Если запасы то и дело уходят либо в дефицит, либо в излишки, проблема часто не в самом объеме закупки, а в слабом понимании стабильности спроса по каждой позиции. Именно это и решает расчет XYZ-анализа: он показывает, какие товары потребляются предсказуемо, какие подвержены колебаниям, а какие ведут себя хаотично.
Для руководителей закупок, менеджеров по запасам, операционных директоров и аналитиков это практичный способ перейти от интуитивного управления остатками к системной модели пополнения. А если добавить FineBI + Dora, можно не только видеть BI-дашборды по запасам, но и получать AI-подсказки: задавать вопрос в чате, быстро строить chart-based answers или dashboard-style analysis views на основе доверенных BI-данных и получать scheduled summaries перед планеркой или закупочным комитетом.
Все дашборды в этой статье созданы с помощью FineBI
Что решает расчет XYZ-анализа в управлении запасами
Расчет XYZ-анализа помогает оценить не просто объем продаж или потребления, а предсказуемость спроса. Это критично для управления складом, закупками и оборотным капиталом.
На практике XYZ-анализ помогает выявить:
- дефицитные позиции, по которым спрос относительно стабилен, но правила пополнения не соответствуют реальному ритму потребления;
- излишки, возникающие при одинаковом подходе к стабильным и нестабильным товарам;
- нестабильный спрос, из-за которого план закупки регулярно ошибается;
- слабые места в страховом запасе, когда он либо слишком велик, либо недостаточен;
- товары с разной логикой движения, которые ошибочно управляются по одним и тем же правилам.
Метод особенно полезен, когда компании нужно:
- повысить доступность товара без роста складских остатков;
- точнее планировать закупки и пополнение;
- снизить замороженные деньги в медленно и хаотично движущихся позициях;
- выстроить более понятные KPI склада и закупок;
- регулярно пересматривать ассортимент по фактическому поведению спроса.
Главное отличие XYZ-подхода от интуитивного управления в том, что решения принимаются не по ощущению “товар вроде ходовой” или “эту позицию лучше держать с запасом”, а по измеримой вариативности потребления. Это особенно важно в компаниях с широким ассортиментом, сезонностью, акциями, региональными различиями и неравномерной оборачиваемостью.
Расчет XYZ-анализа: 5 шагов для практического применения
Шаг 1. Подготовить данные по спросу и остаткам
Первый шаг — собрать корректную базу для анализа. Если исходные данные искажены, даже идеальная формула не даст полезного результата.
Что нужно определить заранее:
- период анализа: например, 3, 6, 12 месяцев;
- частоту наблюдений: по дням, неделям или месяцам;
- объект анализа: SKU, товарная группа, склад, филиал, канал продаж;
- метрику спроса: продажи, отгрузки, списания, потребление в производстве.
Обычно для практического расчета берут ряд значений спроса по каждой товарной позиции за одинаковые интервалы. Например: продажи товара по неделям за последние 26 недель.
На этом этапе важно проверить:
- есть ли пропуски в данных;
- не искажают ли картину разовые всплески;
- были ли промо-акции, аварийные закупки, распродажи;
- не влияли ли на спрос сбои поставок, когда товар отсутствовал и продажи занижены;
- корректно ли отражены возвраты и внутренние перемещения.
Если компания уже ведет BI-аналитику запасов в FineBI, на этом этапе удобно собрать единый trusted dashboard: динамику спроса, остатки, out-of-stock, покрытие запасом, отклонения по филиалам и SKU. Это снижает риск того, что закупки, склад и финансы работают по разным цифрам.
Шаг 2. Рассчитать колебания спроса по каждой позиции
Суть XYZ-анализа — в оценке степени колебаний спроса. Чаще всего для этого используют коэффициент вариации: он показывает, насколько сильно спрос отклоняется от среднего значения.
Упрощенная логика такая:
- рассчитывается средний спрос по позиции за выбранный период;
- определяется стандартное отклонение;
- затем считается коэффициент вариации как отношение отклонения к среднему.
Чем ниже коэффициент вариации, тем стабильнее спрос. Чем выше — тем менее предсказуемо поведение товара.
Это позволяет сравнивать между собой товары с разными объемами движения. Например:
- товар может продаваться много, но стабильно;
- другой — продаваться реже, но с сильными колебаниями;
- третий — почти случайно, без повторяемого паттерна.
Для дальнейшей классификации важно использовать единый и понятный показатель вариативности, а не смешивать разные подходы в рамках одного отчета.
Ключевые показатели для XYZ-анализа
-
Средний спрос: среднее потребление или продажи за выбранный интервал.
Бизнес-ценность: показывает базовый уровень потребления.
AI use: Dora может по запросу вывести средний спрос по SKU, складу или категории и включить его в scheduled briefing для закупок. -
Стандартное отклонение спроса: мера разброса значений вокруг среднего.
Бизнес-ценность: помогает понять, насколько поведение товара устойчиво.
AI use: Dora может сравнить отклонение по товарам, подсветить нетипичные позиции и подготовить chart-based answer по группам. -
Коэффициент вариации: отношение стандартного отклонения к среднему спросу.
Бизнес-ценность: основной показатель для деления на X, Y и Z.
AI use: Dora может через чат получить этот показатель из доверенных BI-активов FineBI, объяснить категорию товара и включить ее в отчет по управлению запасами. -
Уровень дефицита / out-of-stock: доля времени или число случаев отсутствия товара при наличии спроса.
Бизнес-ценность: показывает потери продаж и ошибки в правилах пополнения.
AI use: Dora может связать категорию XYZ с частотой дефицита и сформировать предупреждение для ответственного менеджера. -
Покрытие запасом: на сколько дней или периодов хватит текущего остатка.
Бизнес-ценность: помогает увидеть риск как дефицита, так и перегруза склада.
AI use: Dora может в чате показать позиции с опасно низким или избыточным покрытием внутри каждой XYZ-категории.
Шаг 3. Разделить товары на категории X, Y и Z
После расчета вариативности товары распределяются по трем группам:
- X — стабильный спрос;
- Y — умеренные колебания;
- Z — хаотичный или трудно прогнозируемый спрос.
Конкретные пороги компания задает сама. Главное — зафиксировать критерии и применять их регулярно. Например, в одной организации классификация может строиться по месячным данным, в другой — по недельным. Это допустимо, если методология не меняется от отчета к отчету без объяснимой причины.
Практическая ценность этой классификации в том, что она задает разные сценарии управления:
- одинаковый страховой запас для всех товаров больше не нужен;
- закупки могут работать по разным правилам пополнения;
- контроль медленно и нестабильно движущихся позиций становится адресным;
- приоритизация внимания команды становится проще.
Важно не превращать XYZ в “разовую таблицу”. Это рабочая сегментация, которая должна быть встроена в закупочные и складские процессы.
Шаг 4. Назначить правила закупок и страхового запаса
Сам анализ бесполезен, если после него не меняются правила действий. После классификации необходимо назначить отдельные принципы пополнения для каждой группы.
Для стабильных позиций можно:
- точнее считать точку заказа;
- держать более предсказуемый страховой запас;
- использовать регулярное пополнение с меньшей перестраховкой;
- сильнее опираться на исторические данные.
Для умеренно колеблющихся позиций нужно:
- учитывать сезонность;
- добавлять сценарии под акции и промо;
- чаще пересматривать прогноз;
- согласовывать закупки с маркетингом и продажами.
Для нестабильных товаров полезны другие подходы:
- закупка меньшими партиями;
- отдельное согласование исключений;
- ограничение страхового запаса;
- заказ под событие, проект или подтвержденную потребность;
- более жесткий контроль замороженного капитала.
Шаг 5. Встроить анализ в регулярный контроль запасов
Чтобы расчет XYZ-анализа работал на результат, его нужно сделать частью регулярного цикла управления запасами.
Рекомендуется определить:
- как часто пересчитываются категории: ежемесячно, ежеквартально, сезонно;
- кто отвечает за пересмотр правил по категориям;
- какие KPI отслеживаются после внедрения;
- как результаты связываются с бюджетом закупок, сервисным уровнем и оборачиваемостью;
- как анализ влияет на минимальные остатки, точку заказа и лимиты хранения.
Именно здесь BI-подход особенно полезен. В FineBI можно собрать единый dashboard-style analysis view по остаткам, оборачиваемости, точности пополнения, случаям дефицита и распределению SKU по XYZ-категориям. А Dora добавляет следующий слой зрелости: не просто отображение данных, а AI assistant для регулярных действий по сценарию.
Как интерпретировать категории XYZ в закупках и на складе
Категория X: стабильный спрос
Это товары с высокой предсказуемостью потребления. По ним обычно проще строить точные планы закупок и поддерживать хороший уровень наличия без лишнего запаса.
Что важно делать по X-позициям:
- настраивать регулярное пополнение;
- держать разумный, а не завышенный страховой запас;
- использовать точные минимальные остатки;
- быстро выявлять отклонения, потому что любые изменения здесь особенно заметны.
Если по X-товарам регулярно возникает дефицит, это часто говорит уже не о “сложности спроса”, а о проблеме в процессе: неверная точка заказа, длительный цикл поставки, ошибки в учете или несогласованность между филиалами.
Категория Y: умеренные колебания
Это товары, спрос по которым меняется, но не хаотично. Часто на них влияют:
- сезонность;
- локальные акции;
- календарные пики;
- повторяющиеся внешние факторы.
По таким позициям не стоит применять чрезмерно жесткие правила. Здесь важнее адаптивность:
- учитывать предсказуемые сезонные волны;
- пересматривать параметры пополнения чаще;
- сопоставлять продажи с маркетинговыми активностями;
- использовать отдельные сценарии для пиковых периодов.
Категория Y часто дает наибольший эффект от улучшения планирования: здесь еще есть предсказуемость, но уже заметны потери из-за упрощенного управления.
Категория Z: непредсказуемое потребление
Это самые сложные позиции: спрос нерегулярен, разрывы между продажами велики, а всплески плохо прогнозируются.
По ним ключевая задача — не пытаться управлять так же, как X-товарами. Иначе компания получает:
- избыточные остатки;
- низкую оборачиваемость;
- заморозку оборотных средств;
- высокий процент неликвидов.
Рабочие меры для Z-категории:
- снижать объем стандартного хранения;
- закупать под подтвержденный спрос;
- ограничивать автоматическое пополнение;
- выделять позиции для отдельного согласования;
- контролировать стоимость хранения и риск списания.
Как an AI Data Agent Handles This Scenario
Когда ассортимент большой, вручную пересчитывать XYZ-категории, отслеживать отклонения и готовить объяснения для закупок неудобно. Именно здесь Dora выступает как enterprise Data Agent поверх FineBI: не заменяя BI-основу, а превращая доверенные дашборды, метрики и семантические активы в сценарный AI-инструмент для бизнеса.
Наиболее подходящий цифровой сотрудник в этом сценарии — Data Analyst digital employee в связке с Daily Briefing Secretary и, при необходимости, Risk Alert Officer.
Пример запроса в чате
«Покажи расчет XYZ-анализа по SKU за последние 6 месяцев, выдели позиции с высоким риском дефицита среди X и Y, а также товары категории Z с избыточным остатком. Подготовь краткое резюме для закупок на эту неделю.»

Как Dora выполняет этот сценарий
- Получает доверенные данные из FineBI: ряды спроса, остатки, out-of-stock, покрытие запасом, историю закупок и уже настроенные бизнес-метрики.
- Понимает семантику показателей: что считается спросом, как рассчитывается коэффициент вариации, какие фильтры применяются по складам, регионам, каналам и периодам.
- Возвращает chart-based answer или dashboard-style analysis view через чат: показывает распределение по X/Y/Z, список рисковых SKU, тренды и отклонения.
- Проверяет правила и пороги: например, находит X-позиции с неожиданным ростом дефицита или Z-позиции с завышенным покрытием запасом.
- Формирует summary и push для ответственных пользователей: закупщика, менеджера категории, руководителя склада, финансового контролера.
- Готовит follow-up: краткое резюме к совещанию, список товаров на пересмотр правил и периодическую рассылку по исключениям.
Какую роль играет FineBI
FineBI здесь — это доверенная BI-основа:
- единые KPI по запасам и спросу;
- согласованная логика расчета метрик;
- dashboard retrieval из уже используемых BI-активов;
- семантический слой с понятными бизнес-терминами;
- разграничение прав доступа;
- визуальная аналитика для закупок, склада и руководства.
Без такой основы AI будет отвечать менее надежно. Dora работает сильнее именно там, где уже есть качественные данные, KPI governance и понятная бизнес-семантика.
Как Dora улучшает исполнение, а не только анализ
Практическая ценность Dora не в том, чтобы “поговорить с данными”, а в том, чтобы довести сценарий до действия:
- дать natural-language data query по trusted BI assets;
- быстро достать нужный dashboard или metric retrieval из FineBI;
- подготовить chart-based answers для закупки, логистики и руководства;
- отправить scheduled summaries утром перед встречей;
- настроить anomaly alerts и push-уведомления по рискам;
- использовать skills-based execution, чтобы AI работал контролируемо и аудируемо;
- сократить ручную рутину аналитиков и менеджеров категорий.
Для бизнеса это особенно важно: Dora — не абстрактный AI-эксперимент, а практичный AI digital employee для повторяемой работы с данными: еженедельные разборы запасов, поиск причин дефицита, краткие отчеты по категориям, уведомления по исключениям и подготовка материалов к закупочным решениям.
Для IT-команды ценность тоже понятна: вместо бесконечного ручного создания новых отчетов под каждый вопрос, IT усиливает соединения с данными, quality control, permissions, semantic rules и reusable Skills. Это дает более устойчивую enterprise-модель, чем хаотичное использование raw prompt-only agents.
Какие ошибки мешают получить точный результат
Даже при понятной формуле компании часто получают слабый результат из-за методических ошибок.
Использование слишком короткого периода данных
Если взять слишком короткий интервал, категории будут нестабильными. Временный всплеск или просадка могут исказить всю картину. Особенно опасно это для сезонных товаров и ассортимента с редкими продажами.
Смешивание товаров с разной логикой спроса в одной группе
Нельзя бездумно анализировать вместе:
- проектные и регулярные позиции;
- товары с акциями и без;
- регионально разные SKU;
- продукты с различной частотой потребления.
Иначе классификация теряет смысл, потому что сравниваются несопоставимые модели поведения.
Игнорирование промо, разовых закупок и сбоев поставок
Если не очистить данные от одноразовых факторов, товар может попасть не в ту категорию. Например, промо даст видимость высокой нестабильности, а дефицит из-за отсутствия товара исказит реальный спрос.
Отсутствие действий после классификации: анализ есть, решений нет
Это самая частая ошибка. Компания красиво делит товары на X, Y и Z, но:
- не меняет параметры пополнения;
- не корректирует страховой запас;
- не выделяет исключения;
- не связывает анализ с KPI закупок и склада.
В результате XYZ-анализ становится отчетом ради отчета.
Как использовать результаты XYZ-анализа для снижения дефицита и излишков
Правильное применение результатов дает эффект не в таблице, а в операционных решениях.
Настроить разные правила пополнения для каждой категории
Одинаковый подход ко всем SKU почти всегда ведет либо к дефициту, либо к перегрузке склада. Категории X, Y и Z должны иметь разные:
- точки заказа;
- размеры партии;
- частоту пересмотра;
- требования к согласованию;
- логику страхового запаса.
Пересмотреть страховой запас и минимальные остатки
XYZ-анализ помогает понять, где запас завышен “на всякий случай”, а где он наоборот недостаточен для стабильной позиции. Это один из самых прямых рычагов снижения замороженного капитала.
Выявить позиции для более точного прогноза и отдельного контроля
Особого внимания требуют:
- X-позиции с неожиданным дефицитом;
- Y-позиции с выраженной сезонностью;
- Z-товары с высоким остатком;
- дорогие SKU с нестабильным движением;
- критичные позиции, влияющие на сервисный уровень.
Объединить XYZ-анализ с другими методами сегментации для управленческих решений
На практике XYZ особенно силен в сочетании с другими подходами, например:
- с ABC-анализом по стоимости или обороту;
- с сегментацией по маржинальности;
- с классификацией по критичности для производства или клиента;
- с анализом поставщиков и длительности поставки.
Так компания получает не просто “стабильный или нестабильный спрос”, а полноценную карту управленческих приоритетов.
Практические рекомендации по внедрению
1. Стандартизируйте определения KPI и бизнес-терминов
Зафиксируйте, что в компании считается спросом, как учитываются возвраты, дефицит, промо и перемещения. Без этого одинаковые показатели будут трактоваться по-разному.
2. Постройте семантический слой внутри BI-процесса
Это особенно важно для масштабирования аналитики. FineBI помогает закрепить trusted metrics, фильтры, измерения и бизнес-логику, чтобы закупки, склад, финансы и руководство смотрели на один набор правил.
3. Начинайте с повторяемых сценариев высокой ценности
Не пытайтесь сразу автоматизировать весь контур управления запасами. Сначала выберите 1–2 кейса, например:
- еженедельный обзор XYZ по ключевым SKU;
- контроль дефицита по X-товарам;
- уведомления по Z-позициям с избыточным остатком.
Это лучший путь для Dora как для practical enterprise Data Agent: сначала закрепить сценарий, затем расширять Skills.
4. Сохраняйте permission governance и контроль качества данных
AI-слой не отменяет требований к правам доступа, качеству данных и KPI governance. Наоборот, без них AI-ответы будут менее надежными. Dora особенно эффективна там, где FineBI уже задает доверенную основу и контролируемые границы доступа.
5. Используйте human review для AI-отчетов и постепенно расширяйте сценарии
На старте полезно оставлять проверку итоговых AI-summary за человеком: категорийным менеджером, аналитиком или руководителем закупок. Это ускоряет принятие AI в бизнесе и помогает настраивать более точные governed AI workflows.
FineBI + Dora: практический путь от XYZ-анализа к управляемому сценарию запасов
Построить такую систему вручную сложно. Нужны доверенные метрики, единые правила расчета, визуальная аналитика, контроль прав, сценарии уведомлений и понятный механизм follow-up. Именно поэтому связка FineBI + Dora особенно уместна в задачах управления запасами.
FineBI помогает построить доверенную основу:
- дашборды по остаткам, спросу, out-of-stock и покрытию;
- self-service analytics для закупок и операционных команд;
- моделирование метрик и единые KPI;
- визуальное исследование причин дефицита и излишков;
- надежные semantic assets для бизнеса.
Dora превращает эту основу в сценарный AI assistant:
- отвечает на вопросы на естественном языке поверх trusted BI assets;
- выполняет dashboard and metric retrieval из FineBI;
- дает chart-based answers и dashboard-style analysis views;
- готовит scheduled summaries и periodic briefings;
- помогает с anomaly alerts, push notifications и follow-up;
- использует более контролируемые Skills для устойчивых и аудируемых AI-workflows.
Важно: Dora не заменяет FineBI. FineBI создает управляемый BI-фундамент, а Dora добавляет слой Agentic BI для исполнения сценариев. Это и есть практичный путь четвертого поколения: natural-language request, trusted semantic layer, governed query или Skill execution, а затем ответ, визуализация, summary, действие и дальнейшее сопровождение.
Построить это вручную сложно. FineBI помогает командам создавать доверенные дашборды, метрики и семантические активы. Dora превращает эти активы в AI assistant, который может отвечать на вопросы в чате, генерировать dashboard-style analysis views, отправлять scheduled summaries, отслеживать аномалии и доводить информацию до ответственных сотрудников.
FineBI + Dora — это не только развитие BI, но и практический путь к fourth-generation Agentic BI. FineBI обеспечивает governed metrics и визуальный анализ. Dora добавляет AI assistant layer для исполнения сценариев с более контролируемыми Skills, меньшими потерями токенов, более быстрыми маршрутами выполнения и более стабильными workflow, чем prompt-only agents.
 templates: Fine Gallery](https://media.finebi.com/strapi/fine_gallery_8031d65fb3.png)
Получите готовые шаблоны дашбордов в Fine Gallery.
Для руководителей это означает понятный ROI в повторяемых задачах: еженедельный разбор дефицита, контроль избыточных остатков, подготовка сводок по категории, уведомления по исключениям и поддержка закупочных решений. Для IT — переход от ручного производства отчетов к управлению качеством данных, семантикой, правами и reusable agent Skills. Для бизнес-пользователей — меньше трения, быстрее ответы, своевременные summary и меньше зависимости от очереди к аналитикам.
Самый сильный сценарий позиционирования Dora — это scenario + product + service: FineBI дает доверенную BI-основу, Dora дает AI digital employee, а проектное внедрение соединяет данные, governance, semantic setup, Skills и rollout в реальный рабочий процесс.
FAQs
XYZ-анализ показывает, насколько стабилен или нестабилен спрос по каждой товарной позиции. Это помогает выбрать разные правила пополнения для предсказуемых и хаотичных товаров.



