100 баз данных и 350 тысяч позиций: как ИИ навел порядок в закупках промышленного холдинга

Фото: Pingingz/Shutterstock/Fotodom

Масштаб проблемы

«Акрон Холдинг» в разное время присоединял разное количество компаний, иногда до десяти организаций за год. У каждой из этих компаний были свои ИТ-системы, команды, локации и продукция. После слияния всю информацию нужно было быстро консолидировать, и первой преградой на этом пути было отсутствие сводных данных по закупкам.

Подготовка к переговорам с крупным поставщиком превращалась в недели работы: нужно было написать восьми закупщикам из разных компаний, после чего каждый должен был поднять свои архивы и свести таблицы. Поэтому первой технической задачей стало объединение более ста баз данных из разных учетных систем в едином решении. На выходе получился массив в несколько миллионов закупочных операций за год и более 350 тысяч номенклатурных позиций без какой-либо классификации.

Почему работа в ручном режиме невозможна

Категорий, по которым можно было бы разложить всю номенклатуру, не существовало. В закупках разработали собственный пятиуровневый классификатор, на нижнем уровне которого получилось около 520 категорий. Но сопоставить с ним 350 тысяч позиций вручную означало занять человека этой задачей на более чем полгода. И, главное, нужен был специалист, знающий всю номенклатуру холдинга наизусть.

Усложняло задачу и качество исходных данных. В системы попадали описания от бухгалтерии в усеченном виде: просто «колпачок», «прокладка», «клей», без указания, куда относится позиция – к производству или к хозяйственным нуждам. Поскольку единого справочника между заводами не было, одни и те же позиции на разных предприятиях называли по-разному, кроме того, встречались и задвоения.

При этом номенклатура – живой организм. По оценке команды, за квартал появляется около четверти новых наименований. Любая разовая ручная классификация устаревала бы уже через полгода.

Решение: опираться на профиль поставщика, а не на его название

Ключевая находка в том, что ИИ анализирует не само название позиции, а связку «наименование плюс поставщик». На основе этих данных он формирует профиль поставщика и достраивает вероятную категорию.

Чтобы достичь приемлемой точности в определении позиций, команда цифровой лаборатории прошла несколько итераций:

1. Сначала локальную модель просто спрашивали, как она распределит позицию.

2. Затем подключили векторную базу с внутренними данными холдинга.

3. После этого выстраивали профиль поставщика и искали в интернете информацию о том, чем этот поставщик занимается.

4. На следующем этапе добавили базу уже размеченные человеком позиции, а поверх обучили отдельную ML-модель на тех данных, которые ИИ распределил с высокой точностью.

В результате получилась система из нескольких агентов с разными моделями под разные задачи.

Точность и честность измерения

Сейчас точность классификации около 80%, цель к концу года – 95%. Качество результатов сильно зависит от категории: где номенклатура однородна – например медная катанка, – точность близка к 99%, а на запчастях для автомобилей или средствах индивидуальной защиты, где описание неоднозначно, – заметно ниже.

Точность измеряют по эталонной выборке: вручную проверяют около тысячи строк, фиксируют их как эталон и сравнивают с ним результат каждой новой итерации алгоритма, экстраполируя на полный массив данных. Вся новая номенклатура автоматически прогоняется через инструмент и сразу попадает в базу уже распределенной по категориям. Сам прогон нескольких миллионов операций за пять лет – это около недели работы на мощных серверах.

Важно, что классификатор намеренно не привязан к ГОСТам и отраслевым справочникам. У них, по словам Антона Николаева, техническая логика, тогда как закупкам нужна категорийная: группировка, по которой можно написать стратегию, определить панель поставщиков и вести переговоры.

Идея единого классификатора на всю компанию, удобного одновременно бухгалтерии, заводу и закупкам, в холдинге считается утопией, поэтому номенклатура живет в едином справочнике, но категоризация закупок вынесена в отдельный блок.

От порядка в данных к управляемым закупкам

Поверх консолидированных и классифицированных данных холдинг построил около восьми BI-дашбордов. Они показывают уровень складских запасов по каждому предприятию, долю малооборачиваемых и неликвидных позиций, помогают находить закупки, которые можно объединить, – например, по страховым продуктам через единые тендеры.

Отдельный дашборд по бенчмарку цен строит графики того, какая компания, у какого поставщика и по какой цене закупала конкретную номенклатуру, выявляя лучшие и худшие условия.

Чистые категорийные данные – это еще и фундамент для следующего шага: перевода самих процедур в управляемый цифровой контур. Когда понятно, что и в каком объеме закупается по каждой категории, закупки можно консолидировать и выводить на электронную площадку едиными лотами с понятной панелью поставщиков.

Именно для этого холдинг внедряет SRM от Bidzaar, российскую систему из реестра отечественного ПО, которая связывает категорийную аналитику, проведение тендеров и работу с поставщиками в едином окне. В перспективе, когда SRM заработает в полном контуре, холдинг планирует подключить ИИ, который будет сам подсвечивать неэффективные операции. Например, получится выявлять такие случаи, когда две бизнес-единицы закупили одинаковые позиции, но для одной из них цена была на 20% выше, чем для другой.

Подход, при котором площадка становится не просто местом проведения торгов, а частью единой закупочной экосистемы, сегодня выбирают многие крупные заказчики. На Bidzaar проводят закупки 946 компаний с совокупным годовым оборотом торгов более 1 трлн рублей, а сама площадка объединяет торги, SRM, сертификацию поставщиков, агрегатор тендеров и кредитование в одном контуре. Для холдингов с распределенной структурой это способ собрать закупки разрозненных предприятий в общую управляемую систему.

Retail.ru