📋 Исходная ситуация
Клиент — производственное предприятие (пищевая промышленность), 3 производственные линии, 200+ наименований сырья от 40 поставщиков. Оборот 1.2 млрд ₽/год.
Проблема: Закупки сырья осуществлялись вручную на основе «интуиции» снабженцев. Частые ситуации: либо простои из-за нехватки ингредиентов, либо затоваривание склада с истекающим сроком годности. Сезонность спроса не учитывалась.
🔴 Боли клиента:
- • Простой生产线 2-3 раза в месяц (потеря 1.5 млн ₽/месяц)
- • Списания сырья с истёкшим сроком: 800 000 ₽/месяц
- • Замороженные деньги в излишках: 45 млн ₽ на складе
- • Ручное планирование занимало 3-4 дня в неделю
- • Отсутствие единой системы учёта и прогнозирования
🎯 Задача
Внедрить систему автоматического прогнозирования потребности в сырье на основе исторических данных, сезонности, плана производства и текущих остатков. Автоматизировать создание заказов поставщикам. Минимизировать простои и излишки.
⚙️ Решение: AI-модуль прогнозирования для ERP
Разработали ML-модель (Prophet + XGBoost), которая интегрировалась в существующую ERP-систему (1С:ERP). Модель прогнозирует потребность в каждом SKU сырья на 30/60/90 дней вперёд.
Функционал системы:
- Прогноз спроса — анализ истории продаж за 3 года, выявление сезонных паттернов, трендов, аномалий
- Расчёт потребности в сырье — автоматический пересчёт по рецептурам (BOM — Bill of Materials)
- Мониторинг остатков — интеграция со складской системой (WMS), учёт в реальном времени
- Автозаказ поставщикам — генерация заказов при достижении порогового остатка (reorder point)
- Учёт сроков поставки — расчёт даты заказа с учётом lead time каждого поставщика
- Контроль сроков годности — приоритизация заказов с учётом FEFO (First Expired, First Out)
- Дашборд снабженца — визуализация прогнозов, рисков дефицита, рекомендованных действий
🔧 Процесс внедрения
Неделя 1-2: Выгрузка исторических данных: продажи за 3 года, производственные планы, складские остатки, заказы поставщикам. Очистка и нормализация данных.
Неделя 3-5: Обучение ML-моделей, валидация на тестовых данных, настройка гиперпараметров. Достижение точности прогноза MAPE < 8%.
Неделя 6-7: Интеграция с 1С:ERP, WMS-системой, email/EDI для отправки заказов поставщикам. Настройка вебхуков.
Неделя 8-9: Параллельная работа: система даёт рекомендации, снабженцы принимают решения вручную. Сравнение прогнозов с фактом.
Неделя 10: Полный запуск автозаказов для 80% SKU (A/B категории). Ручное управление для категории C.
📊 Результаты через 4 месяца
Экономические показатели:
- • Сокращение складских издержек: 15% (экономия 2.1 млн ₽/месяц)
- • Уменьшение списаний: 800 000 ₽ → 150 000 ₽/месяц (-81%)
- • Высвобождение оборотных средств: 45 млн ₽ → 28 млн ₽ (-38%)
- • Предотвращённые потери от простоев: 1.5 млн ₽/месяц
- • Общая экономия: 3.75 млн ₽/месяц = 45 млн ₽/год
Операционные показатели:
- • Точность прогноза спроса (MAPE): 92%
- • Количество простоев: 2-3 в месяц → 0 за 4 месяца
- • Оборачиваемость склада: 45 дней → 28 дней
- • Время на планирование закупок: 18 часов → 2 часа в неделю
- • Процент автозаказов: 82% (только 18% требуют ручного вмешательства)
💬 Отзыв клиента:
«Раньше мы гадали, сколько сырья заказать. Теперь система сама считает, учитывая сезонность, планы производства и сроки поставки. За 4 месяца ни одного простоя. Склад разгрузили на 40%, деньги высвободили. Снабженцы наконец-то занимаются стратегией, а не пожаротушением.»
— Сергей П., директор по производству
🛠 Технологии
📞 Хотите оптимизировать производство?
Если у вас производственное предприятие, склад или сеть поставок — AI-прогнозирование сократит издержки и предотвратит простои.
Оставьте заявку на бесплатный аудит. Мы рассчитаем экономию для вашего предприятия.
Это бесплатно и ни к чему не обязывает