Как ИИ навел порядок в закупках: кейс «Акрон Холдинга»

Когда холдинг растет за счет слияний и поглощений, вместе с новыми активами он наследует и хаос в данных. Единой картины того, что закупает компания и у кого, не существует — а без этого невозможны аналитика, категорийные стратегии и консолидация закупок. «Акрон Холдинг» решил эту задачу с помощью искусственного интеллекта: объединил более 100 баз данных и классифицировал свыше 350 тысяч номенклатурных позиций. Рассказываем, как им это удалось и какие уроки могут извлечь селлеры на маркетплейсах.

#Масштаб проблемы: десятки компаний и никакой сводной картины

«Акрон Холдинг» в разное время присоединял до десяти организаций за год. У каждой — свои ИТ-системы, команды, локации и продукция. После слияния всю информацию нужно было быстро консолидировать, но первой преградой стало отсутствие сводных данных по закупкам.

«Если ты не понимаешь, что закупает холдинг, то не можешь провести никакой аналитики, — описывает исходную точку заместитель генерального директора по закупкам Антон Николаев. — Ты не знаешь, кто у кого и по какой цене покупает. А без этой информации ты не можешь заниматься консолидацией закупок».

Подготовка к переговорам с крупным поставщиком превращалась в недели работы: нужно было написать восьми закупщикам из разных компаний, после чего каждый поднимал свои архивы и сводил таблицы. 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 ручная классификация — тупик

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, относится ли позиция к производству или к хозяйственным нуждам. Единого справочника между заводами не было, одни и те же позиции называли по-разному, 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: ИИ смотрит на поставщика, а не на 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.

«Если колпачок поставляет “Северсталь”, то с большой вероятностью это стальная деталь, которая относится к сырью, — объясняет логику Антон Николаев. — Если такой же колпачок поставляет канцелярский поставщик, то это, скорее всего, колпачок от ручки, и он попадет в категорию канцелярии».

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

• Сначала локальную модель просто спрашивали, как она распределит позицию.
• Затем подключили векторную базу с внутренними данными холдинга.
• После этого выстраивали профиль поставщика и искали в интернете информацию о том, чем этот поставщик занимается.
• На следующем этапе добавили базу уже размеченных человеком позиций, 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.

#Как измеряют точность и почему не привязываются к ГОСТам

Сейчас точность классификации около 80%, цель к концу года — 95%. Качество 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 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 случаи, когда две бизнес-единицы закупили одинаковые позиции, но для одной из них цена была на 20% выше, чем для другой.

«Если вы хотите развивать функцию закупок, это маст хэв, базовый фундамент, без которого невозможно идти дальше, — резюмирует Антон Николаев. — Категоризация данных открывает дорогу к следующим шагам — категорийным стратегиям, консолидации тендеров и в конечном счете к управляемой экономике закупок».

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.

#Что это значит для селлеров

Кейс «Акрон Холдинга» — наглядный пример того, как данные становятся основой для управленческих решений. Для селлеров на маркетплейсах (Wildberries, Ozon, «Яндекс Маркет») урок прост: без чистой и структурированной информации, продажах и закупках невозможно масштабироваться. Если вы работаете с несколькими площадками или брендами, наведите порядок в номенклатуре и аналитике — это сэкономит недели ручной работы и поможет договариваться с поставщиками на более выгодных условиях. Инструменты вроде Uniseller как раз помогают автоматизировать рутину и держать все данные под контролем.