---
title: План закупок
stage: Открытый эксперимент
role: постановка, исследование, методика прогноза и заказа, решения, проверка
period: ноябрь 2026 · тестовое задание, 48 часов
---

# План закупок для импортёра — код считает, ИИ объясняет

Система каждый день отвечает закупщику: что заказать, сколько, до какой даты, на сколько хватит запасов с учётом заказов в пути и где риск дефицита или избытка. Я сделал её за 48 часов как тестовое задание на данных импортёра. Числа считает код, ИИ пишет сводку по фактам расчёта, заказ утверждает закупщик. В работу у заказчика система пока не внедрена.

## Задача

Импортёр возит из Китая электроинструмент, садовую технику и сантехнику: поставка идёт 4–6 месяцев, позиций около 800, у категорий разная сезонность — обогреватели продаются осенью, триммеры весной, смесители ровно круглый год. Каждый месяц закупщики вручную сводят историю продаж, сезонность, остатки и заказы в пути и решают, что заказать. Задание — сделать ИИ-систему, которая отвечает на пять вопросов: что купить, сколько, на какой срок хватит запасов, когда размещать следующий заказ и где риск дефицита или избытка. Срок — 48 часов, на входе — выгрузки из учётной системы заказчика.

## Подход

Как я это делал:

1. Сначала исследование: задание разобрал на восемь бизнес-правил с проверкой для каждого, данные — на факты, проверенные расчётом. Вопросы по методике прогноза, политике заказа и стеку задал нескольким ИИ-моделям с одинаковой формой ответа и свёл их ответы в спецификацию.
2. Числа считает только код: проверка данных (ошибка останавливает выпуск плана), восстановление спроса там, где продаж не было из-за нулевого остатка, прогноз с сезонностью, дневная симуляция остатка с заказами в пути, правило заказа и риски.
3. Заказ считается от прогноза остатка на дату прихода, а дата заказа — от начала следующего сезона. Поэтому обогреватель в августе получает не «заказать сейчас», а «заказать до 22 ноября — к следующему сезону»: заказ, сделанный сегодня, пришёл бы после пика и пролежал на складе до следующей осени.
4. Модель прогноза я выбирал по проверке на истории против простых методов — «как год назад», «среднее за 12 месяцев», «среднее за 6 месяцев» — и взял её в работу, только когда она обошла лучший из них.
5. Дашборд для закупщика: обзор, черновики заказов по поставщикам, риски, карточка позиции, «что если» с параметрами, методика и качество прогноза. План пересчитывается каждое утро и при новой выгрузке.

## Роль ИИ

ИИ в системе и в работе над ней:

1. Сводка для закупщика — языковая модель пишет текст по фактам расчёта. Каждое число и каждый артикул в тексте сверяются с расчётом; при расхождении или недоступности модели публикуется шаблонная сводка. Модель можно сменить в настройках, расчёт от неё не зависит.
2. Код — писал ИИ-агент по моей постановке и правилам проекта: числа считает только движок, проверки не ослабляются ради зелёных тестов, каждое изменение расчёта — тест, проверка на истории и запись в методике.
3. Проверка в нескольких моделях — методику, стек и параметры я спрашивал у нескольких моделей и сводил ответы; где они расходились, решал по проверке на данных.
4. Решение человека — методику, параметры и правила утверждал я. В самой системе заказ утверждает закупщик: поставщикам система ничего не отправляет.

## Результат

1. Работающий стенд: расчёт каждое утро, дашборд на компьютере и телефоне, светлая и тёмная тема, выгрузка черновиков заказов в Excel по поставщикам.
2. Прогноз точнее простых методов на истории: ошибка по месяцам позиции 69% против 79% у лучшего простого метода («как год назад»), по сумме за окно заказа — 43% против 49%. По категориям модель выигрывает в трёх из шести.
3. Сверх задания — план административной части для отдела закупок: загрузка данных, шесть ролей, параметры с версиями и утверждением, справочники, журнал действий и три этапа внедрения.
4. Каждый расчёт сохраняет отпечаток входных данных, параметров и версии кода: можно точно сказать, почему вчера план был одним, а сегодня другим.
5. Тесты: 42 теста расчёта и 21 проверка того, что правило заказа в расчёте и в дашборде совпадает; браузерная проверка всех экранов на 1440 и 390 px в обеих темах.
6. От начала работы с агентом для программирования до системы с ежедневным запуском, сводкой от ИИ и входом — около 15 часов; исследование шло раньше и параллельно, в других моделях. Как это было по шагам, в каком порядке шли инструменты и на чём всё построено — в кейсе в журнале.
7. Принцип «код считает, ИИ объясняет, человек утверждает» из этой работы лёг в цикл статей об автоматизации на производстве.

## Что не сделано

1. Система не внедрена: это тестовое задание на выгрузках заказчика, работа с живыми закупщиками не проверялась.
2. Интеграции с учётной системой нет — расчёт идёт по выгрузкам в CSV.
3. Административная часть пока описана как план: пользователей, ролей и версий параметров в демо нет.
4. Денежных сумм в данных нет: важность позиции оценивается по штукам и ценовой группе внутри категории, эффект в деньгах не посчитан.
5. Обогреватели и смесители модель прогнозирует хуже простых методов по месяцам — у обогревателей ассортимент меняется год к году, у смесителей спрос ровный.
6. Возвраты (около 2%) из продаж не вычтены.

## Дальше

Следующий шаг зависит от заказчика: пилот на живых выгрузках, подключение к учётной системе и проверка на одном цикле закупки. Если у вас похожая задача — длинная поставка, сезонность, сотни позиций, — напишите: демо покажу по запросу.
