Як ШІ-агент скоротив помилки в закупівлях на 40% і зменшив залишки товару на складі

Як приклад, три закупівельники вручну аналізували продажі минулих періодів, відстежували сезонність, дивилися прогноз погоди (так, від погоди залежить попит на морозиво чи гарячі напої), намагалися врахувати акції конкурентів. На це йшло по 15-20 годин роботи щотижня, а точність прогнозів не перевищувала 65%. Після впровадження ШІ-агента ситуація змінилася кардинально: точність прогнозування зросла до 87%, скоротились надлишки товару і втрати від дефіциту.

Хаос у закупівлях: коли Excel більше не справляється

До автоматизації процес виглядав так: кожен понеділок закупівельники вивантажували дані продажів за минулий тиждень, порівнювали з аналогічним періодом минулого року, дивилися поточні залишки і на основі досвіду приймали рішення про замовлення. Звучить логічно, але проблем була купа. Людина фізично не може врахувати всі фактори одночасно: сезонність, день тижня, погоду, акції у конкурентів, святкові дні, тренди споживання.

Результат — системні помилки. Наприклад, закупівельник замовляв певну кількість йогуртів на основі продажів минулого тижня, не враховуючи, що тоді була аномально спекотна погода, а наступного тижня обіцяли похолодання. Товар приходив, але не продавався. Або інша ситуація: конкурент оголошував знижки на певну категорію, відтягував на себе покупців, а мережа залишалася з надлишками, бо не встигала відреагувати.

Фінансові втрати були конкретні і вимірювані. Щомісяця списували товар через закінчення терміну придатності. Додатковий збиток через упущений дохід від товарів, яких не було в наявності, коли клієнти їх шукали. Плюс зарплати трьох закупівельників по 35 тисяч кожен, причому левову частку часу вони витрачали саме на рутинний аналіз даних, а не на стратегічні рішення.

Архітектура рішення: ШІ-агент з командою "під капотом"

Рішення — складна система ШІ-агентів, кожен з яких виконує свою задачу. Головний агент координує роботу кількох спеціалізованих: один аналізує історичні дані продажів, другий — відстежує зовнішні фактори (погода, свята, тренди), третій — моніторить конкурентів, четвертий — оптимізує залишки на складі з урахуванням термінів придатності. Всі вони працюють паралельно і передають дані головному агенту, який формує фінальну рекомендацію.

Три місяці на підготовку даних

Впровадження почалося з інтеграції системи з обліковою програмою мережі. Потрібно було налаштувати автоматичну вивантаження даних про продажі, залишки, закупівлі за останні три роки — це база для навчання моделі. Паралельно підключили API з погодними сервісами, додали календар святкових днів, налаштували моніторинг цін конкурентів через парсинг їхніх сайтів.

На цьому етапі виникла головна проблема: дані виявилися "брудними". У минулому закупівельники по-різному фіксували одні й ті самі товари, були дублікати позицій, помилки в датах. Довелося витратити майже місяць на очищення та стандартизацію даних. Це типова ситуація — більшість бізнесів недооцінюють важливість якості даних.

Як працює система в реальному часі

Щоранку о 6:00 головний ШІ-агент запускає аналіз. Він бере дані про продажі за вчора, актуальні залишки, прогноз погоди на наступні 14 днів, календар (чи немає святкових днів), інформацію про заплановані акції в мережі та у конкурентів. Кожен підлеглий агент обробляє свою частину: один будує прогноз попиту на основі машинного навчання, другий — розраховує оптимальний рівень запасів, третій — сигналізує про ризики дефіциту або затоварення.

До 9:00, коли закупівельники приходять на роботу, система вже сформувала конкретні рекомендації: які позиції і в якій кількості замовити, які товари треба розпродати зі знижкою через наближення терміну придатності, де очікується сплеск попиту. Рекомендації приходять у зручній формі через веб-інтерфейс або Telegram-бот з поясненням логіки: "Рекомендуємо замовити +20% йогуртів, бо прогнозується спека та наближаються вихідні".

Адаптація під бізнес-процеси

Перший місяць роботи закупівельники працювали в паралельному режимі: робили замовлення так, як звикли, але порівнювали свої рішення з рекомендаціями ШІ. Точність прогнозів системи була вища на 15-20%, це додало довіри. Поступово почали більше покладатися на ШІ, залишивши за собою фінальне затвердження і роботу з нестандартними ситуаціями.

Цікавий момент: система виявила патерни, які закупівельники не помічали роками. Наприклад, у четвер попит на готову їжу зростав на 30% порівняно з іншими днями тижня — люди готувалися до п'ятниці і не хотіли готувати. Або що після дощових днів різко зростав попит на солодощі та продукти для випічки — люди компенсували погану погоду домашнім затишком. ШІ ці кореляції виловила і почала враховувати.

Конкретна економіка: скільки це дає в гривнях

Після півроку повноцінної роботи системи мережа отримала наступні показники:

• Точність прогнозів зросла з 65% до 87%.
• Надлишки товару скоротилися. 
• Втрати від дефіциту зменшилися. 
• Час закупівельників на рутинні операції скоротився в чотири рази.
• Кількість помилок у замовленнях впала на 40%.

Окупність такої системи настала через 3,5 місяця.

Але найбільша цінність виявилася в іншому. Закупівельники звільнили час для стратегічних завдань: пошуку нових постачальників, переговорів про кращі умови, тестування нових товарних позицій. Один з них почав займатися аналізом асортименту конкурентів і знаходити нішеві продукти, які можна додати до лінійки.

Поради тим, хто планує автоматизувати закупівлі

Перше і найголовніше — почніть з аудиту ваших даних. Якщо у вас хаос в обліку, жодна ШІ не допоможе. Витратьте час на те, щоб стандартизувати назви товарів, очистити дублікати, перевірити коректність історичних даних. Це нудно, але критично важливо. 

Друга порада — не очікуйте миттєвих результатів. Перші два-три місяці система вчиться на ваших даних, калібрується під специфіку бізнесу. В цей період працюйте в паралельному режимі: робіть закупівлі, як звикли, але порівнюйте з рекомендаціями ШІ. Це дасть розуміння, наскільки системі можна довіряти, і допоможе налаштувати параметри.

Третій момент — не намагайтеся автоматизувати весь асортимент одразу. Почніть з однієї-двох категорій товарів, які добре продаються і мають чітку статистику. Коли система покаже стабільні результати на них, розширюйте на інші категорії. Часта помилка — запускають систему на весь асортимент, включно з рідкісними позиціями, де даних мало, і потім розчаровуються в точності.

Ще важливо налаштувати правильний баланс між автоматизацією та контролем. ШІ має давати рекомендації, а людина — приймати фінальне рішення, принаймні на початку. З часом, коли довіра до системи зросте, можна переходити на повну автоматизацію рутинних замовлень, залишивши людині тільки нестандартні ситуації.

Куди рухається ринок

Прогнозування закупівель — це тільки початок. Вже зараз такі системи вміють оптимізувати ціноутворення в реальному часі (знижки на товари, що залежуються, підвищення цін на дефіцитні позиції), планувати логістику (який товар в який магазин везти з урахуванням локального попиту), персоналізувати асортимент для різних точок продажу.

Наступний крок — інтеграція з системами управління відносинами з постачальниками. ШІ сам формуватиме замовлення, відправлятиме їх постачальникам, відстежуватиме виконання, сигналізуватиме про затримки. Людина залишається для стратегічних рішень та роботи з винятковими ситуаціями. Це вже не фантастика, а реальність наступних двох-трьох років для українського ринку.