Заказчик: крупное производственное предприятие пищевой промышленности (кондитерское производство) с полным циклом — от закупки сырья до готовой продукции.
Тип клиента: средний и крупный бизнес с развитой цепочкой поставок и внутренней системой планирования.
Контекст и проблемы:
Компания столкнулась с типичной для быстрорастущих производств проблемой — ручное планирование не успевало за масштабами бизнеса.
Основные болевые точки:
➊ Планирование закупок велось в Excel — 15–20 часов ручной работы каждую неделю.
➋ Из-за несвоевременных данных о запасах производство периодически вставало.
➌ Одновременно склад переполнялся медленно оборачиваемыми позициями.
➍ Не было инструментов прогнозирования с учётом сезонности и трендов.
➎ Сводка данных из 1С, технологических карт и планов продаж занимала часы.
Результат — потери времени, простои, замороженные оборотные средства и зависимость от человеческого фактора.
Контекст и проблемы:
Компания столкнулась с типичной для быстрорастущих производств проблемой — ручное планирование не успевало за масштабами бизнеса.
Основные болевые точки:
➊ Планирование закупок велось в Excel — 15–20 часов ручной работы каждую неделю.
➋ Из-за несвоевременных данных о запасах производство периодически вставало.
➌ Одновременно склад переполнялся медленно оборачиваемыми позициями.
➍ Не было инструментов прогнозирования с учётом сезонности и трендов.
➎ Сводка данных из 1С, технологических карт и планов продаж занимала часы.
Результат — потери времени, простои, замороженные оборотные средства и зависимость от человеческого фактора.
Услуга: внедрение ИИ, АСУП с модулями ML
Решение: Разработка и внедрение автоматизированной системы управления производством (АСУП) с модулями машинного обучения (ML) для прогнозирования потребности в сырье и планирования закупок.
Основные шаги реализации:
➊ Проведён аудит процессов и сбор исторических данных за 2 года.
➋ Разработаны ML-модели (Prophet, LightGBM, Isolation Forest) для прогнозирования, выявления аномалий и оптимизации размера заказов.
➌ Создан backend на Python/FastAPI и БД на PostgreSQL с TimescaleDB.
➍ Настроена интеграция с корпоративным хранилищем (1С, SMB-протокол).
➎ Разработан интерактивный веб-интерфейс (React + Tailwind) с дашбордами и визуализацией ML-инсайтов.
➏ Настроено автоматическое переобучение моделей и алерты при рисках дефицита.
Основные шаги реализации:
➊ Проведён аудит процессов и сбор исторических данных за 2 года.
➋ Разработаны ML-модели (Prophet, LightGBM, Isolation Forest) для прогнозирования, выявления аномалий и оптимизации размера заказов.
➌ Создан backend на Python/FastAPI и БД на PostgreSQL с TimescaleDB.
➍ Настроена интеграция с корпоративным хранилищем (1С, SMB-протокол).
➎ Разработан интерактивный веб-интерфейс (React + Tailwind) с дашбордами и визуализацией ML-инсайтов.
➏ Настроено автоматическое переобучение моделей и алерты при рисках дефицита.
Результаты (Results / Outcomes):
Эффективность прогнозирования:
✓ Точность ML-прогнозов — 96,3% (вместо прежних 65–70%).
✓ 23 предотвращённых случая дефицита сырья за первые 3 месяца.
✓ Оптимизация закупок снизила логистические издержки на 18%.
Эффективность процессов:
✓ Планирование закупок — теперь 2–3 часа в неделю вместо 15–20.
✓ Автоматизирован анализ по 150+ SKU и 80+ видам сырья.
✓ Отчёты формируются за 2–3 минуты, а не за полдня.
Управление запасами:
✓ Количество случаев дефицита — ↓ на 92%.
✓ Высвобождено 1,8 млн ₽ оборотных средств.
✓ Снижение переизбытка медленно оборачиваемых позиций — на 67%.
Влияние и ценность (Impact / Benefits):
✓ Производство стало предсказуемым — система предупреждает о рисках заранее.
✓ Руководство получает точные дашборды и аналитические отчёты для принятия решений.
✓ Сократилось влияние человеческого фактора: ML берёт рутину на себя.
✓ Повысилась скорость и прозрачность управления запасами.
✓ ROI выражается не только в экономии времени и средств, но и в снижении стресс-фактора: планирование теперь опирается на данные, а не догадки.
Инструменты и технологии (Tools / Technologies):
Эффективность прогнозирования:
✓ Точность ML-прогнозов — 96,3% (вместо прежних 65–70%).
✓ 23 предотвращённых случая дефицита сырья за первые 3 месяца.
✓ Оптимизация закупок снизила логистические издержки на 18%.
Эффективность процессов:
✓ Планирование закупок — теперь 2–3 часа в неделю вместо 15–20.
✓ Автоматизирован анализ по 150+ SKU и 80+ видам сырья.
✓ Отчёты формируются за 2–3 минуты, а не за полдня.
Управление запасами:
✓ Количество случаев дефицита — ↓ на 92%.
✓ Высвобождено 1,8 млн ₽ оборотных средств.
✓ Снижение переизбытка медленно оборачиваемых позиций — на 67%.
Влияние и ценность (Impact / Benefits):
✓ Производство стало предсказуемым — система предупреждает о рисках заранее.
✓ Руководство получает точные дашборды и аналитические отчёты для принятия решений.
✓ Сократилось влияние человеческого фактора: ML берёт рутину на себя.
✓ Повысилась скорость и прозрачность управления запасами.
✓ ROI выражается не только в экономии времени и средств, но и в снижении стресс-фактора: планирование теперь опирается на данные, а не догадки.
Инструменты и технологии (Tools / Technologies):
Контактная информация / Call To Action:
Хотите, чтобы закупки считались не в Excel, а с точностью до процента — и без человеческих ошибок? Мы в JUST IT умеем превращать производство в умную систему, где данные работают на бизнес.
Хотите, чтобы закупки считались не в Excel, а с точностью до процента — и без человеческих ошибок? Мы в JUST IT умеем превращать производство в умную систему, где данные работают на бизнес.