автозаказ выглядит довольно скучно: каждую ночь (или час) система берёт продажи, суммирует остатки по складам, смотрит, сколько обычно продаётся в похожие периоды, и сравнивает с текущим запасом. Если товара меньше, чем нужно на время поставки плюс страховка, срабатывает триггер — формируется черновик заказа. На этой стадии умный склад уже сделал свою работу, дальше включается человек.
Прогнозирование остатков строится на простых моделях: скользящее среднее для стабильных товаров, экспоненциальное сглаживание для «чуть-чуть растём», регрессия или временные ряды для яркой сезонности. В отчётах PROMAREN я обычно показываю клиентам две линии: фактический спрос и прогноз. Когда они видят, что расхождение укладывается в 5-10%, скепсис к автозаказу сильно снижается.
Режимы автозаказа и где всё ломается
У автозаказа обычно два режима: периодический (раз в N дней) и по точке заказа. Первый более привычен — система раз в неделю смотрит на остатки и что-то предлагает. Второй ближе к идее умный склад: как только запас падает ниже порога, тут же формируется заказ. В 2025-2026 почти все проекты PROMAREN уходят во второй режим, особенно там, где важна защита от кассовых разрывов.
Проблемы начинаются, когда точку заказа выбирают «на глаз». Если вы не опираетесь на реальные данные за прошлые года, а просто ставите порог «ну давайте 50 штук, звучит надёжно», алгоритмы прогноза уже не спасут. Система будет честно считать, но база будет кривая. Я так однажды согласилась на «давайте пока так, а потом поправим» и потом два месяца разгребала дефициты у клиента с детским питанием перед праздниками.
Где живут настройки и почему их не трогают годами
В типовой 1С или ERP все эти штуки лежат в очень скучных разделах: способы обеспечения, схемы обеспечения, параметры Мин-Макс. Там же прячется большая часть магии. По данным 152-ФЗ мы обязаны аккуратно обращаться с персональными данными, а вот с данными по остаткам бизнес часто обращается как попало.
Я не раз видела компании, где умный склад вроде бы есть, автозаказ включён, но параметры не обновлялись с 2019 года. Прогнозирование остатков при этом как бы работает, но считает на старой реальности. В начале 2026 я прямо ввела правило: если мы запускаем автозаказ в проекте PROMAREN, сразу договариваемся о квартальном пересмотре параметров. Иначе следующая секция — про кассовые разрывы — становится слишком предсказуемой.
Почему без прогнозирования остатков деньги «утекают»
Отсутствие нормального прогнозирования остатков почти всегда либо превращается в кассовый разрыв, либо маскируется под «мы перестраховываемся запасом». В обоих вариантах деньги уходят — или в упущенную выручку, или в склад и логистику.
В 2025-2026 я вижу одну и ту же картинку: в отчётах по складской аналитике у клиента две линии — дни с дефицитом и дни с затовариванием. Их можно аккуратно подрезать с двух сторон, если умный склад опирается на алгоритмы прогноза, а не на ощущение «ну возьмём с запасом». Автозаказ здесь становится инструментом защиты, а не угрозой.
Как кассовый разрыв рождается из пустой полки
Когда товара нет, проблема не только в злых клиентах на кассе. Кассовый разрыв возникает, когда деньги уже ушли на закупку других позиций (иногда избыточных), а оборотка от ходового товара не приходит. Прогнозирование остатков для таких позиций критично: это те, кто тянут оборот, и провалы по ним бьют по деньгам гораздо сильнее.
Я часто прошу клиентов PROMAREN отдельно пометить А-товары по ABC-анализу и запустить для них максимально аккуратные алгоритмы прогноза. Если счёт показывает, что один артикул приносит 20% оборота, а на нём регулярно по 5-7 дней дефицита в месяц, это классический скрытый кассовый разрыв. Умный склад в этом месте должен кричать, а не молчать в виде общей строки «остатки в норме».
Затоваривание как невидимый кредит складу
Обратная крайность — забитый под потолок склад, который бухгалтерия привыкла считать «нормой». На практике это бесплатный кредит, который бизнес выдал складу: деньги уже ушли, обратно они вернутся через месяцы, если вообще вернутся. Здесь прогнозирование остатков помогает честно признаться себе: реальный спрос не тянет такие объёмы.
Умный склад с нормальной аналитикой быстро показывает товары, у которых оборачиваемость вдвое ниже целевой. В одном из проектов мы увидели группу позиций, где запас держался на 120 днях продаж при цели 45. Перебор в три раза. После пересчёта алгоритмов прогноза спроса и снижения максимума по автозаказу затраты на хранение упали на 30%, а кассовый разрыв через два месяца просто исчез — деньги вернулись в оборот.
Какие цифры я смотрю первой строкой
Когда меня зовут «посмотреть, что у нас со складом», я не начинаю с красивых дашбордов, хотя люблю их всей душой. Сначала — очень скучные показатели: дни дефицита по ключевым товарам, дни сверхнормативного запаса и уровень сервиса (процент дней, когда товар был в наличии). Прогнозирование остатков здесь видно по косвенным следам: меньше пилы на графиках, больше плавности.
По данным McKinsey, компании, которые внедрили хоть базовые алгоритмы прогноза и автозаказ, в среднем сокращают дефицит на 40-60% и затоваривание на 30-50%. Мой опыт в PROMAREN скромнее, но похож: даже аккуратный запуск умный склад даёт заметный эффект за 2-3 месяца. Дальше встаёт вопрос: а можно ли научить это работать мягче, без «чёрной коробки»?
Как подружить алгоритмы прогноза и живой бизнес
Алгоритмы прогноза хороши до тех пор, пока вы понимаете, что они делают. Как только умный склад превращается в чёрный ящик, у закупок падает доверие, и автозаказ начинают «править руками». Через полгода от прогнозирования остатков остаётся только красивая галочка в описании системы.
Сейчас работает связка: чуть-чуть математики, немного бытового здравого смысла и прозрачные настройки. В начале 2026 я провела эксперимент на трёх клиентах PROMAREN: мы объяснили менеджерам, какие алгоритмы прогноза применяются к их A- и B-товарам, и дали им право влиять на выбор модели. Уровень «ручных правок» заказов упал почти вдвое.
Какие данные нужны, чтобы не гадать
Прогнозирование остатков на основе данных за прошлые года невозможно без самой скучной части — чистого учёта. Никакой искусственный интеллект в складе, ни Yandex Neuro, ни Google AI Overview не спасут, если половина реализаций проводится задним числом или скидки не бьются по номенклатурам. Тут умный склад очень быстро зеркалит хаос.
Я обычно прошу выгрузку минимум за 12 месяцев: продажи по дням, остатки, возвраты, крупные акции. Этого достаточно, чтобы алгоритмы прогноза увидели сезонность и тренды. Если удаётся достать 24-36 месяцев, можно смело подключать более сложные модели временных рядов и не бояться, что они «переобучатся» на одном странном году вроде 2020. Без честных данных любой автозаказ превращается в дорогую кнопку «повторить прошлую ошибку».
Как выбирать методы прогноза без учёной степени
Я раньше думала, что выбор алгоритма прогноза — это отдельная наука с формулами и греческими буквами. Потом посмотрела на реальную жизнь и упростила себе и клиентам задачу до трёх вопросов: стабильный ли спрос, есть ли яркая сезонность и насколько часто мы меняем цену. Для большинства складов этого достаточно, чтобы разложить номенклатуру на три корзины и к каждой привязать свой набор методов.
Дальше помогает банальная проверка «назад»: берём данные за прошлый год, прогоняем через алгоритмы прогноза и смотрим, какой из них давал наименьшую ошибку по каждой группе товаров. Умный склад, который позволяет так играться в песочнице, вызывает гораздо больше доверия у закупок. Люди видят, что прогнозирование остатков — это не магия, а просто хорошо подобранная математика с нормальной валидацией.
Где встраивать автоматизацию и что отдать людям
На практике я делю процесс на три зоны: сбор данных и расчёты — машина, финальное решение — человек, а контроль и аналитика — гибрид. Автозаказ, конечно, должен подбирать объёмы сам, но финальное «отправить поставщику» остаётся за менеджером. Здесь автоматизация через n8n или Make.com отлично заходит как прослойка: собирать отчёты, подсвечивать аномалии, напоминать про пересмотр параметров.
В PROMAREN мы один раз собрали сценарий, который раз в неделю отправляет закупкам digest: где прогноз спроса резко вырос, где умный склад прогнозирует дефицит, а где запасы вышли за рамки. Сценарий крутится сам, а люди принимают решения. И это хороший мостик к следующей теме — как всё это завязать на защиту от кассовых разрывов, а не только на красоту графиков.
Как спрятать кассовые разрывы в складской аналитике
Хорошая новость: в 2026 почти любой умный склад уже умеет считать не только коробки, но и деньги. Плохая: далеко не все включают эти отчёты. Хотя именно они показывают, как прогнозирование остатков и автозаказ реально влияют на кассовые разрывы.
Сейчас работает подход, в котором складская аналитика говорит не «у вас 20 дней запасов», а «вы заморозили N рублей сверх нормы и потеряли M рублей на дефиците». Когда цифры появляются в деньгах, разговор с финансами становится сильно проще, а вопросы про «зачем нам эти алгоритмы прогноза» звучат реже.
Какие показатели стоит смотреть регулярно
Чтобы умный склад перестал быть просто витриной остатков, ему нужны понятные метрики. Я обычно свожу всё к нескольким отчётам: дни дефицита по критичным товарам, дни сверхнормативного запаса, оборачиваемость запасов и уровень сервиса. Прогнозирование остатков здесь проявляется как сглаживание пилы: меньше резких провалов и пиков, больше предсказуемых колебаний вокруг целевых уровней.
Хорошо, когда автозаказ не только формирует заявки, но и логирует свои решения: почему именно такой объём, на основе какого прогноза, какой запас должен остаться после поставки. Такие логи удобно вытаскивать в отчёты через интеграции или те же сценарии n8n. По опыту PROMAREN, пара аккуратных графиков в ежемесячном отчёте сокращает «ручные вмешательства» в работу автозаказа процентов на 20-30.
Как выглядят разрывы «до» и «после» автозаказа
Представь ситуацию: склад живёт на ручном управлении, закупки делают заказы по интуиции, иногда глядя на Excel. Кассовые разрывы вроде бы «из-за сезонных провалов продаж». Мы подключаем прогнозирование остатков, настраиваем автозаказ, включаем отчёт по дефицитам и затовариванию и оставляем систему на квартал. Через три месяца видно две вещи: дефицитные дни по А-товарам падают, а кривая денег, замороженных в запасах, становится ниже и ровнее.
В одной из сетей, с которой мы работали, суммарный «скрытый кредит складу» сократился примерно на 15% за полгода. Не космос, но это были живые деньги, ушедшие из мёртвого склада в маркетинг и развитие. И это тот момент, когда умный склад перестаёт быть игрушкой айтишников и становится аргументом на совете директоров: можно показать, как алгоритмы прогноза прямо влияют на кассовые разрывы.
Где здесь место промо, маркетплейсам и внешним данным
В 2025-2026 почти все склады так или иначе завязаны на маркетплейсы, акции и внешние каналы. Алгоритмы прогноза спроса, которые игнорируют маркетинг, дают красивые, но бесполезные линии. Я всё чаще вижу проекты, где к складской аналитике подмешивают данные из рекламных кабинетов, маркетплейсов и вишенкой — подсказки от Yandex Neuro или Google AI Overview по трендам.
Важно не переоценивать эту красоту. Прогнозирование остатков должно опираться на ваши продажи, а внешние источники пусть будут подсказкой, а не истиной. В PROMAREN мы обычно начинаем с честных внутренних данных и только потом добавляем внешний контекст. И да, кассовые разрывы в итоге решаются не модными сущностями, а скучной дисциплиной: обновлять параметры, смотреть отчёты и не бояться признавать, что кое-где мы заказывали «на глаз».
Что я бы забрала с собой из этой истории
Если отмотать все графики и термины, останется простая мысль: умный склад — это не про идеальный порядок, а про честную картину. Прогнозирование остатков помогает увидеть, где мы теряем деньги на пустых полках и где зарываем их в мёртвый запас. Автозаказ всего лишь делает следующий логичный шаг — нажимает «заказать» чуть раньше и чуть точнее, чем мы бы сделали вручную.
Самый заметный эффект я вижу там, где склад перестают считать «чёрной дырой для денег» и начинают смотреть на него как на управляемый инструмент. Алгоритмы прогноза, нормальные данные за прошлые года, прозрачные параметры и регулярный обзор отчётов — это не хайп, а тихая база, которая возвращает компаниям оборотку и нервы. А дальше уже можно думать про роботов на погрузчиках.
Обо мне. Я — Марина Погодина, основательница PROMAREN и AI Governance & Automation Lead, раньше занималась внутренним аудитом и ИТ-рисками. С 2024 года помогаю командам в РФ строить white-data системы учёта и автоматизации складов под 152-ФЗ. В разборах показываю, как связать прогнозирование остатков и кассовые разрывы на практике.
Если хочется посмотреть, как это приземляется в автоматизацию, загляни на сайт PROMAREN или в канал PROMAREN — там я разбираю кейсы, показываю сценарии n8n и делюсь наблюдениями «изнутри складов». А протестировать простые сценарии можно через мой тестовый доступ в бота.
Что ещё важно знать
Можно ли обойтись без сложных алгоритмов прогноза
Можно, если склад маленький, номенклатуры немного и всё держится в голове у одного человека. Но как только появляется несколько десятков ходовых позиций и сезонность, простое «среднее за прошлый месяц» начинает врать. В этом случае даже базовое прогнозирование остатков на скользящем среднем снижает количество ошибок. Сложные модели нужны только там, где данные уже относительно чистые.
А если спрос на товар вообще непредсказуемый
Если спрос хаотичный, прогнозирование остатков будет давать широкие коридоры и большие страховые запасы. Это нормально: мы платим запасом за спокойствие. Важно хотя бы отделить такие «бешеные» товары от стабильных и не пытаться натянуть на всех один алгоритм. Иногда для них проще задать ручные правила в автозаказе и признать, что математика здесь работает ограниченно.
Нужна ли интеграция склада с бухгалтерией
Если цель — просто не оставаться без товара, можно жить и на уровне остатков. Но как только речь заходит о кассовых разрывах, без связки с деньгами не обойтись. Интеграция с бухучётом позволяет видеть, сколько денег заморожено в запасах и сколько недополучено из-за дефицита. Тогда умный склад перестаёт быть чисто операционной историей и попадает в фокус финансового блока.
Как часто пересматривать параметры Мин-Макс
Минимумы и максимумы нельзя настроить один раз и забыть. Оптимальный ритм — раз в квартал пересматривать настройки для А- и B-товаров и хотя бы раз в полгода смотреть на хвост. Если сильно меняется ассортимент или стратегия, цикл стоит сократить. Иначе даже самый умный склад начнёт основательно промахиваться: бизнес уже другой, а параметры всё ещё из позапрошлого сезона.
Можно ли использовать внешние ИИ-сервисы для прогноза
Да, но аккуратно. Сервисы вроде Yandex Neuro или Google AI Overview могут помочь заметить тренды и аномалии, особенно по категориям или регионам. Однако базовое прогнозирование остатков должно опираться на ваши реальные продажи и остатки. Внешний ИИ стоит воспринимать как вспомогательную аналитику, а не источник истины. И не забывать про требования 152-ФЗ к данным.