Основни изводи
- Записаните продажби са по-малкото от търсенето и наличността на рафта; в ден, в който рафтът се изпразни, останалото търсене не оставя следа.
- Прогнозите, обучени на такива продажби, подценяват търсенето, а грешката е най-голяма при пресните категории, които свършват най-често.
- Грешката се самоподхранва: по-ниската прогноза означава по-малка поръчка, по-ранна липса и още по-нисък запис.
- Мениджърите на магазини правят същата грешка ръчно, когато намаляват поръчката след липса на стока.
- Третирайте дните с празен рафт като липсващи данни или като долна граница и проверете дали записаната наличност зад отметката е вярна.
Касата записва какво е продадено, а не какво е било търсено. Когато киселото мляко свърши в три следобед, записът за деня спира до това, което е имало на рафта, а клиентите, дошли вечерта, не оставят никаква следа. Статистиците наричат такива данни цензурирани. Повечето снабдяване във веригите магазини стъпва върху тях, а грешката, която внасят, не остава на едно място.
1. Продажбите са търсене, ограничено от наличността
Означете търсенето за деня с D, а наличната стока с I. Касата вижда y = min(D, I): цялото търсене в ден, в който рафтът издържи, и точно наличността в ден, в който не издържи. Изгубената част, D − y, никога не се записва. Затова средните продажби за 28 дни смесват два вида дни, а дните, в които стоката е свършила, ги дърпат надолу. Същото става и с разсейването на продажбите, другата величина, от която зависи предпазният запас. Първата стъпка е тези дни да бъдат открити; ръководството за липсите на стока показва как да ги видите в данните за продажбите и наличностите.
2. Колко крие един ден
Най-ясното публично измерване идва от FreshRetailNet-50K, набор от данни, публикуван през 2025 г. от китайския онлайн търговец на хранителни стоки Dingdong: почасови продажби на 863 нетрайни продукта в 898 обекта в 18 града, като е отбелязан всеки час, в който продуктът е бил изчерпан1. Обектите са малки складове за пресни храни, които доставят до 30 минути, а изследването ги нарича магазини. След зареждането в 6:00 липсите падат под 2%; оттам растат постоянно до 26% към 20:00.
В продажба в 06:00, след зареждането98Още в продажба в 20:0074
Продукт, който свърши следобед, все пак има продажби за деня, затова дневният отчет го брои като наличен. Записът му е по-нисък с това, което вечерта щеше да продаде. За целия набор от данни възстановяването на скритото търсене премахна системно подценяване от 7,37%1. Изследване от 2026 г. върху същите данни разбива цензурата по категории2:
| Категория | Часове без наличност | Грешка: модел по продажби | Грешка: модел с цензура | По-малко брак |
|---|---|---|---|---|
| Листни зеленчуци | Часове без наличност31,2% | Грешка: модел по продажби42,8% | Грешка: модел с цензура38,9% | По-малко брак4,7 пункта |
| Риба и морски дарове | Часове без наличност27,6% | Грешка: модел по продажби41,5% | Грешка: модел с цензура38,0% | По-малко брак4,2 пункта |
| Плодове | Часове без наличност21,4% | Грешка: модел по продажби39,4% | Грешка: модел с цензура36,9% | По-малко брак3,4 пункта |
| Месо | Часове без наличност19,8% | Грешка: модел по продажби38,3% | Грешка: модел с цензура36,2% | По-малко брак3,0 пункта |
| Кореноплодни | Часове без наличност17,3% | Грешка: модел по продажби37,6% | Грешка: модел с цензура35,8% | По-малко брак2,6 пункта |
| Млечни продукти | Часове без наличност8,9% | Грешка: модел по продажби35,2% | Грешка: модел с цензура34,4% | По-малко брак1,4 пункта |
Закономерността е монотонна: колкото по-често свършва една категория, толкова повече греши прогнозата, обучена на продажби, и толкова повече възстановява тази, която отчита цензурата. Млечните продукти, с дълъг срок на годност и малко часове с празен рафт, почти не помръдват.
3. Моделът научава рафта
Всеки модел, от който се иска да възпроизведе продажбите, ще възпроизведе заедно с тях и тавана. Yin, Zheng и Kong го казват направо: „Всеки модел, обучен да възпроизвежда продажбите, подценява търсенето с около осем процента“2. Когато скриха по-голяма част от пиковите часове, от една десета до половината, отклонението на силен модел, обучен на продажби, нарасна от −4,2% до −21,1%. Техният модел третира час, в който стоката е свършила, като долна граница, а не като самото търсене: търсенето е било поне колкото продаденото. В тяхната симулация поръчването по него намали моделирания брак от 9,8% на 6,4%, а делът на обслуженото търсене се повиши от 92,9% на 94,7%2. По-малко брак и по-добра наличност едновременно е белегът на коригирано отклонение; модел, който просто поръчва повече, би разменил едното за другото.
4. Спиралата
С времето отклонението расте, защото прогнозата определя следващата поръчка, а поръчката определя следващия запис:
Рафтът се изпразва следобедПродажбите спират до това, което е имало на него
Денят влиза в историята като слабВечерното търсене липсва в него
Прогнозата научава по-ниското число
Следващата поръчка е по-малка
Рафтът се изпразва по-ранои записът пада отново
Pedregal, Trapero и Holgado de Frutos проверяват това върху поредицата на един продукт от набора M5 с продажбите на Walmart, като я цензурират при наличността, която една политика за поръчки би поддържала3. При цел 70% стандартната прогноза с експоненциално изглаждане следва търсенето пет седмици, до първите липси; след една лоша седмица „ETS никога не се възстановява от тази лоша прогноза“, защото всяка недостатъчна поръчка поражда следващия занижен запис. Техният вариант Tobit, който чете разпродадения ден като долна граница, запазва курса си. При цел 80% от циклите на поръчка без липса на стока:
Стандартно експоненциално изглаждане
Експоненциално изглаждане Tobit
Същата поредица, същата цел
Хората правят същото. Във верига супермаркети от горния ценови сегмент, чиито мениджъри можеха да редактират предложените от системата поръчки за нетрайни стоки, изследване от 2026 г. установява, че след липса на стока мениджърите по-често намаляват предложението, сякаш празният рафт е показал, че продуктът се продава по-слабо, и че тези намаления правят следващата липса по-вероятна4. Блокирането на намаленията след липса на стока свива тези самопричинени липси при разумна цена за запасите4.
5. Когато самата отметка греши
Дали празният рафт ще се види в данните, зависи от записаната наличност, а записът може да греши точно в посоката, която го скрива. Когато системата показва бройки, които ги няма на рафта, продажбите спират, нищо не задейства поръчка и денят изглежда като ден без търсене, а не като липса на стока. В изследване на около 24 000 продукта в 11 магазина на голяма европейска верига за хранителни стоки пълната инвентаризация повиши продажбите в целия магазин с 11%, а целият ръст дойде от продукти, при които записът показваше повече наличност, отколкото имаше на рафта5. При тези продукти ефектът беше 2,67 пъти средния за магазина. Цензурата и грешките в записа са един и същ проблем, погледнат от две страни: и двете превръщат липсващата стока в привидно липсващо търсене.
6. Какво да правите с дните с празен рафт
- Отбелязвайте всеки ден по магазин и продукт, приключил без наличност, и всяка поредица от нулеви продажби, докато записът още показва наличност.
- Изключвайте отбелязаните дни от средните продажби и от разсейването им или ги третирайте като долна граница, както правят Tobit и подобните му модели. Никога като ден с нулево или ниско търсене.
- При пресните продукти пазете часа, в който рафтът се е изпразнил. Ден, в който стоката е свършила в 14:00, е загубил много повече от ден, в който е свършила в 20:00.
- Не намалявайте поръчката заради ниските продажби от миналата седмица, ако рафтът е бил празен част от нея.
- Преброявайте продуктите, които показват наличност, но са спрели да се продават, за да може да се вярва на самите отметки.
След това коригираната средна стойност влиза в точката на поръчка и в предпазния запас както обикновено.
7. Ограничения
FreshRetailNet-50K идва от обектите за доставка на онлайн търговец на хранителни стоки в Китай, а не от магазини, в които клиентите влизат, и статията към него е препринт. Таблицата по категории и данните за брака идват от симулации върху тези данни, при които търсенето е възстановено при определени допускания. Числата за спиралата са от препринта на публикуваната статия и се основават на поредицата на един продукт. Изследването за мениджърите е цитирано по резюмето му, а това с инвентаризацията е от един търговец. Нито едно от тях не измерва пряко изгубените продажби на европейска верига магазини, а това не може да направи никоя каса.
Как marql подхожда към това
В Retail-Bench, отворената симулация, създадена от marql за тестване на политики за снабдяване, всеки метод за оценка на търсенето третира ден, завършил с празен рафт, на нивото на дните, в които рафтът не е останал празен, независимо дали е учебниковата формула, ръчното правило или механизмът на marql6. Симулацията знае реалното търсене зад всяка продажба, затова може да измери колко струват празните рафтове, нещо, което една реална верига може само да оцени.
Източници
- Wang, Y., Gu, J., Long, L. et al. (2025). FreshRetailNet-50K: a stockout-annotated censored demand dataset for latent demand recovery and forecasting in fresh retail. arXiv:2505.16319, preprint. arxiv.org
- Yin, C., Zheng, Y. and Kong, Z. (2026). Demand hidden by stockouts: censored demand recovery and green waste-reduction forecasting for sustainable fresh-food consumption under emerging-market urbanization. Sustainability, 18(15), 7642. doi.org
- Pedregal, D. J., Trapero, J. R. and Holgado de Frutos, E. (2025). Tobit exponential smoothing, towards an enhanced demand planning in the presence of censored data. International Journal of Production Research. Figures from the preprint, arXiv:2407.17920. doi.org
- Özdemir, B. and Tenhiälä, A. (2026). Discretion in automated supermarket replenishment: censorship bias and self-inflicted stockouts. Manufacturing & Service Operations Management. doi.org
- Rekik, Y., Oliva, R., Syntetos, A. and Glock, C. H. (2026). Inventory record inaccuracy in grocery retailing: impact of promotions and product perishability, and targeted effect of audits. Journal of Business Logistics. doi.org
- MARQL Retail-Bench (2026). Methodology, equation 2. retail-bench.marql.one
ТемиЦензурирано търсене, Изгубени продажби, Прогнозиране на търсенето, Снабдяване на магазините