Александр Костин – ИИ в закупках и снабжении: как снизить дефициты и высвободить деньги из запасов (страница 4)

Теперь перейдем к практическому вопросу: как собрать этот фундамент, если у вас разрозненные системы и не хочется годами внедрять ERP. В большинстве компаний можно начать с «витрины данных» – единого слоя, куда регулярно подтягиваются ключевые факты из продаж, склада, закупок и финансов. Это может быть даже связка выгрузок и автоматических обновлений, если вы соблюли три условия.

Первое условие – единая номенклатура. Все факты должны ссылаться на один и тот же идентификатор товара. Не названия, не артикулы в разных системах, а единый ключ. Это самая критичная точка.

Второе условие – единая временная шкала. Все события должны иметь сопоставимые временные метки, а бизнес должен понимать, что считается датой события. Например, продажа – дата пробития, приемка – дата фактической приемки, отгрузка поставщика – дата отгрузки, а не дата счета.

Третье условие – единые определения статусов. «В пути», «в резерве», «доступно», «заблокировано» должны иметь одинаковый смысл для всех участников.

Если эти три условия выполнены, вы уже можете строить предиктивные решения на ограниченном наборе данных и развивать систему постепенно. Предиктивное снабжение часто успешно запускается не как «большой проект», а как серия быстрых улучшений: сначала по группе А товаров, затем расширение, затем добавление контекста и сценариев.

И здесь важна финальная мысль главы: данные – это не подготовительный этап, который когда-нибудь закончится. Данные – это операционная привычка. Предиктивная модель не живет сама по себе. Она постоянно потребляет поток фактов и постоянно проверяется план-фактом. Если вы хотите, чтобы ИИ помогал закупкам годами, вам нужно превратить качество данных в регулярную управленческую практику, так же как вы превращаете регулярность поставок, контроль бюджета или дисциплину продаж в часть культуры.

В закупках побеждает не тот, кто построил самый умный прогноз. Побеждает тот, кто выстроил ясные определения, надежный поток событий, ответственность за данные и прозрачные причины решений. Тогда ИИ становится не «надстройкой», а усилителем зрелой системы. Он начинает видеть реальность в деталях, предугадывать разрывы и предлагать решения, которые можно проверить, согласовать и исполнить. И именно это делает снабжение точным: не магия, а управляемое топливо, которое больше не подводит в критический момент.

Глава 4. Интеллектуальный анализ запасов: ABC-XYZ анализ на стероидах

Запасы редко рушат бизнес одним громким событием. Чаще они разрушают его тихо: деньги уходят в склад, склад разрастается, ассортимент распухает, оборот замедляется, а дефицит все равно появляется в самых важных местах. Внутри компании это выглядит как парадокс: вроде бы товара много, грузовики приезжают, полки заняты, а продажи жалуются на «нет в наличии», производство жалуется на «нет комплектности», финансы жалуются на «денег нет», склад жалуется на «места нет». Проблема почти всегда одна и та же: компания управляет запасами как единой массой, без разборки на смысловые группы, без разных правил для разных типов товаров.

ABC-XYZ анализ придумали не вчера. Его знают, его упоминают на совещаниях, его иногда считают в таблицах. Сложность в том, что ручной ABC-XYZ часто остается декоративным инструментом. Его пересчитывают раз в квартал, он быстро устаревает, он не учитывает текущие ограничения, он живет отдельной жизнью от закупок, а в реальной работе все равно побеждает привычка: заказывать «как в прошлом месяце», держать одинаковые нормы страхового запаса, тушить дефицит срочной поставкой, закрывать хвост ассортимента тем, что «пусть будет, вдруг пригодится».

ИИ меняет ситуацию за счет двух особенностей. Он пересчитывает классификации регулярно, без усталости и без человеческой инерции. Он связывает классификацию с конкретными управленческими решениями: как часто заказывать, какой уровень страхового запаса держать, какие позиции контролировать ежедневно, какие можно автоматизировать, какие нужно вывести из ассортимента, какие нужно распродать, где нужен аналог, где нужен второй поставщик. В этой главе мы разберем, как выглядит ABC-XYZ, когда он становится частью живой системы снабжения, а не отчетом для папки.

Динамическая классификация товаров: почему категории должны пересчитываться ежедневно

Классический ABC анализ делит товары по вкладу в выручку или маржинальность. XYZ анализ делит товары по стабильности спроса. В учебной версии все выглядит аккуратно: A дает основной вклад, B средний, C хвост. X стабилен, Y средне, Z хаотичен. В реальности ситуация текучая. Сегодня товар дает оборот из-за акции, завтра его вытесняет аналог. Сегодня спрос ровный, завтра начинается сезон, послезавтра поставщик сорвал поставку и продажи провалились. Сегодня товар становится критичным из-за изменения ассортимента, завтра он превращается в неликвид из-за смены упаковки или модели.

Если классификация живет статично, она начинает лгать. Компания продолжает держать «правила прошлого» и платить за это деньгами и сервисом. Динамическая классификация означает, что категории не воспринимаются как ярлык навсегда. Это рабочая гипотеза на текущий период, которая обновляется по факту данных.

ИИ умеет пересчитывать классификацию с учетом того, что бизнес воспринимает как реальность: резервы, товары в пути, качество поставок, фактические сроки, замены, возвраты, списания, ограничения склада, бюджет, календарь промо, сезонность, динамику цен. В результате категории перестают быть «теорией» и превращаются в карту решений. Карта обновляется часто, ровно настолько, насколько меняется среда. Для некоторых бизнесов разумен ежедневный пересчет, для некоторых достаточен еженедельный, смысл сохраняется один: классификация живет в такте бизнеса.

ИИ-анализ группы A: жесткий контроль позиций, приносящих основную выручку

Группа A почти всегда воспринимается как «важные товары». Ошибка заключается в том, что важность понимают только через выручку. В закупках важность многомерна: выручка, маржа, роль в комплектности, роль в повторных покупках, роль в удержании ключевых клиентов, роль в производственном цикле. Товар может не давать максимальную выручку, при этом его отсутствие может останавливать цепочку продаж, потому что клиент покупает комплект, услугу, набор, сборку, проект.

ИИ помогает построить несколько «слоев важности» и объединить их в жесткий контроль. Жесткий контроль означает не жесткость по отношению к людям. Он означает четкие правила наблюдения и реакции.

Во-первых, группа A наблюдается чаще. По этим позициям нужны ранние сигналы: остаток с учетом резервов, прогноз до точки заказа, ожидаемые приходы, вероятность опоздания, потенциальный дефицит по датам, влияние дефицита на деньги.

Во-вторых, группа A получает приоритет в бюджете и логистике. Это не лозунг, это алгоритм: если денег не хватает, сначала защищаем A, затем B, затем C. Если склад переполнен, сначала освобождаем место от хвоста, а не от A.

В-третьих, для A нельзя полагаться на один источник поставки по умолчанию. Для части товаров A разумно иметь резервный канал, понятные аналоги, альтернативные спецификации, согласованные заранее. ИИ может поддерживать эту дисциплину: подсвечивать зависимости от одного поставщика, показывать влияние сбоя, предлагать более устойчивую схему распределения.

В-четвертых, группа A требует другого подхода к страховым запасам. Универсальные нормы вредят. По A страховой запас рассчитывается от риска. Риск складывается из вариативности спроса, вариативности сроков, надежности поставщика, ограничений логистики, времени на приемку, требований к качеству. ИИ умеет считать риск как величину, которая изменяется, и менять запас без ручной переписки таблиц.

Управление «хвостом» группы C: как автоматизировать закупки мелочевки

Хвост ассортимента любит притворяться «маленьким». Отдельная позиция действительно может быть маленькой по обороту. В сумме хвост часто становится большим потребителем денег, места и внимания. Он приносит скрытые расходы: больше строк заказов, больше приемок, больше ошибок, больше пересортицы, больше списаний, больше замороженного капитала.

Ошибка управления хвостом обычно двоякая. Часть компаний игнорирует хвост, и он превращается в хаос, периодически создающий дефицит в неожиданных местах. Часть компаний пытается контролировать хвост так же, как A, и теряет время, не получая результата.

ИИ позволяет сделать для хвоста отдельную стратегию, где ключевой критерий – не глубина ручного контроля, а управляемость без человеческой перегрузки.

Первая техника – автоматическое пополнение по простым правилам, где человек вмешивается только при отклонениях. Для хвоста разумны небольшие партии, более частые поставки, ограничение максимального запаса, пересмотр ассортимента на основе оборачиваемости и списаний. ИИ может поддерживать это без постоянного ручного контроля, держа рамки и подавая сигнал только тогда, когда товар выходит за рамки.

Вторая техника – консолидация хвоста. Часто хвост можно закупать через одного-двух агрегаторов или через поставщиков, которые закрывают широкий спектр мелких позиций. ИИ может подсказать, где выгоднее широта ассортимента, где выгоднее специализация, где выигрывает логистика, где выигрывает цена.