Как ИИ трансформирует закупки в автобизнесе.

Автор – Дмитрий Болховский, CEO Aftermarket-DATA© Эксперт с 25-летним опытом в автомобильной отрасли. Специализируется на ИИ-трансформации бизнеса:

• LLM/GenAI - языковые модели – автоматизация внутренних и внешних коммуникаций
• Автоматизация R&D
• Предиктивная аналитика спроса

https://t.me/s/BolkhovskyInsight

От интуиции к данным

Представьте себе менеджера по закупкам автозапчастей, который каждое утро выводит отчёт для заказа на 5000 SKU.
В учётной системе (1С ERP, SAP и т.п.) есть формула, которая использует статистику продаж и различные атрибуты товаров. По каждой паре артикул+бренд вычисляется линейный прогноз в разрезе: клиентов, регионов, складов и условий поставки. Также учитываются параметры товарной группы и сезонности, а иногда — динамика цен/наличия конкурентов и применимость к конкретным автомобилям. Комбинация этих параметров формирует так называемые «фичи» (или особенности), по которым алгоритм и делает расчёт.
Когда система выдаёт предварительный заказ, менеджер дополнительно проверяет его «глазами» — сверяет ходовые позиции, исключает выбросы (разовый крупный заказ). Или наоборот — вручную увеличивает заказ по позициям, которые «всегда уходят», анализирует графики в BI, запускает дополнительные отчёты, фильтрует таблицы, гуглит. То есть, по сути, исполняет интуитивный алгоритм, который можно формализовать и автоматизировать.

В автобизнесе предиктивная аналитика стала стандартом: Ford и BMW снижают простои на 20–30%, дилеры Toyota и Volkswagen увеличивают конверсию на 25–35%, дистрибьюторы автокомпонентов O'Reilly и NAPA повышают точность заказов и минимизируют дефицит.
Данные превращаются в прибыль — и те, кто это понял, опережают рынок.

Проблема масштаба

Ручной подход работает на небольших ассортиментах. Но чем больше ассортимент и длиннее история продаж, тем труднее удерживать всю картину в голове. И даже сформулировать фиксированную (детерминированную) формулу заказа не всегда получается, так как зависимости в динамике данных не всегда очевидны.
Результат предсказуем:

• Избыточные запасы медленно движущихся позиций съедают оборотный капитал
• Дефицит ходовых деталей приводит к потере продаж и клиентов
• Качество заказа зависит от квалификации закупщика. Аналитик может учитывать максимум десяток-другой параметров

Главная проблема: классические методы не эволюционируют. Формула заказа, которую вы применяли вчера, будет той же самой завтра. А рынок меняется ежедневно.

Как ИИ переписывает правила игры

Предиктивная аналитика на базе машинного обучения решает проблему радикально иначе. Вместо фиксированной формулы — самообучающийся алгоритм. Вместо десятка параметров — сотни автоматически генерируемых признаков.
Ключевое отличие — ИИ не просто применяет заданные правила:

• Он самостоятельно конструирует комбинированные параметры для прогнозирования
• Выявляет корреляции между признаками и устраняет дублирование
• Динамически адаптирует весовые коэффициенты от заказа к заказу
• Обучается на каждом цикле продаж, постоянно улучшая точность

Под капотом: как работает ИИ-прогнозирование

Шаг 1. Умная сегментация ассортимента
ИИ начинает с классификации деталей по модели FNS (Fast, Normal, Slow): быстрые и стабильные требуют постоянного наличия, медленные и хаотичные — точечных заказов. Система автоматически определяет, где держать большой страховой запас, а где можно высвободить капитал.
Что анализирует система:

• Комбинация артикул + бренд, анализируется статистика каждого товара
• Товарная группа (тормозные колодки, масла, фильтры — у каждой своя логика спроса)
• История продаж за скользящие периоды (последний месяц, квартал, год)

Бизнес-эффект: вместо одного подхода ко всем миллионам SKU — персонализированная стратегия для каждой категории.
Шаг 2. Анализ паттернов и внешних сигналов
Система выявляет тренды (жизненный цикл модели авто), цикличность (экономические волны) и сезонность (летние шины зимой не продаются). К этому добавляются внешние данные:
Что учитывает ИИ:

• Медианная цена по периодам — изменение цены влияет на спрос, система отслеживает ценовую эластичность
• Автопарк региона (VIO)
• Тренды поиска — всплеск запросов "купить тормозные колодки" за 2-3 недели до сезонного спроса позволяет подготовить запас заранее
• Активность конкурентов — если конкурент распродал позицию или снизил цену, система корректирует ваш запас и ценообразование

Бизнес-эффект: прогноз учитывает не только вашу историю, но и реальность рынка в моменте.

Шаг 3. Скользящие окна
ИИ анализирует несколько ретро-срезов одновременно:

• Предыдущий месяц — показывает текущую динамику и краткосрочные тренды (всплеск или спад спроса прямо сейчас)
• Последние 3 месяца — выявляет квартальные паттерны и сезонные колебания (летний сезон шин, предновогодний рост)
• Последние 12 месяцев — отсекает шум и жизненный цикл продукта (модель авто устаревает → спрос на запчасти падает)
• Этот месяц год назад — учитывает праздники, погоду и цикличные факторы

Система не просто усредняет эти периоды — она взвешивает их по важности для каждой категории товаров. Для ходовых деталей критичен последний месяц (вес 60%), для медленных и сезонных — годовая история (вес 70%).
Бизнес-эффект: вы видите не только «что продавалось», но и когда это было актуально — система автоматически отсекает устаревшие данные и фокусируется на релевантных трендах.

Шаг 4. Оптимизация капитала
ИИ рассчитывает оптимальный размер заказа (EOQ), время поставки и страховой запас — чтобы товар не замораживал деньги на складе, но и не заканчивался в момент спроса.
Для дистрибьюторских сетей — многоэшелонная оптимизация: если в Москве излишек, а в Казани дефицит, система рекомендует перебросить товар между складами вместо нового заказа у поставщика.
Бизнес-эффект: каждый рубль в запасах работает максимально эффективно.

Шаг 5. Самообучение и приоритизация факторов
Система группирует детали в кластеры по сотням параметров (артикул+бренд, товарная группа, медианная цена, динамика продаж), затем для каждого кластера подбирает алгоритм с минимальной ошибкой — от классических статистических моделей до ансамблевых методов машинного обучения с точностью до 96%.
Что делает систему «умной»:
После обучения ИИ автоматически ранжирует факторы по важности для прогноза. Например, для одной категории главный фактор — история продаж за последний месяц (вес 45%), для другой — бренд и товарная группа (вес 38%). Система сама решает, какие параметры критичны, а какие — шум.
Типичное распределение весов факторов:

• История продаж (последний месяц) — 40-50%
• Комбинация артикул + бренд — 25-35%
• Медианная цена — 10-15%
• Товарная группа — 5-10%
• Внешние сигналы (статистика поиска, VIO, мониторинг конкурентов) — 5-10%

Бизнес-эффект: система не просто прогнозирует — она учится на каждой транзакции, становится умнее с каждым циклом продаж и автоматически адаптируется к изменениям рынка без перенастройки.

Заключение

В статье я объяснил принципы прогнозирования спроса на базе ИИ на уровне идеи, без сложных технических терминов. В завершение — рекомендации для тех, кто хочет потрогать технологии руками.
Логика работы в трёх шагах
Шаг 1. Загружаете данные: историю продаж и таблицу трендовых коэффициентов. Тренды — это любой внешний фактор: сезонность, промо, динамика поисковых запросов, макроэкономика.
Шаг 2. Данные сортируются по товарам (артикул+бренд) и дате. Конструируются три целевых показателя: продажи через 1, 3 и 12 месяцев вперёд. Для января 2023 записываются реальные продажи февраля 2023, апреля 2023 и января 2024. Так формируется обучающая выборка.
Шаг 3. Категориальные данные (бренд, товарная группа) преобразуются в числа. Алгоритм Random Forest строит ансамбль деревьев решений для каждого горизонта. Система ранжирует факторы по важности: какие параметры критичны, а какие — шум.
Технологический стек
Python — стандарт де-факто: pandas, scikit-learn, XGBoost/LightGBM. Низкий порог входа, огромное сообщество.
R — для статистического анализа: tidyverse, caret, forecast. Популярен в финансовой аналитике.
Julia — высокопроизводительные вычисления, в 10-100 раз быстрее Python, но меньше готовых решений.
Scala + Apache Spark — для больших данных (миллионы SKU), когда данные не помещаются в память одного сервера.
На выходе — файл с прогнозами и сохранённая модель. Базовое решение реализуется за выходные. Выбор зависит от масштаба: Python для старта, Spark для enterprise-уровня.

AutoZone применяет ML-алгоритмы для прогнозирования спроса — это позволило снизить складские издержки и гарантировать доступность деталей в каждой точке продаж Источник.

BMW использует комбинацию ИИ и блокчейна для управления глобальной цепочкой поставок. Ошибки прогноза снизились на 30-50%, потери продаж — на 65%, переизбыток инвентаря — на 20-50%. Источник

O’Reilly Auto Parts использует машинное обучение и обработку естественного языка для анализа паттернов продаж и прогнозирования спроса по регионам Источник.

NAPA Auto Parts обучает свои модели на сезонных трендах, экономических данных и поведении ремонтных СТО, повышая точность прогнозов и снижая избыточные запасы Источник.

General Motors внедрила предиктивную аналитику для мониторинга сборочных линий и инвентаря. Алгоритм предсказывает сбои в цепочке поставок до их возникновения. Простои упали на 20%, ремонтные затраты — на 15%, брак — на 25%. Источник

По данным McKinsey, внедрение AI-инструментов в цепочках поставок сокращает ошибки прогнозирования на 20–50%, потери продаж — на 65%, а избыточные запасы — на до 50% Источник.