Иван Колесников, «ПРОМОМЕД»: Цифровая трансформация в фарме, или как менять колёса на полном ходу

Группа компаний «ПРОМОМЕД» демонстрирует устойчивый рост: штат превысил 3000 сотрудников, а объёмы бизнеса увеличиваются в полтора-два раза ежегодно. В таких условиях автоматизация бизнес-процессов объективно не успевает за динамикой развития компании, и это становится главным вызовом для внедряемых информационных систем.

Ключевым требованием к ним становится гибкость – возможность изменять модель данных без потерь, перестраивать аналитические структуры, обновлять подходы к оценке работы медицинских представителей и производственных подразделений. Эти вопросы характерны для всей фармацевтической отрасли, особенно когда на первый план выходят задачи ускорения производства, повышения эффективности и внедрения технологий искусственного интеллекта.

Наши основные производственные площадки – «Биохимик» в Саранске, «Берахим», завод в Обнинске, а также уникальный R&D-центр – должны функционировать как единый организм. Это возможно только при условии синхронизации всех информационных систем, использования единой нормативно-справочной информации и общего терминологического пространства. Любое подразделение, независимо от географического расположения, должно «говорить» на одном языке и оперировать согласованными объектами.

От принятия стратегии к платформенным решениям

Стратегия цифровой трансформации была утверждена в конце 2023 года, и сейчас идёт третий год её практической реализации. В 2026 году мы сфокусированы на активном внедрении искусственного интеллекта в ключевые бизнес-процессы. Наша ИТ-инфраструктура почти полностью построена на российском ПО. Исключение составляют лишь Exchange и Microsoft Office – здесь отечественные аналоги пока не обеспечивают нужного уровня удобства, особенно для работы с календарями и совместной коммуникацией. Мы внимательно следим за развитием этих решений, но пока не готовы гарантировать бизнесу безболезненный переход.

Основу технологического стека составляют «1С:ERP», low-code платформа Green Data для построения бизнес-процессов, Optimacros и BI-платформа на базе программного обеспечения с открытым исходным кодом Apache Superset. Все эти решения отечественные и полностью интегрированы между собой. Самым сложным на старте было приведение к единому знаменателю нормативно-справочной информации, которая, как это часто бывает, «исторически сложилась» в разных системах и подходах. Этот барьер мы преодолели, после чего перешли к внедрению платформенных решений. Наша стратегия предполагает опору именно на такие платформы, поверх которых выстраиваются бизнес-процессы и модель данных. Следующим этапом стало создание единого хранилища данных (Data Warehouse) и, по сути, фабрики данных, которая служит основой для обучения и применения ИИ-моделей. Именно на этом этапе мы находимся сегодня.

При разработке архитектуры мы не останавливали операционную деятельность на длительный период. Первый укрупнённый набросок целевой архитектуры с учётом платформенных решений был подготовлен примерно за полтора месяца, после чего утвердили дорожную карту и начали движение. В дальнейшем архитектура дорабатывалась параллельно с адаптацией «исторически сложившихся» процессов под новое видение. Такой подход, при котором мы меняем системы «на ходу» без возможности остановиться, стал для нас нормой.

Искусственный интеллект в операционной практике

Одним из наиболее востребованных инструментов стал единый корпоративный портал для работы с ИИ на базе Open WebUI. Мы систематизировали использование генеративных моделей, и первые результаты уже ощутимы – особенно в маркетинге и внешних коммуникациях. Более сложные сценарии, такие как оптимизация производства, сейчас перешли в стадию MVP-решений.

В производственном блоке мы применяем ИИ для улучшения системы планирования, что позволяет решать задачи оптимизации запасов сырья и материалов. Что касается анализа рынка и прогнозирования продаж, здесь мы используем в основном машинное обучение. Однако построение точных прогнозов остаётся нетривиальной задачей из-за отсутствия репрезентативных исторических данных по новым продуктам и высокой неопределённости рыночной конъюнктуры. Мы протестировали различные подходы – как совместно с вендорами, так и собственными силами, – и пришли к выводу, что обучать ML-модели для долгосрочного прогнозирования в текущих условиях пока нецелесообразно.

В структуре нашей программы цифровой трансформации выделены четыре портфеля проектов. Первый – базовая ИТ-инфраструктура и коммуникации. Второй – управление группой компаний, включая коммерцию, маркетинг и финансы. Третий – управление производством: планирование, контроль качества, техническое обслуживание и ремонт. Четвёртый, наиболее наукоёмкий, – поддержка R&D-блока, где используются технологии биоинформатики, обработки генетической информации, семантический анализ мировых научных баз и имитационное моделирование. Результатами наших исследований мы делимся в корпоративном блоге на «Хабре» и в отраслевых изданиях.

Сквозное планирование IBP: опыт и эффекты

В настоящее время мы завершаем внедрение сквозного процесса интегрированного бизнес-планирования (IBP). Решение построено на двух платформах – Optimacros и «1С:ERP». Математические расчёты выполняются собственными алгоритмами, которые получают данные из DWH, обрабатывают их и возвращают обратно, после чего ERP-система забирает готовые планы для исполнения. Ключевыми предпосылками проекта стали активный рост компании и переход к Data Driven-управлению по итогам двух лет трансформации. Мы обеспечили прозрачный доступ ко всем данным, чётко понимаем их источники, структуру и методы использования для принятия бизнес-решений.

Реализация проекта сталкивается с объективными сложностями, характерными для высокорегулируемой фармацевтической отрасли: требования GxP, обязательные валидации, строгие нормативы. Масштаб трансформации затронул более 700 пользователей, и их число постоянно растёт. При этом мы вынуждены работать в режиме непрерывных изменений: бизнес расширяется, процессы эволюционируют одновременно с обновлением систем, и всё это происходит в едином информационном поле с участием одних и тех же сотрудников. Такой темп – «смена колёс без пит-стопа» – создаёт дополнительную напряжённость, но и позволяет сохранять конкурентоспособность.

В рамках процесса планирования мы объединили в едином информационном пространстве все уровни спроса (первичный, вторичный, третичный), а затем формируем план потребности в готовой продукции, который передаётся в блок Supply Planning. Оттуда выстраиваются план производства, план закупок по всем площадкам, план контроля качества. Все эти этапы связаны между собой с помощью идентификаторов и еженедельно пересматриваются промежуточные версии планирования, ежемесячно утверждаются месячные версии планов. Получается сложная многофакторная матрица, визуализация которой и работа с ней на уровне систем представляют собой отдельную инженерную задачу.

Оценить экономический эффект от внедрения в абсолютных цифрах непросто из-за множества сопутствующих факторов. Однако мы провели сравнительный анализ и пришли к выводу: без оптимизации системы планирования наши складские запасы сырья выросли бы значительно сильнее, чем сейчас. Чёткая привязка плана закупок с учётом лидтаймов к плану производства, а также использование ИИ для оперативной корректировки позволили не только сдержать рост запасов, но и сократить длительность цикла планирования.

В итоге S&OP-цикл был уложен в заданные временные рамки, синхронизированы бизнес-функции, а себестоимость готовой продукции (с учётом параллельной модернизации производства) снизилась.

Особенности внедрения ИИ в производственное планирование

Ключевой барьер на пути интеграции искусственного интеллекта в процесс планирования – это проблема объяснимости решений. Планировщики производственно-диспетчерского отдела обладают многолетним опытом и интуитивно чувствуют свои участки. ИИ же может предлагать нетривиальные, но оптимальные варианты: перераспределение по другим производственным линиям, изменение компоновки цепочки – при строгом соблюдении требований к качеству и графиков санитарной обработки. Однако такие предложения не будут приняты, если система остаётся «чёрным ящиком». Поэтому мы сосредоточены на создании механизмов, которые позволяют объяснить логику любого рекомендательного решения. Мы плотно взаимодействуем с производственным персоналом, чтобы каждый специалист мог понять, почему ИИ предложил тот или иной план. Это требует развития внутренних компетенций на стыке цифровых и производственных знаний, и мы считаем это одним из наших ключевых достижений.

Фармацевтика – консервативная отрасль, поэтому внедрение передовых технологий идёт непросто и требует времени. Однако при синхронной работе цифрового блока и бизнес-подразделений результат достижим. В текущем году мы запланировали около 14 инициатив по внедрению ИИ, и уверены, что большинство из них будут реализованы. Мы также видим ценность в отраслевой кооперации: некоторые задачи легче решать совместно – в части обмена данными, технологиями или даже объединения усилий с конкурентами, учитывая дефицит квалифицированных кадров на рынке.

Взгляд в будущее и ответы на ключевые вопросы

Стратегия цифровой трансформации не ограничивается 2026 годом. Уже сейчас прорабатываются планы на 2027–2028 годы, хотя они ещё не утверждены официально. Мы понимаем, что процесс трансформации непрерывен, и каждый этап открывает новые горизонты для оптимизации и развития.

Выбрали ли мы путь точечных внедрений «снизу» или жёсткой архитектурной проработки «сверху»? Архитектура существует и нарисована, но мы не останавливали операционную деятельность для её детализации. Практика показала, что более эффективно двигаться параллельно: иметь общее видение, но адаптировать «исторически сложившиеся» процессы к целевой архитектуре постепенно, без остановки производства. Именно так мы обеспечиваем баланс между стратегической перспективой и текущей операционной надёжностью.

Что касается сроков разработки архитектуры, мы не выделяли для этого отдельный год. Первый набросок крупными блоками вместе с дорожной картой занял около полутора месяцев. Дальнейшая работа велась итеративно: архитектура дорабатывалась, а существующие системы подстраивались под неё. Такой подход позволил нам сохранить темп и избежать длительного «паралича» бизнеса.

Таким образом, цифровая трансформация в «ПРОМОМЕД» – это не разовый проект, а постоянный процесс, в котором мы учимся управлять сложностью, сохраняя гибкость и фокус на главной цели – повышении эффективности всей цепочки создания ценности, от R&D до готового продукта.

Иван Колесников, директор по цифровой трансформации, «ПРОМОМЕД»