Искусственный Интеллект пока не достиг уровня автономности для использования в закупках торговой компании. На рынке преобладает шаманство, то есть предложения имитации «искусственного интеллекта» под видом ИИ-агентов, которые нежизнеспособны без участия человека-эксперта. Встречается также опасное шарлатанство, когда продавец цифрового продукта вводит покупателя в заблуждение, намекая на «купи умный автономный продукт – уволь сотрудников - забудешь о проблемах».
Искусственный интеллект в закупках - имитация вместо автономности.
Я не призываю не покупать «ИИ-продукт» вообще. Качественная автоматизация S&OP вообще и отдела закупок в частности полезна, даже если Вы купите добротный продукт в обёртке «Искусственный Интеллект». Просто это будет не совсем «искусственный интеллект», а его имитация. Он будет напоминать старый добрый алгоритм автоматизированного управления параметрами через факт-план отклонения в многослойной ERP. Усиленный в области контроля качества данных, скорости их обработки, более совершенной графикой, более удобным интерфейсом ввода исходных и получения результата. Но он будет эффективен только в комплекте с человеком-экспертом, который не только настраивает машину в процессе её обучения, но и регулярно корректирует в процессе работы.
Чем отличается действительно Искусственный Интеллект от имитации?
Прежде всего в автономности принятия решения. Если цена погрешности ошибочных рекомендаций, которые выдаёт автономный искусственный интеллект, не выше, чем у среднего специалиста без частого вмешательства эксперта в алгоритм – это полноценный ии-агент. Пока в закупках торговых компаний это не так. Пока искусственный интеллект в закупках - это не автономная «шахматная машина», обыгрывающая человека. Внутри этой «машины» пока сидит человек-эксперт. «Шаман», выдающий действия ИИ-агента за самостоятельные, но по сути – управляющий ими.
Любопытный факт – первые «шахматные машины» также управлялись спрятанными внутри них живыми шахматистами. Машина якобы сама делала ходы, но на самом деле не автономно, а с помощью человека.
Но сейчас современная шахматная программа имеет искусственный интеллект и действительно автономна, способна сама выбирать оптимальное продолжение партии, при этом она не проигрывает человеку.
Автономный искусственный интеллект. Примеры:
Шахматная программа обыгрывает человека. Искусственный интеллект современного дрона способен автономно «достраивать» ландшафт на основе фрагментов, определять точку нахождения без спутника и корректировать полёт, сравнивать фрагменты сканируемого объекта с библиотекой и автономно принимать решение. Искусственный интеллект ии-агента "юридический консультант" уже способен работать быстрее и точнее среднего специалиста. Этот эффект в ии-технологиях был достигнут прежде всего за счёт накопления достаточной библиотеки наряду с фиксацией бесспорных алгоритмов действия при конкретном наборе данных, работающих каналов поддержания актуализации.
Подобной «автономности» ИИ-агентов в S&OP сейчас практически не существует. Есть мелкие действительно автономные ИИ-агенты-помощники в области контроля качества, стандартизации, рассылок-напоминаний и тп, но их влияние на итоговую прибыль обычной торговой компании незначительно.
Эта статья - не обвинение «шаманов». Не их вина, что качественные продукты автоматизации им сейчас трудно продать без модной упаковки «агентов имеющих искусственный интеллект», лучшие из которых до сих пор не автономны и зависимы от человека-эксперта.
Обычно «ИИ-агентов» встраивают в CRM, SRM, ERP называя по-разному, продавая их как поштучно, так и оптом под соусом «целостной экосистемы».
Эффективные категории ИИ-агентов в закупках.
При всём разнообразии, сейчас вижу всего три категории ИИ-агентов, которые способны существенно увеличить прибыль обычной торговой компании:
1 категория: ИИ-агенты, автоматизирующие выбор поставщика и товаров для закупки.
1.1 ИИ-агент для выбора стратегического поставщика и товара.
Данный ИИ-агент производит балльную оценку по показателям, считает итоговый рейтинг и предлагает выбор лучшего из поставщиков, стратегию по выбору товаров для закупки. Встроен в SRM/ERP.
Рейтинг поставщиков и товаров формируется по данным как из внешних источников, так и по собственной статистике (динамике цен и партий закупок, цен и количеству продаж). Учитывается также динамика остатков и цена проблем (излишков, списания, брака, дефицита, пересорта). Полный скоринг обычно учитывает данные по срокам и полноте выполнения заказов, качество товара, финансовые и коммерческие условия, операционную дисциплину, устойчивость и управляемость поставщика.
Зачем нужен эксперт для ИИ-агента, оценивающего поставщиков?
Человек, прежде всего, должен выбрать и задать стратегическую цель. Например, максимальная рентабельность, максимальная прибыль на заёмные деньги, захват доли рынка. От выбранной цели существенно зависит рейтинг поставщиков.
Но, даже в рамках одной выбранной стратегической цели, многолетняя автономность ии-агентов не достижима. Настроенные для прошлых лет веса оценочных критериев и показателей со временем меняются. И, даже если поначалу рекомендации обученного ии-агента были близки к экспертному выбору, со временем они начнут проигрывать конкурентам.
Устаревают и снимаются с производства одни товары, появляются аналоги и новинки с новой, неучтённой ранее эластичностью спроса от цены и качества. Меняется демография и покупательная способность населения, возникают новые каналы сбыта и ограничители рынка. Изменение весов оцениваемых показателей (а это делает пока человек-эксперт) изменяет рейтинг конкретного поставщика относительно других. Даже при неизменности условий работы и характеристик товара поставщиков.
Как продлить автономность ИИ-агента по оценке поставщиков?
Тем не менее, хорошо настроенный ИИ-агент по оценке поставщиков может сохранять автономность достаточно долго (год и более). Но для этого, например, параметры, влияющие на расчёт показателя рентабельности, необходимо использовать именно как переменные в формуле расчёта. А не учитывать отдельными оценочными показателями, что приводит к искажению рейтинга. Оцениваемую шкалу для повышения точности следует разбивать на несколько диапазонов с разным весом (например, 70% баллов за первый диапазон и 30% за второй).
Как это сделать – на примере разобрано в расчётном файле Excel, оценивающем поставщика и его товар с учётом уточнённой рентабельности и прочих наиболее важных факторов. Пройти мой мини-курс «Как выбрать поставщика» и скачать файл для расчёта рейтинга поставщика можно на платформе Stepik. При переходе по этой ссылке с моего сайта действует дополнительная скидка 20%. https://stepik.org/a/260910/pay?promo=68a63ce98d2c4a71
Перенесите подобные расчёты рейтинга из файла Excel в SRM, учтите специфические показатели – и получите собственного «ии-агента-оценщика поставщика».
На хорошей платформе при большой номенклатуре товара и возможных поставщиков подобные «ии агенты» действительно способны существенно сэкономить время человека, быстро предлагая шорт-лист на выбор при разнонаправленных изменениях цен, логистики и финансовых условий работы.
Что получите при внедрении качественных ИИ агентов-для стратегического отбора поставщиков и товара?
Существенно высвободится время лучших специалистов по закупкам, произойдёт переориентация с рутины и тушения пожаров на экспертный план/факт анализ, качественную корректировку параметров. Улучшится скорость реакции на новые вызовы, повысится конкурентоспособность. Снизится риск потери части информации при увольнении сотрудника, на котором были завязаны поставщики.
Пахнет шарлатанством, когда продавец ии-агента утверждает, что сразу после покупки продукта можно уволить экспертов-закупщиков. ИИ агенты пока не способны полностью заменить человека. Необходим регулярный экспертный пофакторный анализ причин план-факт отклонений и корректировка весов показателей оценки. В момент настройки/внедрения важна усиленная мотивация лучших из действующих и/или привлечение внешних специалистов. При корректировках в процессе использования - важно сохранять комментарии для обучения и уточнения будущей оценки.
1.2. ИИ-агент по аналитике цен закупки.
Иногда оправдано особое отделение этого вспомогательного "ии-агента по аналитике цен закупки" от "ии-агента для выбора стратегического поставщика", составной частью которого он является. Обычно такое происходит для срочного выбора при большом количестве тендеров.
ИИ агент по аналитике цен закупки выдаёт шорт-лист по запросу цен с указанием поставщика и его надёжности, с учётом истории взаимоотношений, конечной ценой и датой прихода товара. Учитываются актуальная логистика и условия (кредит, предоплата), даётся рекомендация для конкретной оперативной закупки.
Из внутренних источников (история прайс-листов, коммерческие предложения, факты закупок) агент извлекает информацию для анализа по запросу о динамике цен. Получает также информацию с рынка, по которой может сформировать подозрение закупщика в регулярном завышении цен над среднерыночными в прошлом периоде (в некомпетенции или в злоупотреблении). При внешних источниках информации, когда нет истории работы с конкретным поставщиком, повышается риск фактического несоответствия заявленных параметров фактическим.
Качество рекомендаций агента и реального эффекта от внедрения зависит от специфики бизнеса и доступных источников информации.
2 категория. ИИ-агенты, считающие прогноз продаж и предлагающие объём и время закупки товара.
Хорошей практикой является отделение Прогноза от Заказа. В момент расчёта закупки товара формула учитывает Прогноз как один из факторов.
Это позволяет отделять, например, дефицит по причине заниженного прогноза от дефицита по причине несвоевременной закупки.
2.1 ИИ-агент прогноза
ИИ-агент подключается к учетной системе (1С, ERP, Excel-файлам, сайтам), собирает данные о продажах и остатках за прошлый и текущий период. Учитывает график сезонности и график событий (например, акции и распродажи, пики в праздники), потерянные продажи, тренды роста или падения рынка товара, колебания курса валюты при альтернативных поставках аналогов, изменение покупательной способности.
На основе анализа этих данных, ИИ-агент строит прогноз спроса на каждую позицию заказываемой номенклатуры в будущем периоде. Чаще всего используется среднесрочный прогноз, к которому применяется график сезонности и другие поправочные коэффициенты. Например, среднегодовые продажи 30 штук в месяц, которые для расчёта на конкретный месяц преобразуются в 15 штук при коэффициенте сезонности 0,5 или в 45 штук при коэффициенте сезонности 1,5.
Чем сопровождается качественный прогноз?
Внедрение качественных «ИИ-агентов-прогнозистов» обычно сопровождают понятным дашбордом с план-факт отклонением для быстрого поиска и корректировки аномалий.
Хорошей практикой является показывать результаты погрешности с помощью ретроспективного анализа, давать пользователям возможность корректировать и метод прогноза (скользящее среднее, экспоненциальное сглаживание, отброс крайних значений и так далее) и параметры формулы прогноза (профиль сезонности, out of stock для учёта потерянных продаж), фиксировать значение прогноза до момента будущей даты пересчёта (на новинки).
Вместо «хорошо» и «плохо» показывают в деньгах, сколько составили убытки от излишка и дефицита из-за используемого ранее варианта прогноза по группам и поставщикам и сколько было бы при рекомендуемой настройке. Не за один прошлый период (под который легко подогнать результат), а за несколько.
Шарлатаны часто продают «чёрный ящик прогноза», который «сам всё прекрасно считает без участия человека», и демонстрируют подогнанные под ответ «отличные результаты внедрения».
Что получите внедрении качественных ИИ агентов-прогноза?
Ретроспективный анализ поможет точно считать погрешность, выбирать таким образом лучшую формулу прогноза, дополнять её учётом новых действующих факторов.
Пофакторный анализ план-факт отклонений закрепит среди всех участников процесса S&OP осознание зависимости прогноза будущих продаж не только от статистики продаж в прошлом. Отклонение прогноза от факта из-за цены, сезона, действия конкурентов, изменений рынка, качества очистки сырой статистики прошлого периода будет измерено в % и деньгах, что поможет принять взвешенные решения. Время специалистов будет направлено на анализ план-факт отклонений и корректировки, повышающие точность прогноза. Уточнение учёта сезонности, графика событий, эластичности спроса от цены и качества, контроль уровня отсечения Out of Stock Point для уточнения учёта потерянных продаж – увеличат точность прогнозирования и снизят дефицит и излишки.
Пахнет шарлатанством, когда продавец «ИИ-прогнозиста» гарантирует точность прогноза выше 90%. Такая точность практически не встречается даже на хорошо подготовленных данных. Тем более не будет высокой точности на сырых неочищенных данных, которые не учитывают эластичность спроса и потерянные продажи, график сезонности и событий. Просто скормить необработанные и неполные данные «ии-агенту» и ждать точного прогноза – наивно.
2.2 ИИ-агент составитель заказа (автозаказ).
Качественные ии-агенты составления заказов не просто в моменте считают потребность с учётом остатков и прогноза продаж до и после даты ожидаемого прихода (ЕТА- Estimated Time of Arrival). Они также позволяют быстро скорректировать расчётный заказ под ограничители: «под бюджет», «под скидку поставщика» с учётом стоимости капитала, хранения и логистики.
Расчёт на дату сравнивается с вариантом следующей даты, в которую возможен заказ. Учитывается не только кратность, но и остаточный срок годности товара на складе и в пути. Предлагаются различные сценарии. Например, если на момент заказа уже было продано выше прогноза и к моменту ETA от основного поставщика ожидается дефицит – рекомендуется заказать мелкую партию у альтернативного поставщика с быстрой доставкой. Или, если сейчас закупка вне сезона большой партии у основного поставщика приведёт к слишком большим излишкам – сделать закупку мелкой партии у альтернативного поставщика (дороже по цене закупки, но с итоговой выгодой при учёте стоимости капитала и хранения).
Анализ структуры более дорогих альтернативных закупок позволяет выявлять проблемные зоны и принимать решения о повышении страхового запаса или смене поставщика.
Для чего нужны вспомогательные ии-агенты?
Вспомогательные ии-агенты заказа автоматически фиксируют отклонения факта от заложенного в формулу заказа значения параметра. Не просто сообщают что фактический цикл поставки составил не Х дней, а Х+Y, но и фиксируют, например, что задержка на Y дней такой-то партии произошла в статусе оприходования товара (а не в производстве или пути). То есть проблема связана не с поставщиком, а с собственным складом. На основе подобной детализации ведётся подсчёт убытков из-за отклонений и автоматически генерируются конкретные рекомендации (скорректировать параметр цикла поставки или вложиться в улучшение работы склада). Это позволяет эксперту быстрее принять решение (выбрать из списка рекомендаций), основываясь при этом не на ощущениях, а на расчётной стоимости рекомендованных изменений в сравнении с потерями без них. Повторяющиеся рекомендации с высоким уровнем совпадения с экспертной оценкой – реже проверяют в будущем, переводят в разряд автоматических действий.
Но, всё это давно было известно и с успехом использовалось в качественно настроенных ERP задолго до момента популярности термина «ии-агент». Почему же внедрение ERP в прошлом и ИИ-агентов сейчас часто не улучшает, а ухудшает ситуацию в закупках?
Почему после внедрения ИИ-агентов ситуация с закупками иногда ухудшается?
Дело в том, что часто проблемы в закупках не в отсутствии «ИИ-агента» или аналогичного ему модуля в ERP (инструмента, машины). А в использовании загрязнённых и неполных данных (плохого «топлива»), плохих формулах прогноза и заказа; редкой, нерегулярной или неадекватной реакции на отклонения (низкой компетенции экспертов); установках руководства на «повышение оборачиваемости» и «уровня сервиса» с неконтролируемым при этом снижением прибыли (то есть ошибках уровня стратегических KPI).
ИИ-агент не избавляет от проблемы с ошибками при использовании исходных данных, а лишь ускоряет масштабирование убытков из-за таких ошибок. Перед внедрением ИИ-агентов закупок – крайне важно утвердить иерархию KPI-показателей (исключить острые конфликты целей), принять верную формулу прогноза и заказа, наладить систему контроля план-факта и актуализацию участвующих в расчётах данных. Без всего этого – файлик Excel с верной формулой и актуальными очищенными данными будет работать точнее, чем дорогостоящая ERP или экосистема из сотни разнообразных взаимосвязанных ИИ-агентов.
Что получите при внедрении качественных ИИ-агентов заказа?
Ускорение расчёта заказа за счёт автоматизации позволит сократить трудозатраты на стандартные операции. Улучшение детализации и скорости план-факт анализа параметров закупок сделает расчёт заказа более точным и принесёт прибыль за счёт сокращения излишков и дефицита. Понимание основных проблем и их стоимости поможет принимать более взвешенные решения. Раннее предупреждение о прогнозируемом дефиците для принятия решения о закупках у альтернативных поставщиков снизит дефицит.
При внедрении ии-агентов, автоматизирующих составление заказа, рекомендую соблюдать осторожность и последовательность: 1 этап – только рекомендации; 2 этап – пилотный автозаказ по группе в рамках лимитов; 3 этап – по отдельным группам (с минимальной погрешностью между фактом и расчётом) – переключение на автозаказ и автоматически сгенерированные рекомендации к исполнению с обязательным контролем экспертом раз в период (в цикле S&OP, например).
Пахнет шарлатанством, когда продавец ИИ-агента уверяет, что после покупки продукта сможете навсегда забыть о проблемах. ИИ-агенты не избавят вас от необходимости делать стратегический выбор и поддерживать очистку и своевременную актуализацию данных. Без регулярных проверок и корректировок параметров человеком-экспертом высок риск, что ИИ-агенты начнут масштабировать убытки, а не прибыль.
Хотите продвинуться в составлении и выборе формул точного прогноза и заказа, которые сможете затем из Excel перенести в любую систему назвав «ИИ агентом прогнозирования» или «ИИ агентом составления заказа»? Рекомендую пройти этот мой курс на платформе Stepik. При переходе с моего сайта по этой ссылке – действует дополнительная скидка. https://stepik.org/a/262858/pay?promo=172a5fc29a76d6ce
Или обратитесь напрямую ко мне, с удовольствием за разумные деньги проведу консультацию или сопровожу внедрение. Это одна из моих любимых тем.
3 категория. ИИ-агенты по корректировке собственной цены продажи.
Почему важна корректировка цены?
От цены продаваемого продукта напрямую зависел прошлый факт продаж. От цены зависит и будущий прогноз (эластичность спроса от цены). А от этого прогноза – напрямую зависит и размер закупаемой партии, и вероятность будущих излишков или дефицита. Закупщик хуже угадает будущие продажи, если не знает, по какой цене в прошлом относительно рынка продавался товар и по какой цене планируется продавать товар в будущем.
Когда крупные «акции продвижения» по сниженной цене планируются заранее и учитываются в цикле S&OP, закупки заблаговременно и дешевле смогут подвезти под них товар.
Помимо запланированных акционных цен, для изменения скорости продаж часто применяется автоматизированное динамическое ценообразование с помощью ии-агентов корректировки цен в определённых рамках. Цены снижают для ускорения продаж при излишках товара. Цены повышают для замедления продаж при прогнозе дефицита.
Ценовые войны агентов.
На первый взгляд всё просто, но здесь таится дьявол в деталях. От того, какова текущая ситуация с остатками и предложением от конкурентов, какие ии-агенты используются конкурентами, зависит в итоге и оптимальная цена предложения. Агенты начинают сражаться с агентами, меняют тактику в зависимости от противодействия. Алгоритм автоматической корректировки цены может отличаться в зависимости от площадки (собственный сайт или маркетплэйс), от группы товара или от стратегической цели.
Это направление на момент написания статьи считаю одним из самых недооценённых и перспективных. Работаю в нём, открыт к предложениям по участию в проектах по внедрению. Чтобы связаться со мной, пишите на мою почту a.skorodumov@mail.ru или заполните эту форму:
Что получите при внедрении качественных ИИ агентов-автоматической корректировки цен:
Динамическую корректировку цен и регулировку скорости продаж. Выведение остатков на страховой запас в точке ETA с оптимальной возможной рентабельностью (снижение неликвидов и дефицита). Учёт ограничителей по рентабельности и целей поддержания минимальной скорости продаж для выполнения условий с поставщиком. Фиксацию экспертных решений в моменты нарушения ограничителей минимальной цены в случаях более приоритетной цели (выдавить конкурента, избежать списания устаревающей партии). В расчёте цены агентом используется не только «цена продажи» конкурента, но и цена закупки, и наличие на остатках, и место в поиске у себя и у конкурентов (когда эту информацию возможно регулярно актуализировать).
Пахнет шарлатанством предложение «вечного автономного агента корректировки цен» в «коробке» без возможности корректировки параметров. Так, вероятнее всего, получите обычный парсинг цен с простым алгоритмом бота, например «снижать цену до минимальной у конкурентов», что приведёт к убыткам в большинстве случаев.
В условиях противодействия ваших ИИ-агентов ИИ-агентам конкурентов, необходима регулярная корректировка тактики на основе сравнения факт с прогнозом. Иначе ваш алгоритм быстро вскроют, учтут и переиграют.
Показатели для дашбордов при внедрении ии-агентов в отделе закупок.
Внедрение экосистемы из «ИИ агентов-закупок» («ИИ агентов-оценщиков поставщиков», «ИИ агентов-прогнозистов спроса», «ИИ агентов-составителей заказа», «ИИ агентов-корректировщиков цены» и вспомогательных к ним) обычно сопровождают кратким дашбордом с ответами на главные вопросы руководства. Рекомендую не более семи главных KPI, среди которых:
Рентабельность и прибыль по поставщикам и группам товара (желательно с учётом стоимости владения).
Количество активных SKU в разрезе групп и поставщиков.
Структура АВС по объёмам продаж и остатков в разрезе групп товаров и поставщиков.
Обеспеченность альтернативными поставщиками товаров категории А.
Уровень сервиса (дефицита) на собственном складе и у поставщиков (по SLA и фактический %).
Карта убытков (потерянных продаж, списаний, дополнительной стоимости хранения излишков) по группам товара и поставщикам.
В дашборде желательно предусмотреть динамику (не только срез «сейчас», но и отклонение от «было» и прогноз «что будет, если ничего не менять»). Сценарные расчёты «что будет» при корректировке основных параметров (при изменении цены, уровня сервиса и тп).
Задача дашборда - не просто «констатировать текущую ситуацию», а предупреждать руководство о развивающихся проблемах и подталкивать к лучшим вариантам действий.
В заключение подчеркну: среди ИИ-агентов в закупках сейчас почти не существует полностью автономных программ, поэтому они не могут называться полноценным искусственным интеллектом. Тем не менее, их внедрение в отел закупок может повысить скорость принятия решений и конкурентоспособность. Но важно не нарушить при этом иерархию KPI, обеспечить актуализацию исходных, факторный анализ прогноз-факт отклонений параметров, контроль и корректировку (например, в цикле S&OP). Опасайтесь шарлатанов и грязных данных: иначе рискуете после внедрения получить масштабирование убытков.