Рассматривается проблема повышения эффективности управления складскими запасами торговых предприятий ритейла в условиях высокой неопределенности рыночной среды. Обоснован переход от традиционных реактивных моделей пополнения запасов к предиктивным методам принятия управленческих решений на основе технологий искусственного интеллекта. Предложен алгоритм адаптивного управления лимитами пополнения складских мощностей, интегрирующий методы машинного обучения для прогнозирования стохастического спроса. Научная новизна заключается в разработке самообучающегося контура управления, позволяющего минимизировать объем страховых запасов при сохранении заданного уровня сервиса. Практическая значимость исследования подтверждена расчетами высвобождения оборотного капитала и оптимизации использования складской емкости, что способствует росту операционной эффективности логистического менеджмента вконтексте перехода торговых операторов к дата-центричным моделям управления.
This paper addresses the challenge of enhancing inventory management efficiency within trading enterprises amid high market uncertainty. The study substantiates a strategic shift from traditional reactive replenishment models to predictive decision-making mechanisms powered by artificial intelligence. The author proposes an adaptive algorithm for managing warehouse capacity limits, integrating machine learning techniques to forecast stochastic demand. The scientific novelty lies in the development of a self-learning management loop designed to minimize safety stocks while maintaining a predefined service level. The practical significance is supported by calculations demonstrating working capital release and optimized warehouse utilization, ultimately fostering increased operational efficiency in logistics management under digital transformation.