Как ИИ-агент сократил ошибки в закупках на 40% и уменьшил остатки товара на складе

В качестве примера три закупщика вручную анализировали продажи прошлых периодов, отслеживали сезонность, смотрели прогноз погоды (так, от погоды зависит спрос на мороженое или горячие напитки), пытались учесть акции конкурентов. На это уходило по 15-20 часов работы еженедельно, а точность прогнозов не превышала 65%. После внедрения ИИ-агента ситуация изменилась кардинально: точность прогнозирования выросла до 87%, сократились излишки товара и потери от дефицита.

Хаос в закупках: когда Excel больше не справляется

До автоматизации процесс выглядел следующим образом: каждый понедельник покупатели выгружали данные продаж за прошедшую неделю, сравнивали с аналогичным периодом прошлого года, смотрели текущие остатки и на основе опыта принимали решение о заказе. Звучит логически, но проблем была куча. Человек физически не может учесть все факторы одновременно: сезонность, день недели, погоду, акции у конкурентов, праздничные дни, тренды потребления.

Результат – системные ошибки. К примеру, закупщик заказывал определенное количество йогуртов на основе продаж на прошлой неделе, не учитывая, что тогда была аномально жаркая погода, а на следующей неделе обещали похолодание. Товар приходил, но не продавался. Или другая ситуация: конкурент объявлял скидки на определенную категорию, оттягивал на себя покупателей, а сеть оставалась с избытками, потому что не успевала отреагировать.

Финансовые потери были конкретны и измеряемы. Ежемесячно списывали товар по истечении срока годности. Дополнительный ущерб из-за упущенного дохода от товаров, которых не было в наличии, когда клиенты их искали. Плюс зарплаты трех закупщиков по 35 тысяч каждый, причем львиную часть времени они тратили именно на рутинный анализ данных, а не на стратегические решения.

Архитектура решения: ИИ-агент с командой "под капотом"

Решение – сложная система ИИ-агентов, каждый из которых выполняет свою задачу. Главный агент координирует работу нескольких специализированных: один анализирует исторические данные продаж, второй – отслеживает внешние факторы (погода, праздники, тренды), третий – мониторит конкурентов, четвертый – оптимизирует остатки на складе с учетом сроков годности. Все они работают параллельно и передают данные главному агенту, формирующему финальную рекомендацию.

Три месяца для подготовки данных

Внедрение началось с интеграции системы с учетной программой сети. Требовалось настроить автоматическую выгрузку данных о продажах, остатках, закупках за последние три года — это база для обучения модели. Параллельно подключили API с погодными сервисами, добавили календарь праздничных дней, настроили мониторинг цен конкурентов через парсинг их сайтов.

На этом этапе возникла главная проблема: данные оказались "грязными". В прошлом закупщики по-разному фиксировали одни и те же товары, были дубликаты позиций, ошибки в датах. Пришлось потратить почти месяц на очистку и стандартизацию данных. Это типичная ситуация – большинство бизнесов недооценивают важность качества данных.

Как работает система в реальном времени

Каждое утро в 6:00 главный ИИ-агент запускает анализ. Он берет данные о продажах за вчера, актуальные остатки, прогноз погоды на следующие 14 дней, календарь (нет ли праздничных дней), информацию о запланированных акциях в сети и у конкурентов. Каждый подчиненный агент обрабатывает свою часть: один строит прогноз спроса на основе машинного обучения, второй — рассчитывает оптимальный уровень запасов, третий — сигнализирует о рисках дефицита или затоварения.

К 9:00, когда закупщики приходят на работу, система уже сформировала конкретные рекомендации: какие позиции и в каком количестве заказать, какие товары нужно распродать со скидкой из-за приближающегося срока годности, где ожидается всплеск спроса. Рекомендации приходят в удобной форме через веб-интерфейс или Telegram-бот с объяснением логики: "Рекомендуем заказать +20% йогуртов, потому что прогнозируется жара и приближаются выходные".

Адаптация под бизнес-процессы

Первый месяц работы закупщики работали в параллельном режиме: делали заказы так, как привыкли, но сравнивали свои решения с рекомендациями ИИ. Точность прогнозов системы была выше на 15-20%, что добавило доверия. Постепенно стали больше полагаться на ИИ, оставив за собой финальное утверждение и работу по нестандартным ситуациям.

Интересный момент: система обнаружила паттерны, которые закупщики не замечали годами. К примеру, в четверг спрос на готовую пищу рос на 30% по сравнению с другими днями недели — люди готовились к пятнице и не хотели готовить. Или после дождливых дней резко рос спрос на сладости и продукты для выпечки — люди компенсировали плохую погоду домашним уютом. ИИ эти корреляции выловила и принялась учитывать.

Конкретная экономика: сколько это дает в гривнах

После полугода полноценной работы системы сеть получила следующие показатели:

• Точность прогнозов выросла с 65% до 87%.
• Излишки товара сократились.
• Потери из-за дефицита уменьшились.
• Время покупателей на рутинные операции сократилось в четыре раза.
• Количество ошибок в заказах упало на 40%.

Окупаемость такой системы наступила через 3,5 месяца.

Но самая большая ценность оказалась в другом. Закупщики освободили время для стратегических задач: поиска новых поставщиков, переговоров о лучших условиях, тестирование новых товарных позиций. Один из них начал заниматься анализом ассортимента конкурентов и находить нишевые продукты, которые можно добавить в линейку.

Советы тем, кто планирует автоматизировать закупки

Первое и самое главное – начните с аудита ваших данных. Если у вас хаос в учете, ни одна ИИ не поможет. Потратьте время, чтобы стандартизировать названия товаров, очистить дубликаты, проверить корректность исторических данных. Это скучно, но критически важно.

Второй совет – не ожидайте мгновенных результатов. Первые два-три месяца система учится на ваших данных, калибруется под специфику бизнеса. В этот период работайте в параллельном режиме: делайте закупки, как привыкли, но сравнивайте с рекомендациями ИИ. Это даст понимание, насколько системе можно доверять, и поможет настроить параметры.

Третий момент – не пытайтесь автоматизировать весь ассортимент сразу. Начните с одной-двух категорий хорошо продающихся товаров, имеющих четкую статистику. Когда система покажет стабильные результаты, расширяйте на другие категории. Частая ошибка — запускают систему на весь ассортимент, включая редкие позиции, где данных мало, и затем разочаровываются в точности.

Еще важно настроить правильный баланс между автоматизацией и контролем. ИИ должно давать рекомендации, а человек — принимать финальное решение, по крайней мере, в начале. С течением времени, когда доверие к системе возрастет, можно переходить на полную автоматизацию рутинных заказов, оставив человеку только нестандартные ситуации.

Куда двигается рынок

Прогнозирование закупок – это только начало. Уже сейчас такие системы умеют оптимизировать ценообразование в реальном времени (скидки на залеживаемые товары, повышение цен на дефицитные позиции), планировать логистику (какой товар в какой магазин везти с учетом локального спроса), персонализировать ассортимент для разных точек продаж.

Следующий шаг – интеграция с системами управления отношениями с поставщиками. ИИ сам будет формировать заказ, отправлять их поставщикам, отслеживать исполнение, сигнализировать о задержках. Человек остается для стратегических решений и работы с исключительными ситуациями. Это уже не фантастика, а реальность следующих двух-трех лет для украинского рынка.