Александр Костин – ИИ в закупках и снабжении: как снизить дефициты и высвободить деньги из запасов (страница 2)

Экономический эффект от этой перестройки часто выражается в высвобождении оборотного капитала. Логика проста: если план точнее, страховые запасы можно держать не «на всякий случай», а по реальному риску, рассчитанному для каждой позиции. Если прогноз лучше, меньше «перезакупа». Если сроки поставщиков учитываются по факту, меньше срочных доставок и дорогих ошибок. Если ассортимент управляется по оборачиваемости и маржинальности, меньше неликвидов. В сумме это дает эффект, который в зрелых системах действительно способен достигать значимых долей капитала, который раньше был заперт на складе. Но важно не обещание процента, а принцип: деньги высвобождаются не за счет героизма закупщика, а за счет точности и регулярности системы.

Чтобы эта трансформация не осталась теорией, в конце главы нужен прикладной инструмент: карта цифровой зрелости отдела закупок. Ее смысл – быстро понять, где вы находитесь сейчас и что является следующим шагом, который реально сделать, не ломая бизнес.

Карта цифровой зрелости отдела закупок

Уровень 0. Реактивный хаос

Признаки: закупки запускаются жалобами и срочными заявками; нет единого понимания остатков; решения завязаны на конкретных людей; план либо отсутствует, либо формальный.

Риски: постоянные дефициты и избыточные запасы; высокая доля срочной логистики; конфликты с продажами и производством.

Следующий шаг: договориться о базовых определениях данных (остаток, резерв, в пути) и сделать единый еженедельный «снимок» по ключевым позициям.

Уровень 1. Ручной контроль и таблицы

Признаки: есть регулярные выгрузки, ручной расчет потребности, согласование по почте/мессенджерам; часть решений фиксируется, но без трассировки причин.

Риски: план быстро устаревает; высокая зависимость от дисциплины; ошибки в единицах измерения и кратности; трудно разбирать отклонения.

Следующий шаг: выделить критичный ассортимент (группа А по выручке/марже) и наладить план-факт по срокам поставок и доступности.

Уровень 2. Интегрированные данные и единый план

Признаки: продажи, склад, производство и финансы используют согласованные источники; есть единый процесс планирования; критичные отклонения видны быстро.

Риски: скорость ограничена человеком; пересчет редкий; сценарии считаются вручную; замены и аналоги не системны.

Следующий шаг: внедрить регулярный автоматический пересчет предложений к заказу и контроль отклонений по ключевым товарам.

Уровень 3. Предиктивное планирование

Признаки: прогноз спроса и потребности строится на истории и факторах; есть расчет точки заказа и партий; учитываются реальные сроки поставщиков; система предлагает решения.

Риски: «черный ящик», если нет объяснимости; сопротивление команды; риск ошибочных входных данных.

Следующий шаг: ввести регламент «человек-контролер»: что проверяем перед подтверждением заказа и как фиксируем причины отклонений.

Уровень 4. Адаптивная система и сценарии

Признаки: план «живой», пересчитывается при изменениях; есть сценарии по рискам; система предлагает альтернативы; решения принимаются быстро и прозрачно.

Риски: перегруз вариативностью; отсутствие четких правил приоритизации; конфликт целей между сервисом и капиталом.

Следующий шаг: формализовать приоритеты (сервис, маржа, критичность, ограничения склада/денег) и закрепить их в правилах принятия решения.

Уровень 5. Полуавтономное снабжение

Признаки: система сама формирует черновики заказов, собирает подтверждения, отслеживает отклонения, уведомляет участников; человек управляет исключениями и переговорами.

Риски: чрезмерная вера в автоматизацию; деградация компетенций без практики; уязвимость к «грязным данным».

Следующий шаг: обеспечить постоянный аудит данных и регулярную «учебу системы» на план-факте, чтобы модель не отрывалась от реальности.

Эта карта нужна не для оценки «кто лучше», а для точного управления изменениями. У закупок есть соблазн сразу прыгнуть на высокий уровень и ожидать чудес. На практике устойчивый результат дает последовательность: сначала данные и определения, затем план-факт и критичный ассортимент, затем автоматический пересчет, затем прогноз и сценарии, и только после – полуавтономность.

Главный смысл революции снабжения в том, что закупки перестают быть нервной реакцией на прошлое и становятся инструментом управления будущим. ИИ не отменяет сложность, но делает ее управляемой: он удерживает связность, ускоряет цикл, дает прозрачность и позволяет принимать решения на основе фактов, а не тревоги. Если в вашей компании закупки все еще живут в режиме «закрыть дыру», это не приговор. Это просто точка старта, из которой можно выстроить систему, способную выдерживать рост, изменения и неопределенность без постоянного пожара.

Глава 2. Данные как топливо: что именно должен «видеть» ИИ, чтобы закупки стали точными

Любая система предиктивных закупок упирается не в красоту модели и не в громкие обещания. Она упирается в простую, но жесткую реальность: ИИ принимает решения ровно настолько хорошо, насколько хорошо устроены данные и правила учета. Если данные противоречат друг другу, если определения плавают, если остатки «врут», если сроки поставщика фиксируются как «по договору», а не «как было на самом деле», то ИИ будет ускорять не точность, а хаос. Он начнет уверенно предлагать неверные заказы. И именно поэтому второй шаг после смены мышления – это смена основания: сделать данные и учет настолько ясными, чтобы машина могла опираться на них так же надежно, как опытный закупщик опирается на свою память и интуицию.

В этой главе мы разберем, какие данные на самом деле нужны для предиктивного снабжения, какие ошибки в учете делают прогноз бессмысленным, как договориться о едином языке между продажами, складом, производством и финансами, и почему «идеальная ERP» не обязательна, если вы правильно собрали минимальный набор сигналов.

Первое, что важно признать: в закупках не существует «просто данных». Существуют данные как отражение правил. Один и тот же показатель может быть одновременно правильным и бесполезным, если он посчитан по неправильному для вашей задачи правилу. Например, «остаток на складе» может быть верным бухгалтерски, но неверным операционно, если не учтен резерв под заказы, если не учтены списания, если не учтены возвраты, если не разделены «годный» и «условно годный» товар, если часть остатков физически недоступна из-за пересортицы или блокировок качества. ИИ не «догадается», что этот остаток нельзя использовать. Он примет число как факт и построит на нем решение.

Поэтому задача внедрения ИИ в снабжении начинается с определений. Они звучат скучно, но это фундамент. Вам нужен единый, договоренный словарь, где каждое слово имеет операциональный смысл.

Остаток. Это не то, что «числится». Это то, что доступно для удовлетворения спроса. Остаток должен иметь статусы: доступно, зарезервировано, заблокировано, брак, в карантине, в комплектации, на пересчете. Если статусов нет, остаток становится мифом, а не управляемой величиной.

Резерв. Это обязательство. Резерв может быть под конкретный заказ клиента, под план производства, под комплектацию, под маркетинговую акцию. Резерв должен быть прозрачным: кому, под что, до какого срока. Резерв без срока превращается в «вечную бронь», которая убивает доступность.

Товар в пути. Это не «мы заказали». Это то, что физически должно прийти, с понятной датой прибытия и вероятностью отклонения. Товар в пути должен отличаться от «размещенного заказа». Между ними лежит подтверждение поставщика, отгрузка, документы, перевозка, таможня (если актуально), приемка. Если вы называете все это одним словом «в пути», ИИ не сможет оценить риск.

Срок поставки. Важна не цифра в договоре, а распределение фактических сроков. У любого поставщика есть «обычно», «иногда задерживает» и «в пиковые периоды срывает». Предиктивное снабжение строится на факте, а не на обещании.

Спрос. Спрос – это не всегда продажи. Если у вас были дефициты, продажи занижены, потому что вы продавали меньше, чем могли бы. ИИ должен видеть не только факт продаж, но и сигналы неудовлетворенного спроса: отказы, отсутствия товара, отмены заказов, «нет в наличии», переносы сроков, замены на аналоги. Иначе модель будет «учиться» на вашей недопоставке и считать ее нормой.

Возвраты и списания. Это часть реальности. Их нельзя вычеркнуть как «помехи». В некоторых категориях возвраты формируют сезонный рисунок, а списания показывают, где качество, упаковка или логистика превращают закупку в потери.

Когда определения зафиксированы, появляется следующий слой – чистота и согласованность данных. На практике проблемы почти всегда повторяются и легко узнаются.

Первая типовая проблема – разрыв между учетными единицами. Продаете по штукам, закупаете коробками, храните паллетами, учитываете весом или метрами, а в системе все пытаются свести в одну цифру без явной конверсии. В итоге точность заказов превращается в гадание. Для ИИ единица измерения – это не мелочь, это смысл. Если вы не задали правила конверсии, он будет ошибаться на уровне партии, а ошибка партии – это либо лишние деньги на складе, либо дефицит.

Вторая проблема – «грязная номенклатура». Один и тот же товар может жить в системе как несколько карточек: старый артикул, новый артикул, артикул поставщика, внутренний код, вариант упаковки. Если номенклатура не нормализована, ИИ будет видеть не один сигнал спроса и остатка, а несколько разорванных сигналов. Прогноз становится слабым, потому что история «расколота».