Резюме
Это пример применения методологии на основе открытых отраслевых данных. Цифры рассчитаны по публичным источникам — ваши результаты и декомпозиция процесса на блоки будут зависеть от конкретных условий.
Ситуация. Компания розница или производство: 500–2000 SKU. Отдел логистики и закупок: 4 человека. Инструменты: 1С, Excel, BI-дашборды.
Проблема. Ошибка прогноза (MAPE > 30%): в половине SKU недостаток, в половине излишек. Ручное управление запасами: закупщик тратит 10–15 часов в неделю на анализ продаж, проверку остатков, согласование заказов. Текучесть команды: скучная работа, нет развития.
Результат анализа. 1 блок — в 🟢 Автоматизация (EPOCH 1–2). 2 блоков — в 🟡 Усиление (EPOCH 3). 1 блок — в 🟠 Коллаборация (EPOCH 4). Экономия — до 1 884 000 ₽ (Москва), ROI 815%.
Карта процесса
Процесс разбит на 4 блоков.
- 1 Собрать и нормализовать данные продаж из всех источников Автоматизация
- 2 Построить прогноз спроса по SKU на 4–12 недель Усиление
- 3 Выявить аномалии и сезонные паттерны в данных продаж Усиление
- 4 Сформировать рекомендацию по закупке с учётом прогноза Коллаборация
Итого: 1 шаг в 🟢 Автоматизация (EPOCH 1–2), 2 шага в 🟡 Усиление (EPOCH 3), 1 шаг в 🟠 Коллаборация (EPOCH 4).
Проверка готовности
Все четыре ответа должны быть «Да» — тогда можно переходить к внедрению.
- Может ли закупщик проверить прогноз спроса по фактическим продажам месячной давности?
- Доступны ли 1С, BI-дашборд и инструменты для интеграции в течение 1–2 недель?
- Руководство поддерживает внедрение ИИ в процесс прогнозирования и управления запасами?
- Команда осознаёт, что долгосрочное делегирование прогнозирования может снизить способность замечать ошибки ИИ и требует ежемесячной ручной проверки?
Анализ
Таблица блоков
EPOCH (MIT Sloan, Loaiza & Rigobon, 2025) — шкала 1–5: насколько задача требует человеческого участия. Оценка = максимум из пяти параметров.
«Готовность ИИ-инструмента» определяет стартовый уровень контроля: чем больше опыта у команды с этой связкой «задача + инструмент», тем меньше проверок нужно с первого дня. Новый — команда ещё не делала этот тип задач с этим инструментом, уровень контроля 1. Пробуем — 1–2 цикла, результат ещё нестабильный, уровень 1–2. Стабильный — 3+ цикла без ошибок, уровень 2–3. Доказанный — 8+ циклов, уровень 3–4. Прочерк — блок не передаётся ИИ, оценка неприменима.
| # | Блок | Зависит от | EPOCH | Зона | Описание | Готовность ИИ-инструмента |
|---|---|---|---|---|---|---|
| 1 | Сбор и нормализация данных | — | 1 | Автоматизация | Выгружает данные продаж по SKU из 1С за 12 месяцев, нормализует форматы и убирает дубли, если записи расходятся по формату дат или повторяются | Стабильный |
| 2 | Прогноз спроса по SKU | 1 | 3 | Усиление | Строит прогноз спроса по каждому SKU на 4–12 недель вперёд на основе нормализованных данных, если аналитик подтвердил допущения о сезонности и акциях | Пробуем |
| 3 | Выявить аномалии и сезонные паттерны в данных продаж | 1 | 3 | Усиление | Выявляет выбросы и сезонные паттерны в данных продаж, маркирует флаги для аналитика, до принятия решения об учёте в прогнозной модели | Пробуем |
| 4 | Сформировать рекомендацию по закупке с учётом прогноза | 2, 3 | 4 | Коллаборация | Рассчитывает объём заказа (EOQ + страховой запас + lead time) из прогноза и остатков склада, если закупщик скорректировал под cash flow и переговорные условия | Новый |
Почему такие оценки
| # | Блок | EPOCH | Обоснование |
|---|---|---|---|
| 1 | Сбор и нормализация данных | 1 | Детерминированный ETL: форматы, дедупликация, типы дат — правила однозначны, суждения не требуется |
| 2 | Прогноз спроса по SKU | 3 | ML строит модель, но допущения о будущем (акции, внешние события) требуют суждения аналитика |
| 3 | Выявить аномалии и сезонные паттерны в данных продаж | 3 | Найти выброс — EPOCH 1–2; объяснить причину и решить, учитывать ли в модели — EPOCH 3 |
| 4 | Сформировать рекомендацию по закупке с учётом прогноза | 4 | Конечное решение зависит от cash flow, отношений с поставщиком, склада — бизнес-контекст выше данных |
Ограничения ChatGPT в этом процессе
- Классические методы (ARIMA, скользящее среднее) работают только для 6% товаров с гладкими продажами; для 94% товаров требуется ансамбль моделей с ML
- Обычная языковая модель не имеет доступа к данным из 1С в реальном времени и не специализирована на временных рядах
- Прогноз требует трансформирования: из одного числа (спрос на SKU) → многозначное решение (сколько заказать, когда, в какой конфигурации, с учётом cash flow и места на складе)
- Ошибка в прогнозе прямо переводится в деньги (потеря продаж 3–5% или замороженный капитал). Нужна система с валидацией и риск-гейтами
Инструкции для передачи задач ИИ
Чтобы передать задачу ИИ, нужно описать три вещи: что подаёте на вход, что получаете обратно и как поймёте, что результат верный. Ниже — такое описание для каждого блока, который переходит к ИИ. Это можно передать разработчику или использовать как основу для промпта.
Сбор и нормализация данных (ETL)
- Нет пропусков по SKU.
- Даты в формате ISO.
- Итоговые суммы сходятся с исходными ±0,1%.
- Аналитик проверяет выборку из 10 строк перед подачей в модель
Выгрузка из 1С — продажи и остатки по SKU за 12 месяцев
Нормализованная таблица {SKU, дата, количество, тип операции}
2 (контролируемый)
Экономика
| Метрика | Часов в год | Экономия (₽/год) | Источник |
|---|---|---|---|
| Сбор и анализ продаж вручную | 240 | 108 000 | 📊 Расчёт |
| Ручная проверка остатков и согласование заказов | 720 | 324 000 | 📊 Расчёт |
| Анализ сезонности и тренда | 360 | 162 000 | 📊 Расчёт |
| Уменьшение ошибок прогноза (снижение потерь) | — | 1 200 000 | ✅ Верифицировано |
| Снижение текучести (косвенно) | — | 75 000 | 📈 Оценочно |
| Оптимизация cash flow (высвобождение капитала) | — | 15 000 | 📈 Оценочно |
| Итого | 1 320 | 1 884 000 |
Ставки рассчитаны по медианным данным HH.ru и ГородРабот.ру, начало 2026 года. Без учёта НДФЛ и страховых взносов (~30%).
| До (без ИИ) | Стало возможным (с ИИ) | Изменение охвата |
|---|---|---|
| Прогноз по 500 SKU вручную — без динамического ценообразования и канальной аналитики | Прогноз по каждому SKU + динамическая цена + анализ маржинальности | 500 → 2 000 SKU без найма (+300%) |
Стоимость API. Промпты для прогноза и анализа: 500 промптов в день (по SKU за день). Средний промпт: 2 000 токенов (данные + инструкция). API Anthropic Claude: 0,01₽ за 1K токенов (вход). - Входящие токены: 500 промптов × 2 000 токенов × 0,01₽ / 1 000 = 10₽/день = 300₽/мес (система собирает обратную связь о качестве прогнозов) Если использовать локальные модели (Ollama, VLLM) → затраты практически нулевые после первоначальной настройки. #### Шаг 5. Затраты на проверку и сопровождение - Валидация результатов: 1 100 ₽/мес - Поддержание компетенций: 225 ₽/мес - Итого (Шаг 5): 1 325 ₽/мес #### Шаг 6. Итог
| Показатель | Консервативный | Базовый | Оптимистичный |
|---|---|---|---|
| Экономия/мес | 109 900 ₽/мес | 157 000 ₽/мес | 204 100 ₽/мес |
| Чистая выгода/мес | ▲ 102 617 ₽/мес | ▲ 149 717 ₽/мес | ▲ 196 817 ₽/мес |
| Категория | Описание | Стоимость |
|---|---|---|
| Разовая настройка | Разовая настройка | 150 000 ₽ |
| Интеграция | Интеграция | 50 000 ₽ (разово) |
| Операционные | Операционные (API, подписки) | 3 333 ₽/мес |
| Обслуживание ИИ | Обслуживание ИИ | 2 625 ₽/мес |
| Разовая настройка | Разовые итого | 200 000 ₽ |
| Валидация | Валидация результатов | 1 100 ₽/мес |
| Компетенции | Поддержание компетенций | 225 ₽/мес |
Ловушка зависимости: чем дольше задача делегирована ИИ, тем сложнее замечать его ошибки. Раз в месяц — выполнить одну задачу вручную, чтобы сохранить способность оценивать результат. Подробнее — Мониторинг
Рекомендация
Начать с блока Сбор и ETL данных (Карточка № 1) на уровне 3 автономии (авто-мониторинг).
Почему этот блок:
- Это foundation для остальной системы. Без чистых данных прогноз будет неточным
- Блок 100% автоматизируемый (EPOCH 1). Риск минимален
- Быстро даст видимость в синхронизацию и качество данных
На что обратить внимание:
- Если синхронизация < 95% → техсбой в интеграции 1С. Проверить API 1С, обработку ошибок
- Если много false anomalies → пересмотреть правила выброса (медиана, стандартное отклонение)
Проверка рисков
| Вопрос | Ответ | Следствие |
|---|---|---|
| Ошибка необратима? | Нет (можно переучить модель, скорректировать закупку) | Сдвига зоны нет. Блоки остаются в текущих зонах |
| Публика увидит результат без проверки? | Да (закупщик (B2B) публикует заказ поставщику и клиент видит товар или его отсутствие) | Добавить: проверка человеком перед публикацией заказа (Блок 4 уровень 1, не выше) |
| Грозит штраф, иск или вред? | Нет в базовом случае (но дефицит → потеря продаж = косвенный ущерб компании) | Уровень автономности для Блока 4 ограничить максимум уровнем 2 (не полная автоматизация) |
Уровень контроля после запуска
Уровень автономности — насколько самостоятельно ИИ работает. Для каждого блока выбирается свой уровень в зависимости от цены ошибки.
Блоки 1, 3 работают на уровнях 3–4 автономии без ограничений. Блоки 2, 4 требуют обязательной проверки закупщика (уровни 1–2). Red flag = MAPE > 30% → откатить на уровень 1 (человек), пересмотреть данные.
Если хотите разобрать свой процесс похожим образом — экспресс-диагностика займёт около 45 минут.