Анализ данных и постановка задачи машинного обучения в управлении товарными запасами при цензурированном спросе
Рубрика: Управление в социально-экономических системах
Статья в выпуске: 3 т.26, 2026 года.
Бесплатный доступ
Цель исследования. Целью работы является анализ структуры данных и формализация задачи машинного обучения в управлении товарными запасами в условиях отсутствия данных о продажах. Такая ситуация характерна для оптовой торговли и дистрибуции, где доступная для анализа информация описывает не фактический спрос, а лишь наличие складских остатков и цен на определённую дату формирования прайс-листа. Материалы и методы. В качестве эмпирической базы использованы ежедневные прайс-листы крупного оптового поставщика автозапчастей, охватывающие более 100 календарных дней наблюдения. На их основе сформированы временные ряды, отражающие динамику доступности складских остатков, цен по отдельным товарным позициям. Применены методы анализа временных рядов, статистического описания данных и выявления структурных особенностей ассортимента. Результаты. В процессе накопления и обработки данных была сформирована выборка, включающая в себя 133 852 уникальные товарные единицы. Проведённый анализ показал, что для значительной части товарных позиций характерны длительные периоды отсутствия товара на складе, средняя длительность которых составила 39,3 дня, приводящие к систематическому цензурированию наблюдаемого спроса. Установлено, что львиная доля отсутствия товарных позиций на складе поставщика, а именно 91,7 % длятся не менее 3 дней, 75 % превышают 1 неделю, 55,6 % продолжаются 14 дней и более, используется без учёта эффекта цензурирования, что приводит к искажению оценки спроса и снижению качества управленческих решений. Выявлены количественные характеристики периодов отсутствия товара, подтверждающие необходимость перехода от прямого анализа наблюдаемых величин к моделированию скрытого спроса. Заключение. Полученные результаты формируют методологическую основу для разработки моделей машинного обучения, ориентированных на восстановление скрытого спроса и поддержку принятия решений в системах управления товарными запасами. Предложенный подход может быть использован при создании аналитических инструментов и программных библиотек для обработки данных в условиях неполной наблюдаемости.
Короткий адрес: https://sciup.org/147254894
IDS: 147254894 | УДК: 338.274; 004.85 | DOI: 10.14529/ctcr260307
Data analysis and machine learning problem formulation in inventory management under censored demand
The purpose of this study is to analyze the structure of daily supplier price lists and to formulate a machine learning problem for inventory management when direct sales data are unavailable. This setting is typical for wholesale and distribution companies, where the available information reflects assortment composition, prices, and stock balances rather than actual customer demand. Materials and Methods. The empirical basis of the study consists of daily price lists from a large wholesale auto parts supplier covering 113 calendar days of observations. The data were preprocessed by normalizing product records, constructing stable SKU identifiers, and forming daily time series that include stock balances, prices, and product availability indicators. The study applies descriptive statistics, time series analysis, assortment dynamics analysis, and detection of consecutive out-of-stock intervals. Particular attention is paid to distinguishing between two different states: a zero-stock balance for an item still present in the price list and the complete absence of an item from the observed data. Results. The processed dataset contains 133,852 unique stock keeping units. For a representative sample of 5,000 SKUs, 36 consecutive zero-stock intervals were identified. The average duration of an out-of-stock period was 39.3 days, the median duration was 25 days, and the maximum duration reached 113 days. It was found that 91.7 % of such periods lasted at least 3 days, 75.0 % exceeded one week, and 55.6 % continued for 14 days or more. These results show that stockouts are not isolated short-term deviations but a systematic source of demand censoring. Conclusion. The study demonstrates that direct use of inventory balances or sales observations without accounting for censoring may lead to biased demand estimation and poorer replenishment decisions. The proposed problem formulation provides a methodological basis for developing machine learning models aimed at recovering latent demand and supporting inventory management under incomplete data observability.
