Проблема формирования заявок на закупку знакома многим производственным предприятиям: необоснованные запросы, дублирование позиций, отсутствие информации об остатках на складе. Платформа бизнес-аналитики Raft AI4BI предлагает внедрить чек-лист из десяти проверок, часть которых выполняется автоматически с помощью ИИ-агента.
Каждый пункт чек-листа иллюстрируется примером из реальной практики. Например, менеджер по закупкам получает заявку на 40 промышленных фильтров. Через Raft AI4BI он задаёт вопрос: «Какие остатки по категории „промышленные фильтры“ и есть ли активные заказы за последние 60 дней?» Система отвечает: на складе 18 единиц, ещё 15 в пути. Реальная потребность — 7 единиц. Необоснованная заявка отклоняется до регистрации.
| Проверка | Описание | Пример |
|---|---|---|
| Обоснование потребности | Проверка, что заявленная потребность подтверждена динамикой расходов по остаткам. | Заявка на 40 фильтров: система показывает остаток 18 и 15 в пути → реальная потребность 7. |
| Проверка на дубли | Выявление дублирующихся заказов на одинаковые позиции от разных подразделений. | Две заявки на крепёжные изделия от производства и техобслуживания → дашборд показывает дубль. |
| Оценка внутренних резервов | Проверка возможности закрытия потребности за счёт перемещения ресурсов между площадками. | Запрос на аренду погрузчиков: на другом складе загрузка 34% → внутреннее перемещение. |
| Выявление аномалий | Сравнение текущей заявки с историческим потреблением для фиксации отклонений. | Среднее потребление 12 ед./мес., заявка на 80 → аномалия. |
| Сроки поставки | Проверка соответствия ожидаемого срока возможностям поставщика и регламенту. | Средний lead time 23 дня, заявка просит 2 недели → конфликт, требуется корректировка. |
Другая проверка — на дубли заказов. Если производственный отдел и подразделение технического обслуживания одновременно запрашивают крепёжные изделия, Raft AI4BI агрегирует данные из ERP и показывает в дашборде все активные спецификации по одной номенклатуре. Это позволяет заметить дублирование, которое без единого дашборда было бы незаметно.
Платформа также оценивает возможность закрытия потребности внутренними резервами. В примере с арендой погрузчиков: вместо закупки дополнительной техники руководитель закупок видит через Raft AI4BI, что на складе в соседнем регионе погрузчики загружены лишь на 34%, а плановая загрузка не превысит 65%. Запускается внутреннее перемещение, экономя бюджет.
Модуль предиктивной аналитики выявляет аномальные запросы: если цех в среднем потребляет 12 единиц расходного материала в месяц, а заявка приходит на 80, система фиксирует отклонение. Руководитель закупок может запросить дополнительное обоснование ещё до согласования.
Анализ сроков поставки учитывает исторические данные: средний lead time поставщика в категории — 23 дня, а инициатор указал ожидаемый срок через 2 недели. Закупщик видит конфликт и может скорректировать срок или рассмотреть альтернативного поставщика. Кроме того, данные о реальной длительности согласования (например, 7 рабочих дней для IT-оборудования) помогают планировать: если срок потребности через 10 дней, заявку нужно инициировать немедленно.
Подход требует адаптации под отраслевую специфику и корпоративный регламент закупок. Raft AI4BI не заменяет процесс, но даёт инструмент для оперативной проверки данных, снижая нагрузку на закупщиков и уменьшая количество ошибочных заявок.
