Покупатель пришёл за конкретным йогуртом, а полка пустая. Для него это секундное раздражение. Для магазина — несостоявшаяся выручка, для бренда — потерянный контакт и часто переход к конкуренту. Проблема out-of-stock (OOS) выглядит локальной, но на масштабе сети превращается в системную утечку прибыли.
Что такое OOS и почему «товар есть» не равно «товар на полке»
OOS — это ситуация, когда покупатель готов купить товар, но не может этого сделать: товара нет в магазине, он не выложен в зале или выложен так, что его не видно. Ключевой нюанс: для покупателя товар «отсутствует» и тогда, когда он лежит в подсобке, но не на полке.
Отдельно стоит phantom inventory — «фантомные остатки», когда учётная система показывает наличие, а физически товара нет. Это одна из самых опасных причин скрытого OOS: автозаказ не срабатывает, и полка остаётся пустой, пока система «верит» в остаток.
Масштаб потерь: цифры, которые меняют приоритеты
Мировые исследования дают устойчивый ориентир: типичный уровень OOS в FMCG — 5–10%, а потери от OOS составляют 3–8% потенциального оборота по категориям. В деньгах это колоссально: по оценке The Wall Street Journal, торговые сети ежегодно теряют из-за отсутствия товара на полке $634 млрд.
Для онлайн- и маркетплейс-канала ставки ещё выше. Даже 1–2 дня простоя популярного SKU могут стоить 5–15% месячного оборота этой позиции из-за потери видимости и ранжирования. Если стокауты фиксируются более чем в 5% рабочих дней в месяц, продавец рискует потерять 7–12% потенциальной выручки; прогнозная аналитика позволяет сократить этот разрыв до 1–2%.
Три разрыва, которые создают OOS
Причины OOS удобно делить не на «логистику» и «полку», а на три последовательных разрыва — так проще выстроить систему профилактики.
1. Разрыв прогноза. Неточный прогноз спроса — крупнейшая причина OOS в мире: около 34% случаев. Промо, сезонность, запуск нового SKU — всё это ломает исторические паттерны. Ошибка прогноза запускает цепочку: недозаказ → дефицит → спешные дозаказы → рост логистических издержек.
2. Разрыв пополнения. Товар заказан, но не дошёл вовремя, или дошёл, но не попал на полку. В мировом разрезе на пополнение полки приходится около 25% причин OOS. При этом до 75% событий OOS обусловлены внутренними процессами самой сети, а не поставщиками.
3. Разрыв выкладки. Товар есть в магазине и даже в подсобке, но не выставлен, стоит не по планограмме или закрыт соседним товаром. Для покупателя это тот же OOS. Исследования показывают, что в части случаев товар физически присутствует в торговой точке, но не доступен на полке так, как ожидает покупатель.
KPI: что измерять, чтобы управлять OOS
Два базовых показателя закрывают слепые зоны:
- OSA (On-Shelf Availability) — доля товарных позиций, которые физически стоят на полке и доступны покупателю в момент визита. Формула:
OSA = (позиции на полке ÷ ожидаемые позиции на полке) × 100. - OOS rate / OOS duration — доля времени, когда товар отсутствовал, и средняя продолжительность отсутствия.
Ориентир: в Западной Европе и США средний OSA держится около 92%, но даже при этом сети теряют порядка 4% продаж; улучшение OSA на 2 п.п. даёт примерно +1% к продажам.
Как не терять продажи: рабочий контур
Прогнозирование спроса. Переход от «средних продаж» к моделям, учитывающим промо, сезонность, праздники и lead time поставщика. Цель — не идеальный прогноз, а управляемая ошибка: типичный целевой MAPE для SKU — 10–30% в зависимости от скорости продаж.
Автозаказ с точками перезаказа. Настройка reorder point не по «ощущению», а по скорости продаж, страховому запасу и сроку поставки. Это снижает и OOS, и затоваривание одновременно.
Борьба с phantom inventory. Регулярные выборочные сверки топ-SKU, а не только годовая инвентаризация. В кейсах автоматизация виртуальных остатков и задач на проверку полки даёт рост продаж приоритетных товаров и снижение складских остатков.
Контроль полки, а не только склада. Если сеть меряет только «store OOS», она не видит «shelf OOS» — товар в магазине, но не на полке. Это две разные операционные проблемы с разными причинами и разными решениями.
Технологии точечно, а не «всё сразу». RFID, smart shelves, компьютерное зрение и AI-прогнозирование работают там, где есть чистые данные и процесс. По оценкам McKinsey, AI-прогнозирование способно сократить ошибки в цепочке поставок на 20–50% и снизить потери от стокаутов до 65%.