Выйти

AI-ассистенты

Отрасль

Дистрибуция и сервис спецтехники

Клиент

Cтроительные машины

Сайт клиента

Кейс: AI-планирование продаж и закупок запасных частей

Внедрили AI-систему прогнозирования потребности в запасных частях и планирования продаж и закупок
Система анализирует:

○ исторические продажи
○ остатки на складах
○ регламентное потребление
○ карты технического обслуживания
○ справочники применяемости запчастей
○ аналоги деталей
○ ресурс эксплуатации техники

AI-система:

○ прогнозирует потребность в запчастях
○ рассчитывает матрицу склада
○ формирует рекомендации по закупкам
○ помогает согласовать планы продаж, закупок и сервисного потребления
○ выявляет отклонения и аномалии потребления

Для реализации решения:

○ собрали единый контур данных
○ внедрили RAG-архитектуру
○ подключили исторические и нормативные данные
○ разработали AI-инструменты анализа и планирования

Решение

Проблема

Продажи, сервис и закупки работали на разных наборах данных, из-за чего планы продаж, закупок и потребности в запасных частях часто расходились.

Компания столкнулась со следующими проблемами:

○ дефицит востребованных запчастей
○ избыточные складские остатки
○ несогласованность планов продаж и закупок
○ сложность прогнозирования потребности в запчастях
○ отсутствие единого инструмента для планирования продаж и закупок

Дополнительную сложность создавали:

○ большое количество номенклатуры
○ аналоги запчастей от разных производителей
○ зависимость потребления от типа техники и регламентов ТО
○ территориальное распределение продаж и сервисного обслуживания

Как работает
AI-система прогнозирования продаж и закупок

Система собирает исторические и нормативные данные

○ Исторические продажи + остатки, нормативные данные, карты ТО, справочники применяемости

Система анализирует потребление запчастей и выявляет закономерности

○ По типам техники, территориям, периодам и группам запчастей

Данные объединяются с нормативами и справочниками

○ Продажи, остатки, применяемость запчастей, карты ТО и нормативы потребления

RAG подключает нормативные данные и технический контекст

○ RAG-пайплайн

AI-модуль рассчитывает прогноз потребности и рекомендации по закупкам

○ Модели прогнозирования и аналитики

Продажи, сервис и закупки работают в едином контуре планирования

○ Прогноз потребности, рекомендации по закупкам и матрица склада

3

4

5

6

2

1

Результаты внедрения

● Повысилась точность планирования закупок

● Снизился объем избыточных складских остатков на 35%

● Улучшился контроль потребления и оборачиваемости запчастей

● Ускорилась подготовка планов закупок

● Продажи, сервис и закупки работают по единому плану

Технологический стек

Обсудить проект

модели прогнозирования потребности и расчета рекомендаций по закупкам

Прогнозирование и аналитика

Qwen2.5-32B в закрытом корпоративном контуре

LLM

bge-m3
PostgreSQL + pgvector

RAG и семантический поиск

Python + FastAPI

Backend

RAG-пайплайн для поиска по нормативным данным, картам ТО и справочникам

Архитектура

складские системы
данные продаж
сервисные данные
справочники запчастей
карты технического обслуживания

Интеграции

Развертывание в закрытом корпоративном контуре без передачи данных во внешние облачные сервисы.

Инфраструктура

Обсудим AI-решение под задачи вашего бизнеса и покажем, как встроить AI в процессы, данные и корпоративные системы:

Стоимость – после обсуждения задачи

Обсудим AI-систему под задачи вашего бизнеса

○ Аналитику, прогнозирование и планирование

○ Обработку документов, данных и операционных задач

○ Интеграцию с CRM, ERP и внутренними сервисами

○ Создание единого AI-контура для развития новых сценариев

Обычно используются исторические продажи, складские остатки, данные сервисного обслуживания, карты ТО, нормативы потребления и справочники применяемости запчастей. Конкретный набор зависит от бизнес-процесса и доступности данных.