Искусственный интеллект (ИИ) становится все более важным инструментом в различных сферах бизнеса, и работа закупщиков не является исключением. Закупки — это ключевая функция в любой организации, играющая важную роль в управлении затратами, а современные технологии позволяют значительно повысить эффективность работы и улучшить качество принимаемых решений. Дмитрий Сытин, генеральный директор сервиса для коммерческих закупок Cooper.pro и Председатель Совета ТПП РФ по закупкам рассказывает об основных направлениях применения ИИ в работе закупщиков.
Избавление от рутины
Одним из самых реалистичных применений ИИ в закупках является автоматизация рутинных процессов, особенно по подготовке документов. Закупщики обычно тратят много времени на выполнение однообразных задач, таких как подготовка схожей от закупки к закупке документации, проверка и сопоставление коммерческих предложений, поиск поставщиков в Интернете. Использование ИИ позволяет упростить и автоматизировать эти процессы: значительно сократить рутинные операции, повысить скорость и качество принимаемых решений. Кроме того, это снижает зависимость от линейного персонала. Данные преимущества делают внедрение ИИ оправданным и полезным.
Пример:
Компании, такие как SAP Ariba, предлагают решения, которые используют ИИ для автоматизации обработки коммерческих предложений и выставления счетов. Это позволяет сократить время на выполнение задач и снизить вероятность ошибок, связанных с человеческим фактором.
Прогнозирование спроса
Прогнозирование спроса — важный аспект управления потребностью и оптимизации товарного запаса, который позволяет компаниям заранее оценивать, сколько товаров или услуг потребуется в будущем. Искусственный интеллект значительно улучшает этот процесс, позволяя анализировать большие объемы данных и выявлять сложные паттерны, которые могут быть незаметны при традиционных методах анализа.
Пример:
Компания Unilever применяет алгоритмы машинного обучения для прогнозирования спроса на свои продукты. Система анализирует данные о продажах, сезонности и рыночных трендах, подключаясь непосредственно к ERP-системам ритейловых сетей, что позволяет более точно планировать продажи для компании, а торговым сетям — закупки.
Для выполнения этой функции ИИ использует методы машинного обучения и алгоритмы анализа данных для обработки исторических данных о продажах, ценах, сезонных колебаниях, маркетинговых акциях и других факторах, влияющих на спрос, а также обучается на онлайновых данных о продажах. Алгоритмы могут анализировать:
- Прошлые продажи за определенные периоды, ИИ может выявить тренды и циклы. Например, если в прошлом году в преддверии праздников наблюдался рост продаж определенного товара, ИИ может учесть это при прогнозировании текущего года.
- Сезонные изменения, так как продажи некоторых товаров имеют ярко выраженные сезонные колебания. Например, спрос на зимнюю одежду возрастает в холодное время года. ИИ может анализировать данные о температуре, праздниках и других сезонных факторах для более точного прогнозирования.
- Маркетинговые активности. Запуск рекламной кампании или акции может значительно повлиять на спрос. ИИ может учитывать такие мероприятия и их влияние на продажи, чтобы скорректировать прогнозы.
- Экономические и социальные факторы. Изменения в экономике, такие как уровень безработицы или потребительские настроения, также могут влиять на спрос. ИИ может интегрировать данные из внешних источников для более полного анализа.
Самой сложной задачей для ИИ при прогнозирования спроса является вывод нового продукта на старый рынок или старого продукта на новый рынок. В обоих случаях отсутствуют четкие исторические данные, но ИИ можно обучить прогнозировать по методу аналогий. Традиционные forecast системы такого не умеют.
Поиск и анализ поставщиков
Традиционно поиск поставщиков требует значительных трудозатрат, так как включает в себя сбор информации о потенциальных партнерах, оценку их качества, надежности и ценовой политики. Однако с развитием технологий искусственного интеллекта этот процесс становится более эффективным и менее трудоемким.
Как ИИ помогает в поиске и анализе поставщиков:
- Большие языковые модели могут автоматически собирать данные о поставщиках из различных источников, таких как веб-сайты, базы данных, социальные сети и отзывы клиентов. Это позволяет существенно сократить время, необходимое для поиска информации и фактически получить интеллектуальным образом собранную и обработанную информацию о компании.
- С помощью алгоритмов машинного обучения ИИ может анализировать отзывы клиентов, рейтинги и другую информацию, чтобы оценить качество продукции и надежность поставщиков. Например, системы способны выявлять паттерны в отзывах, которые указывают на частые проблемы с качеством или доставкой, а также определять позитивность или негативность мнений клиентов. Кроме того, ИИ может выявлять отзывы о конкретном товаре или услуге.
- ИИ может сравнивать цены различных поставщиков на одни и те же товары или услуги. Это помогает компаниям находить наиболее выгодные предложения и принимать обоснованные решения о выборе партнера. Данная задача не является тривиальной и требует глубокого обучения.
- Используя данные о финансовом состоянии поставщиков, такие как отчеты о прибылях и убытках, кредитные рейтинги и другие финансовые показатели, ИИ может прогнозировать вероятность банкротства или финансовых проблем у потенциальных партнеров.
- ИИ также может оценивать риски, связанные с работой с определенными поставщиками, включая политические риски, изменения в законодательстве и другие внешние факторы, которые могут повлиять на стабильность поставок.
Пример
Платформа для коммерческих закупок Сooper.pro разрабатывает комплексный сервис на базе ИИ для формирования и последующего подбора категорийных баз поставщиков для каждой конкретной закупки, опубликованной на площадке. Cooper.pro собирает три вида информации о каждом поставщике: базовую информацию из ФНС и других открытых источников, информацию о квалификации поставщиков и информацию об участии в закупках, т.е. поведенческие паттерны.
После публикации каждой закупки ее состав анализируется моделью ИИ, и формируется категорийный профиль закупки, затем автоматически под нее подбирается категорийная база поставщиков из внутреннего заранее обработанного хранилища данных о поставщиках с учетом рейтинга их релевантности для конкретной закупки.
Оптимизация процессов закупок
ИИ может взять на себя выполнение рутинных задач, таких как создание закупочной документации, проверка документов, управление контрактами и обработка счетов. Это позволяет сотрудникам сосредоточиться на более стратегических аспектах работы, таких как анализ рынка, категорийный менеджмент и взаимодействие с поставщиками.
Системы на базе ИИ могут автоматически отслеживать сроки действия контрактов, условия выполнения обязательств и ключевые показатели эффективности (KPI), в том числе и при отсутствии четкой возможности прямого сравнения плана и факта. Это помогает избежать просрочек и улучшить соблюдение условий контрактов.
ИИ может анализировать большие объемы данных о закупках, ценах и рыночных тенденциях, что позволяет компаниям делать более точные прогнозы по потребностям и ценовым изменениям. Это, в свою очередь, помогает оптимизировать запасы и минимизировать затраты.
Пример:
Компания Amazon применяет аналитические инструменты для мониторинга цен на товары у конкурентов. Система автоматически собирает данные о ценах и предлагает закупщикам оптимальные моменты для покупки товаров по наиболее выгодным условиям.
С помощью алгоритмов машинного обучения ИИ может оценивать эффективность поставщиков по различным критериям, таким как качество продукции, надежность поставок и стоимость. Это позволяет компаниям выбирать наиболее подходящих партнеров и улучшать условия сотрудничества.
Пример:
Платформы, такие как Jaggaer, используют алгоритмы ИИ для оценки поставщиков по множеству параметров. Системы могут анализировать отзывы клиентов, финансовую стабильность и даже экологические показатели поставщиков, что помогает закупщикам принимать более обоснованные решения.
ИИ может анализировать данные о продажах и потребностях, чтобы оптимизировать уровень запасов. Это позволяет избежать как избыточных запасов, так и дефицита товаров.
Пример
Рассмотрим пример крупной розничной сети, которая решает оптимизировать свои процессы закупок с помощью технологий ИИ. В прошлом команда закупок сталкивалась с множеством рутинных задач, таких как создание заказов на основе прогнозов продаж, проверка документов от поставщиков и управление контрактами. С внедрением системы на базе ИИ компания начала использовать автоматизированные решения для выполнения этих задач.
Во-первых, ИИ анализировал данные о продажах и текущих запасах в реальном времени. На основе этих данных он автоматически генерировала заказы на пополнение товаров, что значительно сократило время, затрачиваемое на ручное создание заказов.
Во-вторых, осуществлял проверку документов. В результате, вместо того чтобы вручную проверять документы от поставщиков, система использовала технологии обработки естественного языка (NLP) для автоматической проверки соответствия документов установленным стандартам и требованиям. Это уменьшило количество ошибок и ускорило процесс проверки.
В-третьих, система автоматически отслеживала сроки действия контрактов и уведомляла команду закупок о необходимости продления или пересмотра условий. Это помогло избежать просрочек и улучшило соблюдение условий контрактов.
Кроме того алгоритмы машинного обучения оценивали эффективность поставщиков на основе исторических данных о выполнении заказов, качестве продукции и ценах. Это позволило закупщикам выбирать наиболее надежных и выгодных партнеров.
В результате внедрения этих решений компания смогла значительно сократить время на выполнение рутинных операций, повысить качество управления закупками и снизить затраты на сырье. Сотрудники команды закупок получили возможность сосредоточиться на более стратегических задачах, таких как развитие отношений с поставщиками и анализ рыночных тенденций. Это привело к улучшению общей эффективности бизнеса и повышению конкурентоспособности на рынке.
Анализ и управление рисками
ИИ помогает выявлять потенциальные риски, связанные с закупками, такие как изменения цен, нестабильность поставок и финансовые проблемы у поставщиков. Это способствует снижению уровня угроз для бизнеса.
Одной из ключевых функций ИИ в управлении рисками является его способность анализировать большие объемы данных и выявлять потенциальные угрозы. Например, ИИ может отслеживать изменения цен на сырье и товары в реальном времени, используя алгоритмы машинного обучения для прогнозирования будущих колебаний. Это позволяет компаниям заранее реагировать на изменения рыночной ситуации и принимать обоснованные решения о закупках.
Пример:
Предположим, компания-производитель электроники зависит от поставок микропроцессоров. С помощью ИИ она может анализировать данные о ценах на микросхемы, а также новости о производственных мощностях поставщиков. Если ИИ обнаруживает, что один из крупных производителей сталкивается с проблемами в производстве из-за нехватки сырья, система может уведомить менеджеров о возможном повышении цен или задержках поставок. Это позволит компании заранее закупить необходимые компоненты по более выгодной цене или найти альтернативных поставщиков.
Нестабильность поставок — еще один важный риск, который может повлиять на бизнес. ИИ помогает предсказывать проблемы с поставками на основе анализа исторических данных и текущих трендов. Например, если поставщик часто задерживает доставку или имеет негативные отзывы от других клиентов, ИИ может сигнализировать об этом и предложить альтернативные варианты.
Пример:
Платформа Resilinc использует ИИ для мониторинга цепочек поставок и выявления потенциальных рисков. Система анализирует новости, социальные сети и другие источники информации, чтобы предсказать возможные сбои в поставках и предложить альтернативные решения.
Финансовая стабильность поставщиков также является важным фактором в управлении рисками. ИИ может анализировать финансовые показатели поставщиков, такие как кредитные рейтинги, объемы продаж и другие экономические индикаторы. Это позволяет компаниям оценивать надежность своих партнеров и принимать меры до того, как возникнут серьезные проблемы.
Внедрение ИИ в процессы анализа и управления рисками в закупках позволяет компаниям не только выявлять потенциальные угрозы, но и активно реагировать на них, что приводит к снижению уровня рисков и повышению общей устойчивости бизнеса. Использование технологий ИИ становится необходимым условием для успешной работы в условиях постоянно меняющегося рынка.
Улучшение взаимодействия с поставщиками
ИИ также может улучшить коммуникацию между закупщиками и поставщиками. Чат-боты и виртуальные ассистенты способны отвечать на часто задаваемые вопросы, обрабатывать запросы и предоставлять актуальную информацию.
Пример:
Многие компании внедряют чат-ботов для автоматизации общения с поставщиками. Например, компания IBM использует Watson Assistant для управления запросами от поставщиков, что значительно ускоряет процесс коммуникации и снижает нагрузку на сотрудников.
При этом современные технологии ИИ позволяют не только анализировать данные, выстраивать коммуникацию, но и создавать персонализированные предложения для клиентов. Закупщики могут использовать эти технологии для формирования более точных запросов к поставщикам.
Пример:
Amazon Business использует ИИ для анализа покупательских привычек клиентов и предлагает персонализированные решения для бизнеса. Это позволяет закупщикам находить наиболее подходящие товары и услуги с учетом специфики их компании.
Искусственный интеллект в работе электронных площадок
Применение искусственного интеллекта в работе закупщиков открывает новые горизонты для повышения эффективности и оптимизации процессов. ИИ делает работу закупщиков более продуктивной и менее затратной, но значит ли это, что сегодня нужно обязательно искать способы интеграции ИИ в текущие ИТ-системы компании и идти на большие затраты? Сегодня практически все элементы ИИ можно найти на электронных площадках. Отличаются эти площадки лишь по типу проводимых торгов:
- Электронные торговые площадки для размещения государственного заказа: “ЕЭТП”, “ЭТП ГПБ”, “РТС-Тендер” и другие.
- Электронные торговые площадки для размещения заказов по 223-ФЗ. Перечень площадок для проведения торгов по №223-ФЗ законодательно не зафиксирован.
- Электронные торговые площадки по реализации имущества должников (банкротов). В настоящее время Комиссией Минэкономразвития РФ аккредитовано несколько десятков ЭТП по реализации имущества должников (банкротов).
- Электронные торговые площадки для коммерческих заказчиков, которые в свою очередь могут делиться на специализированные ЭТП, созданные под нужды определенного предприятия (например: ЭТП Газпрома по продаже нефтепродуктов) и многопрофильные электронные торговые площадки, на которых представлен широкий спектр продукций и услуг (например, Cooper.pro). На таких площадках любая компания может выступать как в качестве заказчика, так и в качестве поставщика товаров и услуг.
На практике многие электронные площадки уже успешно интегрировали элементы ИИ. Например, Cooper.pro использует алгоритмы машинного обучения для анализа и оптимизации рекомендаций по выбору поставщиков. Также ИИ используется для автоматизации рутинных процессов, таких как создание запросов на закупку, обработка заявок и управление документацией. Это позволяет сократить время, затрачиваемое на выполнение однообразных задач, и сосредоточиться на более стратегических аспектах работы.
Сбор и анализ огромных объемов данных о рынке, ценах и поставщиках — ИИ-алгоритмы обрабатывают эту информацию, выявляя тренды и предоставляя аналитические отчеты, которые помогают закупщикам принимать обоснованные решения.
