Николай Скорых, «Фидиа»: Данные как актив. Как мы строили предиктивную логистику в фармпроизводстве

Нашему итальянскому предприятию в этом году исполняется 80 лет, и мы занимаемся производством полного цикла всех возможных продуктов на основе гиалуроновой кислоты – от самой субстанции для сторонних производителей до готовых глазных капель, ортопедических изделий, витаминов и средств эстетической медицины. Компания непубличная, и, вероятно, многие о нас не слышали, однако если вы когда-либо использовали европейский продукт с гиалуроновой кислотой, то с 99-процентной вероятностью в нём была наша субстанция.

Мой интерес к данным возник в 2022 году во время обучения в колледже МТУСИ, где я познакомился с современными подходами к хранению и обработке информации. Тогда мне показалось, что я придумал гениальный способ применить имеющиеся вычислительные мощности для бизнес-задач, однако коллеги быстро охладили мой пыл, объяснив, что это уже давно называется анализом больших данных. Тем не менее именно этот эпизод подтолкнул меня к практическому внедрению инструментов Big Data, и сегодня я хочу поделиться нашим опытом, набитыми шишками и, главное, конкретными результатами, которых мы достигли к 2026 году.

Главный вызов: предсказать спрос при лид-тайме до года

В текущих экономических условиях выдерживание целевого P&L выходит на первый план. Мы столкнулись с резкими колебаниями таможенных пошлин: в одночасье ставка на наш портфель из недружественной страны выросла с 6 до 35%. Увеличить отпускные цены пропорционально невозможно – рынок просто не примет такой шаг, поэтому мы были вынуждены искать внутренние резервы повышения эффективности.

Ключевая проблема нашей логистики – длительный производственный лид-тайм, который для некоторых продуктов достигает 12 месяцев. Продукция полностью изготавливается в Италии, и момент заказа должен быть выверен до недели: заказать слишком рано нельзя, потому что срок годности товара отсчитывается с момента замешивания активного ингредиента, и к моменту ввоза в Россию остаточный срок годности может оказаться неприемлемым для рынка.

Заказать слишком поздно тоже рискованно – мы уйдём в дефицит и потеряем продажи. При этом спрос на рынке непредсказуем, и прогнозировать его исключительно на основе интуиции или опыта закупщиков невозможно. Я глубоко убеждён, что математика, опирающаяся на достаточный объём релевантных данных, способна предсказывать даже поведение людей в конкретных ситуациях, поэтому мы решили строить предиктивную систему, которая покрывала бы весь цикл от планирования заказа до фактического расхода товара.

Что считать большими данными для компании среднего масштаба?

В поисках ответа на этот вопрос я перечитал множество определений. Классическая триада «объём, скорость, разнообразие» (Volume, Velocity, Variety) хороша для гигантов вроде Amazon, обрабатывающих более 5 петабайт в сутки, но у нас таких объёмов нет и не будет.

Однако я пришёл к выводу, что для производителя без собственного производства в стране, с ограниченным портфелем и негигантскими оборотами, большими данными можно считать любые структурированные и разнородные сведения, которые мы способны обрабатывать с высокой скоростью, приближенной к реальному времени. При этом привычные отчёты в Excel, разложенные по папкам на сервере, к таковым не относятся – это просто файлы.

Я ни в коем случае не умаляю роли квалифицированных менеджеров, особенно закупщиков у дистрибьюторов. Они обладают инсайдерской информацией, поддерживают прямые контакты с поставщиками и могут оперативно вносить коррективы. Однако человеческий мозг не в состоянии одновременно учесть все факторы и построить множество гипотез в правильном направлении. Именно здесь на помощь приходит математическая модель.

С чего начать, если бюджет на IT-трансформацию ограничен?

На одном из профильных мероприятий я услышал оценку, что построение полноценной системы анализа данных может стоить от 200 миллионов до миллиарда рублей. Признаюсь, эта цифра вызвала у меня, скажем так, недоумение, поскольку в фармацевтической отрасли проникновение искусственного интеллекта и глубокой аналитики пока находится на зачаточном уровне, и выделение таких средств для большинства производственных компаний маловероятно. Тем не менее начинать необходимо, и самое сложное здесь – сделать первый шаг.

Мы решили, что 80% успеха любой подобной системы – это наличие качественных, разнообразных и специфичных для нашего продукта данных. Можно построить красивую архитектуру, договориться с подрядчиками, поставить собственный сервер, но без наполнения данными прогнозная точность (MAPE) будет не выше, чем у опытного сотрудника, а нас это не устраивало.

Первым и наиболее показательным кейсом стало создание собственной системы отслеживания для ортопедической продукции, которая на тот момент не подлежала обязательной маркировке «Честный знак». Мы решили внедрить аналог такой маркировки самостоятельно. Разработали веб-систему, интегрированную с CRM, в которой при каждой отгрузке со склада формировался уникальный набор QR-кодов для каждой упаковки. В систему загружалась полная спецификация заказа: наименование, количество, клиент, цена, отсрочка платежа и, что критически важно, конкретный срок годности каждой партии. В момент отгрузки на товар наклеивался соответствующий QR-код. В дальнейшем, когда медицинский представитель использовал препарат при работе с врачом, он сканировал этот код, и информация о факте применения (вплоть до района города) мгновенно возвращалась в нашу базу.

Хотя эта система не рассчитана на миллионы отгрузок в день, для нашего дорогостоящего штучного товара, где один заказ содержит от 700 до 1500 упаковок, она оказалась оптимальной и не замедляла складские процессы. Спустя несколько месяцев мы получили непрерывно пополняемый массив данных: мы видели географию использования, ценовые условия (в том числе акционные), срок годности конкретной упаковки и время её жизненного цикла на рынке. Мы даже добавили виртуальный индикатор, который загорался, если срок нахождения товара у клиента превышал заданный порог, сигнализируя о необходимости срочных действий.

Одновременно мы интегрировали в ту же систему информацию от головного офиса о производственных циклах и занятости ответственных лиц, без чьей визы запуск партии невозможен. Система стала подсказывать оптимальный день размещения заказа с учётом графика отпусков ключевых сотрудников на итальянской стороне. В результате мы полностью исключили ситуации, когда товар выходил на рынок с истекающим сроком годности и требовал компенсаций. За 2024 и 2025 годы мы не заплатили за утилизацию просрочки ни рубля – это была значимая победа, достигнутая исключительно за счёт качественного сбора данных и правильных управленческих решений.

Используя ту же платформу, мы подключили внешние источники – метеорологическую информацию и сведения о работе горнолыжных трасс. Поскольку наша ортопедическая продукция востребована при травмах, связанных с зимними видами спорта, мы научились точечно прогнозировать потребности в конкретных городах и заблаговременно информировать дистрибьюторов о необходимых объёмах. Менеджер, получив сигнал от системы, связывался с партнёром и рекомендовал отгрузить определённое количество упаковок в Краснодар или Сочи. Так мы минимизировали риск дефицита в пиковые сезоны.

От момента запуска идеи до полноценной рабочей системы с постоянными доработками и еженедельными созвонами с разработчиками (которые, к слову, стали понимать наш бизнес лучше нас самих) прошло около полутора лет. Общие затраты составили порядка 10 миллионов рублей. При этом важно подчеркнуть, что это решение было создано для одного зонтичного бренда в рамках нашей компании; за эти деньги невозможно построить универсальную систему, анализирующую сотни разнородных SKU из разных терапевтических групп. Но для конкретной продуктовой линейки инвестиция оказалась абсолютно оправданной.

Планы на будущее

Теперь мы намерены расширить горизонты. В нашем портфеле есть эстетическое направление, и мы проверяем новую гипотезу: можно ли включить в модель данные о строительстве жилых комплексов, темпах заселения, наличии поблизости косметологических центров и на основе этого прогнозировать спрос на процедуры. Пока это эксперимент, но, если он удастся, мы сможем ещё более адресно планировать отгрузки. Возможно, о результатах этого исследования я расскажу на следующей конференции.

Многие коллеги полагают, что достаточно загрузить данные в большую языковую модель наподобие ChatGPT и получить точный прогноз. Однако практика показывает, что эти инструменты не предназначены для предиктивной аналитики с высокой точностью. Можно обратиться к рекуррентным нейросетям, но их внедрение и сопровождение чрезвычайно дороги. Я слышал историю (не знаю, шутка ли), как в одной IT-компании уволили разработчика, чтобы его работу выполнял искусственный интеллект, а затем лицензионные платежи за этот ИИ превысили зарплату сотрудника, и его пришлось вернуть. Поэтому мы выбираем сбалансированный путь.

К счастью, сегодня нет необходимости строить собственную серверную инфраструктуру. Достаточно воспользоваться облачными решениями, например, VPS GPU. Все сложные расчёты можно отдать на аутсорсинг, а со стороны компании требуется лишь доступ через ноутбук.

И последнее, но не менее важное: если вы решите внедрять аналогичную систему отслеживания, обязательно включите это в регистрационное досье продукта – мы действуем строго в рамках законодательства. Не бойтесь начинать: часто озарение приходит уже в процессе, и вы обнаруживаете, что к данным о товаре можно добавить историю оплат контрагентов и на основе этого выстраивать стратегию отгрузок.

Интеграция всех этих потоков открывает действительно бесконечные возможности, и для их реализации не нужны космические бюджеты – достаточно последовательности и желания учиться на своих данных.

Николай Скорых, директор отдела коммерции и логистики, «Фидиа»