Когда компания растёт, а Excel — нет, начинается самое весёлое.
Каждую неделю сотрудники открывали таблицы, жали «обновить» и надеялись, что формулы не сломаются. На всё про всё — 15–20 часов ручного труда. Иногда даже больше, если кто-то случайно удалял строчку с «итогами за квартал» (и да, это случалось). Тем временем склады то пустели, то ломились от запасов. Процессы тормозили, заказы сбивались, а кто-то из бухгалтерии снова предлагал «добавить столбец с прогнозом».
Проблема была не в людях — просто ручное планирование не успевало за скоростью бизнеса.
Каждую неделю сотрудники открывали таблицы, жали «обновить» и надеялись, что формулы не сломаются. На всё про всё — 15–20 часов ручного труда. Иногда даже больше, если кто-то случайно удалял строчку с «итогами за квартал» (и да, это случалось). Тем временем склады то пустели, то ломились от запасов. Процессы тормозили, заказы сбивались, а кто-то из бухгалтерии снова предлагал «добавить столбец с прогнозом».
Проблема была не в людях — просто ручное планирование не успевало за скоростью бизнеса.
Когда в дело вступает машинное обучение
Команда JUST IT предложила компании перейти от Excel-молитв к предсказательной аналитике. Так появился проект по внедрению автоматизированной системы управления производственными и закупочными процессами с модулями машинного обучения (ML).
➊ Сначала мы собрали исторические данные за два года — кто, что, когда закупал, и чем это заканчивалось.
➋ Потом научили систему видеть закономерности: когда растёт спрос, почему одни позиции «уходят» быстрее других, и что происходит, если не учесть сезонность.
➌ В ход пошли серьёзные инструменты: Prophet, LightGBM, Isolation Forest.
Для непосвящённых — это не магия, а реальные алгоритмы, которые умеют прогнозировать, искать аномалии и давать подсказки, где бизнес теряет деньги.
➍ А чтобы не превращать всё это в «чёрный ящик», мы сделали понятные дашборды на React и Grafana — теперь даже директор видит, когда стоит подзакупить материалы, а когда можно спокойно пить кофе.
➊ Сначала мы собрали исторические данные за два года — кто, что, когда закупал, и чем это заканчивалось.
➋ Потом научили систему видеть закономерности: когда растёт спрос, почему одни позиции «уходят» быстрее других, и что происходит, если не учесть сезонность.
➌ В ход пошли серьёзные инструменты: Prophet, LightGBM, Isolation Forest.
Для непосвящённых — это не магия, а реальные алгоритмы, которые умеют прогнозировать, искать аномалии и давать подсказки, где бизнес теряет деньги.
➍ А чтобы не превращать всё это в «чёрный ящик», мы сделали понятные дашборды на React и Grafana — теперь даже директор видит, когда стоит подзакупить материалы, а когда можно спокойно пить кофе.
Что изменилось
Через месяц стало ясно: Excel ушёл на пенсию, а система — на дежурство.
✓ Время планирования закупок сократилось с 15–20 часов до 2–3 часов в неделю.
✓ Точность прогнозов выросла до 96,3% — почти как интуиция, только без кофеина.
✓ Количество случаев дефицита снизилось на 92%.
✓ Освободилось 1,8 миллиона рублей из оборота.
✓ А главное — никто больше не орёт в пятницу вечером «у нас всё закончилось!».
✓ Время планирования закупок сократилось с 15–20 часов до 2–3 часов в неделю.
✓ Точность прогнозов выросла до 96,3% — почти как интуиция, только без кофеина.
✓ Количество случаев дефицита снизилось на 92%.
✓ Освободилось 1,8 миллиона рублей из оборота.
✓ А главное — никто больше не орёт в пятницу вечером «у нас всё закончилось!».
Что под капотом
Никакой магии — только технологии:
Python, FastAPI, PostgreSQL, React, MLflow, Prometheus.
Система собирает данные, обучает модели, следит за запасами и предупреждает, если назревает дефицит. А ещё она делает красивые графики. Потому что если график не выглядит эффектно — кто же будет смотреть на цифры?
Python, FastAPI, PostgreSQL, React, MLflow, Prometheus.
Система собирает данные, обучает модели, следит за запасами и предупреждает, если назревает дефицит. А ещё она делает красивые графики. Потому что если график не выглядит эффектно — кто же будет смотреть на цифры?
Чем всё закончилось
➊ Теперь планирование — не лотерея, а управляемый процесс.
➋ Руководители принимают решения на основе данных, а не предположений.
➌ Команда работает спокойно, без «пожарных» совещаний.
И хотя система считает быстрее человека, к ней относятся с теплом. Ей даже дали имя — «Интеллект». Потому что, когда в компании появляется интеллект, всё наконец начинает работать по уму.
➋ Руководители принимают решения на основе данных, а не предположений.
➌ Команда работает спокойно, без «пожарных» совещаний.
И хотя система считает быстрее человека, к ней относятся с теплом. Ей даже дали имя — «Интеллект». Потому что, когда в компании появляется интеллект, всё наконец начинает работать по уму.
Подробнее с нашими кейсами можно ознакомиться тут