Если зададите «закупщику» вопрос о проблемах, которые ему приходится решать на каждодневной основе, то «пустая рюмка и взгляд полный грусти будет вам ответом». Дальше последует уходящий в бесконечность список с описанием того, что болит, и достается в нем и нашим и вашим. Вспоминают и ненадежных поставщиков, и задержки поставок, и перерасход по контрактам, но в большинстве таких списков фигурирует проблема, настигающая «закупки» еще в самом начале цикла: идентификации потребности и формирования заявки на закупку.
Сегодня разберем один из подходов, помогающий снизить градус проблемы с формированием потребностей: внедрение в регламент закупок чек-листа. Покажем на живых примерах, как ИИ-аналитик Raft AI4BI может помочь в имплементации подхода.
Чек-лист как фильтр
Грамотно настроенный чек-лист служит, как фильтр, который отсекает «мусорные» заявки и снижает операционную нагрузку на закупки. Ниже расписал топ-10 проверок с фокусом на критериях, что напрямую могут быть провалидированы ИИ-аналитиком.
Для получения полноценного чек-листа который организация может использовать в реальной жизни, требуется адаптация под отраслевую специфику и требования существующего корпоративного регламента закупок.
Каждый пункт чек-листа ниже проиллюстрирован примером с описанием проблемы и решением с применением ИИ-аналитика Raft AI4BI .
Разумеется, такое решение требует актуальности данных, и ИИ-аналитик не рассеет тьму и не упорядочит хаос, он не заменяет четко выстроенный процесс закупок, но он помогает понять данные и получить четкую картину для дальнейших взвешенных шагов в оптимизации закупок.
Обоснование потребности
✓ Проверяем, что заявленная потребность подтверждена динамикой расходов по имеющимся запасам.
Менеджер по закупкам производственного предприятия получает от технологов заявку на 40 единиц промышленных фильтров. Прежде чем принять её в работу, он открывает Raft AI4BI и через AI-агент платформы задаёт вопрос в свободной форме: «Какие остатки по категории "промышленные фильтры" и есть ли активные заказы за последние 60 дней?» Через минуту получает ответ: «На складе числится 18 единиц, ещё 15 уже в пути по заказу от прошлого месяца. Реальная потребность — 7 единиц.»
В случае, если необходимо детальнее разобрать ситуацию, он может попросить ИИ-аналитика попросить построить соответствующую визуализацию.
Таким образом, необоснованная заявка может быть отклонена ещё до регистрации в системе.
✓ Проверка на дубли заказов на аналогичную позицию
Категорийный менеджер получает заявку от производственного отдела на закупку крепёжных изделий и через небольшой промежуток времени аналогичную заявку от подразделения технического обслуживания. Без единого специализированного дашборда это дублирование было бы сложно заметить. Raft AI4BI позволяет сагрегировать данные из ERP и показать в интерактивном дашборде все активные и открытые спецификации по одной номенклатуре в разрезе инициаторов потребности.
✓ Оценка возможности закрытия потребности внутренними резервами
Подразделение логистики запрашивает аренду дополнительных погрузчиков на квартал. Руководитель закупок открывает в Raft AI4BI раздел по загрузке техники по всем площадкам и видит, что погрузчики на складе в соседнем регионе загружены лишь на 34% и плановая загрузка не превысит 65%.
И вместо запуска процедуры на аренду дополнительной техники инициируется уже внутреннее перемещение, эффективно расходуя имеющиеся в наличии ресурсы.
✓ Выявление аномальных запросов
Raft AI4BI позволяет подключить модуль предиктивной аналитики и исторические данные о потреблении по номенклатуре накладываются на текущую заявку: если цех в среднем потребляет 12 единиц расходного материала в месяц, а ежемесячная заявка приходит на 80, то система автоматически фиксирует аномалию.
Руководитель закупок видит данное отклонение ещё до согласования и может запросить дополнительное обоснование у инициатора заявки.
Анализ сроков, приоритетов, рисков
✓ Указанный ожидаемый срок поставки не противоречит регламенту и возможностям поставщика
Raft AI4BI позволяет собирать, хранить и визуализировать исторические данные по фактическому времени поставки каждого поставщика по каждой категории, а также интегрировать базу знаний, основанную на регламенте поставки, где в том числе фиксируются требования к срокам по регистрации, согласованию и исполнению заявок.
Так, например, если инициатор заявки указал ожидаемый срок поставки через 2 недели, а данные по основному поставщику в данной категории показывают, что его средний lead time по заявленной номенклатуре — 23 дня, то закупщик видит конфликт ещё на этапе проверки заявки. Это позволяет скорректировать срок или сразу рассмотреть альтернативного поставщика.
Другой пример: данные за предыдущие периоды показывают реальную длительность согласования заявки на IT-оборудование - в среднем она проходит за 7 рабочих дней. Эти данные используются при планировании: если цикл согласования — 7 дней, а срок потребности — через 10, то заявку нужно инициировать в самое ближайшее время.
✓ Валидация приоритета заявки фактической картиной критичности поставки
Руководитель закупок получает десяток заявок в день - все помечены как «срочные». С ИИ-аналитиком приоритезация перестаёт быть субъективной: дашборд показывает данные о том, какие позиции являются критическими для производственного цикла на основе исторического потребления, автоматически выявляет аномалии и паттерны, проактивно подсвечивает возможные риски.
К примеру, производственный план предусматривает запуск линии через 14 дней. Запрошенный у ИИ-аналитика ad-hoc дашборд показывает: по данной категории у ключевого поставщика зафиксировано три задержки за последний год, средняя длительность — 12 дней. Окно для возможного манёвра — 2 дня. Проактивно выявляя эту картину, закупщик может вынести вопрос на согласование с руководством подразделения как обоснование для повышения приоритета заявки или рассмотрения варианта с альтернативными поставщиками.
✓ Учет рыночных рисков
Raft AI4BI на основании исторических данные о спросе в рамках цепочки поставок выявляет: закупки по данной категории номенклатуры традиционно осложняются в ноябре–декабре из-за роста спроса на рынке и сокращения складских остатков у поставщиков. AI-аналитик рекомендует сдвинуть размещение заказа на октябрь, чтобы избежать как дефицита, так и ценового пика.
Финансовое планирование
✓ Контроль подтверждения бюджета
Категорийный менеджер формирует заявку на закупку оборудования. Финконтроль запрашивает у ИИ-аналитика отклонение факта от плана в реальном времени без запросов и ожидания сводного отчёта - дашборд показывает: по данной категории использовано 67% годового бюджета, есть достаточный остаток для покрытия заявки. Цикл подтверждения сокращается с нескольких дней до одного взгляда в систему.
Если дашборд показывает, что бюджет по категории исчерпан, у закупщика и финансового контролёра есть немедленный контекст для решения: где есть остаток, какие категории недоиспользованы, возможно ли перераспределение. Вместо сбора данных из разных систем — один дашборд с полной картиной бюджета по всем статьям и подразделениям.
Агрегация и оптимизация
✓ Проверка возможности объединения различных потребностей в один лот
Три подразделения независимо формируют заявки на закупку расходных материалов в один и тот же период. В отсутствие единой аналитики есть риск, что каждая заявка уйдёт к разным поставщикам по разным ценам. Raft AI4BI агрегирует все входящие потребности в едином кросс-юнитовом дашборде: категорийный менеджер видит, что три заявки закрываются одной и той же номенклатурой, и объединяет их в один лот. Увеличение объёма даёт основание для переговоров о лучших условиях с поставщиком.
✓ Выявление закупок в обход регламента
Raft AI4BI отслеживает степень использования действующих рамочных договоров по категориям. Если по данной категории существует активный контракт, покрывающий запрошенную номенклатуру, но заявка размещается вне него — система фиксирует это как «попытку пройти мимо кассы»: расход вне установленных процедур. Закупщик ловит соответствующее предупреждение до того, как заявка уйдёт в работу.
Что это значит для бизнеса
Внедрение ИИ-аналитики в закупочный процесс может повысить создаваемую ценность на 10–40%. Этот диапазон складывается из нескольких источников экономии, каждый из которых адресуется уже на этапе идентификации потребности и позитивно влияет на ряд KPI:
Maverick Spend KPI: сокращение несанкционированных расходов, которые уже происходят, но без контроля.
Procurement ROI: соотношение затрат на закупочную функцию к генерируемой ею экономии. Оптимизация объёмов закупки через точное прогнозирование спроса — снижение затрат на хранение и устранение дефицитов. Консолидация лотов через кросс-юнитовую видимость — экономия на масштабе.
Purchase Order Cycle Time KPI: сокращение цикла согласования заявок — операционная эффективность закупочной службы
Supplier Lead Time: синхронизация с реальными возможностями поставщиков — меньше срочных дозаказов по невыгодным условиям
Заключение
Чек-лист идентификации потребности - мощный и качественный инструмент. Но, как говорится, дорога ложка к обеду - и еще недавно для его применения требовалось хорошо подождать и попоптеть. В итоге на глазок было и проще, и вернее.
Ниже топ-10 чеклист, что мы только что разобрали:
✓ Проверка, что заявленная потребность подтверждена динамикой расходов по имеющимся запасам.
✓ Проверка на дубли заказов на аналогичную позицию
✓ Оценка возможности закрытия потребности внутренними резервами
✓ Выявление аномальных запросов
✓ Проверка, что срок поставки не противоречит регламенту и возможностям поставщика
✓ Валидация приоритета заявки фактической картиной критичности поставки
✓ Учет рыночных рисков
✓ Контроль подтверждения бюджета
✓ Проверка возможности объединения различных потребностей в один лот
✓ Выявление закупок в обход регламента
Raft AI4BI ИИ-аналитик позволяет демократизировать проверку по таким чек-листам и использовать их на каждодневной основе, как помощника, который рядом в нужный момент. ИИ-аналитик своевременно и интуитивно понятно даёт данные для каждого шага закупочного чек-листа: складские остатки и активные заказы — в реальном времени, бюджетная видимость — без ожидания финансового контролёра, прогноз спроса — без участия аналитика, кросс-юнитовая картина потребностей — в одном дашборде.
Закупочный менеджер, категорийный менеджер, CPO, CFO — каждый получает нужные данные в нужный момент. Так этап идентификации потребности перестаёт быть «чёрным ящиком» и становится управляемым, измеримым и прозрачным процессом.
----------------
Алексей Бобок,
AI трансформация, Рафт
Делюсь опытом внедрения ИИ в бизнес через поиск максимальной ценности: