Отчёт по закупкам уже работал. Почему бизнес всё равно теряет деньги

На встрече с клиентом я разбирал идею ИИ-помощника для закупщика и увидел другую проблему: правильный отчёт сам по себе не гарантирует, что сигнал превратится в действие.

В предыдущем материале я разбирал оптовую компанию на конкретные повторяемые работы, а не на отделы и системы. Следующая встреча с клиентом дала мне возможность проверить этот подход уже на живой задаче отдела закупок.

Изначальный запрос звучал вполне логично: помочь закупщику с помощью искусственного интеллекта.
В компании уже есть отчёт для планирования закупок. Он показывал, какие товары заканчиваются, что стоит заказать, какие позиции нужно переместить между складами и где растёт риск неликвидов.

Проблема была не в отсутствии данных. Отчёт работал.
Но сотрудники либо пользовались им не всегда, либо просматривали не полностью, либо принимали по нему не самые удачные решения. В результате где-то вовремя не появлялся нужный товар, а где-то продолжали накапливаться лишние остатки.

Первая гипотеза клиента была понятной: передать большой объём данных ИИ и попросить его сказать закупщику, на что обратить внимание.
На первый взгляд это ровно тот случай, где просится нейросеть.
Я начал не с неё.

Почему я сначала не доверяю ИИ числовой отчёт

У меня уже накопился большой опыт экспериментов с ИИ на аналитических задачах. Я давал моделям показатели, отчёты, динамику, критерии и просил сформулировать управленческие сигналы.

Пока я регулярно вижу одну и ту же развилку. Если очень жёстко ограничить модель правилами и заранее объяснить ей почти весь алгоритм, она начинает выдавать безопасные, но довольно очевидные рекомендации.

Например:

Обратите внимание на снижение показателя.

Или:

Стоит проверить позицию с растущим остатком.

Формально всё правильно. Практической ценности немного.
Если дать модели больше свободы, ответы становятся интереснее, но одновременно растёт риск неправильной интерпретации цифр, придуманных причин и уверенных выводов там, где исходных данных для них недостаточно.

В моих экспериментах с числовыми отчётами это происходило достаточно часто, чтобы я не хотел строить на таком поведении критичную операционную функцию.

Поэтому мой первый вопрос в подобных задачах теперь не:

Как подключить сюда ИИ?

Я сначала пытаюсь понять:

Какая работа здесь должна быть выполнена и что именно сегодня мешает получить результат?

На встрече этот вопрос довольно быстро изменил направление разговора.

Отчёт уже содержал значительную часть ответа

Мы начали разбирать, что происходит с закупщиком на практике.
В отчёте уже были данные, необходимые для принятия значительной части решений:

• текущие остатки;
• история продаж;
• скорость оборачиваемости;
• ликвидность;
• изменение показателей во времени;
• резервы и другие связанные показатели.

То есть сотрудник не работал вслепую и не нуждался в ещё одном источнике данных.
Проблема оказалась почти противоположной.

Информации было много.
У одного закупщика могут быть сотни товарных позиций. Их нужно регулярно просматривать, сопоставлять показатели, проверять изменения и принимать решения.

Один раз это сделать можно. Через несколько дней нужно повторить. Потом ещё раз.

И постепенно возникает понятное человеческое поведение.
Самые очевидные и крупные позиции продолжают получать внимание.
Менее заметные отклонения начинают пропускаться.

Если планируется крупная закупка с высокой ценой ошибки, сотрудник погружается в данные внимательно.
Если речь идёт о небольшой регулярной подтоварке, отдельное решение может получить гораздо меньше внимания.

Отчёт при этом продолжает работать правильно.

Хороший отчёт ещё не означает хорошее управление

Мне самому раньше казалось, что качественный отчёт почти автоматически приводит к правильному действию.
Есть цифра.
Есть динамика.
Есть понятный сигнал.

Кажется очевидным, что человек увидит его, сделает вывод и предпримет следующий шаг.
На практике между данными и результатом находится целая цепочка.
Сотрудник должен:

1. вовремя открыть отчёт;
2. найти среди большого количества данных важное;
3. правильно интерпретировать сигнал;
4. принять решение;
5. совершить действие;
6. довести его до результата.

Если один из этих шагов выпадает, хороший отчёт остаётся хорошим отчётом, но бизнесовый результат не меняется.

На встрече всплыл показательный сценарий. Когда нужного товара уже не хватало и проблема становилась заметна другим подразделениям, сотрудники возвращались к отчёту и начинали разбираться.

Но к этому моменту продажа могла быть уже потеряна.
Руководитель тоже подключался чаще не в момент появления отклонения, а когда последствия уже становились видимыми.
Это принципиально изменило для меня постановку задачи.

Проблема была уже не только в том, как сделать отчёт умнее.
Проблема была в том, как сделать так, чтобы важный сигнал гарантированно дошёл до действия до того, как возник пожар.

Сигнал должен превращаться в обязательное действие

Представим простой случай.
Система видит, что ликвидный товар заканчивается.
Можно вывести эту информацию строкой в отчёте.
Можно покрасить её красным.

Можно попросить ИИ написать закупщику:

При текущей скорости продаж остатка может быть недостаточно.

Но сотрудник всё равно может не открыть отчёт вовремя.
Может увидеть сигнал и решить вернуться к нему позже.
Может принять решение, но не довести его до заказа.

Поэтому во время разговора я предложил посмотреть на задачу иначе.
Если условие достаточно формализовано и требует реакции, должен появляться не просто сигнал.
Должна появляться задача.

Например:

1. система обнаружила риск нехватки товара;
2. закупщик получил конкретную позицию для проработки;
3. по ней должно быть принято решение;
4. если закупщик решил не заказывать товар, решение и причина фиксируются;
5. в определённых случаях отказ уходит руководителю на согласование.

Тогда уже нельзя просто “не посмотреть отчёт”.
У каждой обнаруженной проблемы появляется состояние.
Она либо обработана, либо нет.

Для меня это гораздо ближе к реальному управлению процессом, чем ещё один слой аналитики.

Иногда отчёт вообще можно убрать из действия сотрудника

Во время встречи появилась следующая гипотеза.
Если расчёт уже сделан и система достаточно уверенно определяет стандартный случай, зачем заставлять закупщика сначала читать строку отчёта, а потом вручную создавать тот же самый документ?

В части сценариев правильнее автоматически подготовить заказ поставщику в 1С.
Тогда работа человека меняется.
Было:

открыть отчёт -> найти позицию -> проанализировать -> создать заказ.

Может стать:

получить подготовленный заказ -> проверить -> подтвердить или изменить.

Это уже другая автоматизация.
Она не просто лучше объясняет человеку его работу, а убирает из неё лишние шаги.

Причём сама идея технически не экзотична.
В продуктах 1С уже существуют механики расчёта потребности в запасах, формирования заказов поставщикам и контроля закупок. В конкретном бизнесе вопрос не в том, можно ли вообще автоматизировать этот класс действий, а в том, какие правила и исключения должны действовать именно в его процессе.

Полностью убрать человека тоже не получилось

Закупки не сводятся к формуле “продали 9, осталось 5, значит заказать 20”.
В реальном решении могут участвовать текущие резервы, сезонность, крупные клиенты, разовые отгрузки, тендеры, отсутствие товара в предыдущие периоды, изменение скорости продаж и другие обстоятельства.

Иногда низкие продажи означают слабый спрос.
А иногда товар просто отсутствовал на складе и продавать было нечего.
Для расчёта это два разных сценария.

Поэтому в ходе обсуждения стало понятно, что здесь есть несколько классов решений.
Есть ситуации, которые можно достаточно надёжно вычислить обычным алгоритмом.
Есть отклонения, которые можно автоматически поднять наверх и заставить сотрудника посмотреть на них в первую очередь.
Есть стандартные случаи, где система может подготовить действие.
И есть решения, где человеку всё ещё нужен дополнительный контекст и ответственность за выбор.

Это намного точнее исходной идеи “дадим весь отчёт нейросети и попросим рекомендации”.

Одна задача распалась сразу на несколько

Я заходил во встречу с запросом клиента на помощь закупщику с помощью ИИ.
В процессе появились разные задачи:

1. как автоматически выделять из сотен строк несколько позиций, которыми действительно нужно заняться сейчас;
2. как превращать обнаруженное отклонение не просто в цифру, а в обязательное действие сотрудника;
3. какие стандартные действия можно подготовить автоматически, оставив человеку проверку;
4. как зафиксировать логику сильного закупщика там, где решение пока нельзя свести к простой формуле;
5. где ИИ действительно может быть полезен, а где надёжнее обычный алгоритм;
6. как сделать так, чтобы руководитель видел необработанное отклонение раньше, чем компания столкнётся с последствиями.

Каждая из этих задач требует отдельного решения.
И далеко не каждое решение требует искусственного интеллекта.

С чего я теперь начинаю такие проекты

Я не против ИИ в этой задаче. Наоборот, я вижу несколько мест, где он может оказаться полезен. Например, на исследовательском этапе, при поиске нетипичных изменений, при разборе сложных случаев или при попытке понять, какие сигналы вообще стоит считать значимыми.

Но я не хочу начинать с ИИ только потому, что первоначальный запрос клиента сформулирован через ИИ.
Если проблему можно решить обычной автоматизацией, она обычно будет предсказуемее.

Если можно автоматически подготовить действие вместо того, чтобы написать человеку ещё одну рекомендацию, я скорее буду двигаться в сторону действия.

Если решение действительно требует человеческого контекста, я не буду делать вид, что нейросеть уже способна безопасно забрать его полностью.

И если правильный отчёт существует, но никто системно не доводит его сигналы до результата, ещё один умный отчёт сам по себе ничего не исправит.

Для меня эта встреча началась с вопроса:

Как сделать ИИ-помощника для закупщика?

А закончилась более полезным вопросом:

Как должен быть устроен весь путь от изменения данных до принятого и выполненного решения?

И только после этого имеет смысл выбирать, на каком участке нужен алгоритм, где нужна обычная автоматизация, где нужен человек, а где действительно нужен ИИ.

Все материалы этого исследования я собираю в серии “Автоматизация оптовой компании”. Дальше отдельно разберу границу между обычным алгоритмом и ИИ, способ извлечь правила принятия решений из работы сильного сотрудника и случаи, когда нейросеть полезна только на этапе поиска решения, а затем из рабочего контура её лучше убрать.

Источники и внешние ориентиры

• 1С:УНФ - закупки - расчёт потребности в запасах, планирование закупок, заказы поставщикам и контроль запасов.
• 1С:Розница - закупки - расчёт потребности, контроль заказов и автоматическое формирование заявок поставщикам для отдельных сценариев.