Кирилл Прасол, ТМК: ИИ и роботизация в закупках

Я не буду писать о том, как космические корабли и агенты бороздят просторы океана и самостоятельно осуществляют закупки. Мне хотелось бы поделиться с коллегами простыми прикладными решениями, которые действительно работают. Часть из них мы уже используем, часть тестируем. Эти решения не потребовали значительных затрат: мы реализовали их собственными силами, без привлечения внешнего финансирования. Кроме того, хотелось бы объяснить, как, по моему мнению, вообще следует входить в тему искусственного интеллекта. Потому что об ИИ говорят много, но возникает резонный вопрос: какое отношение это имеет к ситуации, когда всё завязано на Excel? Иногда это звучит смешно.

ТМК – крупнейший в России производитель стальных труб и, по моей оценке, занимает третье место в мире. Мощность по производству стальных труб составляет 7,5 млн т. В группе три дивизиона, более 50 юридических лиц, более 50 000 сотрудников, шесть ключевых заводов, пять заводов меньшего размера и множество сервисных и прочих компаний. Производство стали составляет 4,2 млн т, производство бесшовных труб – 4,2 млн т, производство сварных труб – 3,3 млн т.

Ключевая проблема для меня как закупщика и управляющей компании – географическая разбросанность и максимально разнородный ИТ-ландшафт. У нас используются SAP, самописные программы и 1С. При этом даже SAP на разных заводах представлен разными версиями. То же касается 1С: где-то установлена последняя версия, где-то бухгалтерская, и на ней каким-то образом работают. Мне как закупщику управляющей компании необходимо управлять всем этим пулом.

От управления данными к дашбордам

С точки зрения управления мы начали с дашбордов и аналитики. Мы собрали все данные из учётных систем в одно место – корпоративное хранилище данных. Это big data, Excel, почта, переписки пользователей – очень много информации. По сути, всё было сведено в единое озеро данных. Мы поняли, что не можем, оставаясь только на прежних системах, управлять 50 юридическими лицами, огромным объёмом закупок и закупщиков, и пришли к дашбордам.

Сначала появился дашборд PoE – программа операционной эффективности. Каждый завод и каждый блок ведёт свою программу операционной эффективности. У неё есть задачи по направлению и общая цифра для группы компаний. Всё было залито в дашборд операционной эффективности, который какое-то время существовал отдельно. Через три года мы увидели: сотрудники заводов приходят и говорят, что у них нет идей, всё, что могли, операционно эффективно купили, все аналоги заменили, работают на рынке хорошо. При этом закупка существует как в корпоративном центре в Москве, так и частично нецентрализованно на заводах.

Постконтроль и KPI

Тогда мы придумали новую аналитику – историю и постконтроль. Мы взяли весь объём процедур, проанализировали исторические данные и вывели для закупщиков определённые метрики. Постконтроль осуществляется по факту, но это становится задачей закупщика. Среди метрик: закупка не по лучшей цене, ограниченный пул участников процедуры или вообще один участник, закупка без изменения цены и другие. Эти метрики внедрены как задача закупщика: на каждую красную метрику в постконтроле он должен по программе операционной эффективности выполнить мероприятие – расширить конкурентную среду, найти аналог, расширить пул участников или договориться о цене.

Все наши KPI оцениваются только по дашбордам. Нет ситуации, когда справка экономиста предоставляется раз в год или раз в месяц. Закупщик сам раз в месяц видит и понимает, выполнил ли он OTIF. OTIF разбит по людям, заводам и группам, полностью детально.

Запасы и мастер-склад

Отдельно остановлюсь на запасах. В разных учётных системах запасы учитываются по-разному, на разных счетах: где-то это сырьё, где-то не сырьё. Мы создали мастер-склад, сконсолидировали все запасы в одном месте и вывели проблемные категории запасов. В регламент по закупкам мы вшили правило: закупщик не имеет права купить товар, не использовав проблемный запас на любом из наших активов. Если запас есть в Таганроге, он обязан привезти из Таганрога. Логика зашита следующая: стоимость доставки не должна превышать 30% стоимости запаса, в остальном он должен покупать.

Панель аналитик – единое место закупщика. Там представлены постконтроли, OTIF от даты заявки, анализ ЭТП, рабочее место закупщика, запасы, статистика посещений, анализ заявок (Excel), отсрочка платежей, НРД, аналоги, ПОЭ, кредиторская задолженность, обработчик КЛ. По дашборду своевременности поставок общий OTIF составляет 80,0%. По запасам указаны их стоимость, списания, а также факт применения: расчёт КПЭ, разбор на комитетах по запасам, реализация невостребованных ТМЦ между заводами. Метрики и аналитика включают контроль оборотного капитала и его структуры, реализацию неликвидов и перемещение между предприятиями (витрина запасов).

Наполнив и сделав множество дашбордов, мы создали один облачный инструмент – единое рабочее место закупщика. В нём закупщик может найти любую необходимую информацию, вплоть до нормативной документации и кредиторской задолженности. Когда работа с дашбордами была завершена, мы начали думать, как ещё помочь закупщику в его ежедневной рутине.

Постановка проблемы и цели

Текущая ситуация: ручная работа закупщика с ограниченным набором данных; сбор истории предыдущих транзакций в сыром виде; обновление КЛ после переторжек; анализ показателей и рисков; выбор стратегии ведения тендера. Проблема формулируется так: как собирать, консолидировать и анализировать больше данных одному закупщику, чтобы заключать сделки по наиболее выгодным условиям? Актуальность обусловлена обширным набором данных в хранилище компании, который не всегда учитывается при анализе КЛ; большим объемом ручного труда, требующего оптимизации; цифровизацией и развитием новых продуктов и направлений бизнеса на основе инноваций.

Цель – снижение трудозатрат и достижение положительного экономического эффекта за счёт внедрения ИИ в работу закупщика. ИИ в закупках даёт возможность учесть то, что человеку вручную обработать просто не под силу.

ИИ-анализ конкурентных листов

Мы начали анализировать процессы, особенно те, где действительно требуется, чтобы это делал другой сотрудник, а не закупщик. Например, где нужно вести диалог с поставщиком. Пришли к выводу, что первый процесс, который хотим передать ИИ, – это анализ конкурентных листов.

Сейчас, с учётом огромного массива данных компании и данных из внешних источников, закупщик берёт сырой конкурентный лист с площадки. У разных площадок он разный, но у нас, если 200 предложений, 5 переторжек и 16 поставщиков, всё это нужно умножать – получится много строк. Из этой объёмной формы он делает нормальный читаемый конкурентный лист, расставляет места, считает приведённые условия с учётом отсрочки платежа и доставки. Полученный лист закупщик может загрузить при подведении итогов процедуры и презентовать руководству. Далее на основании статистики поставки, поскольку юридических лиц много, и кто-то из них лучше разбирается в той или иной номенклатуре, мы лучше понимаем цену. Исходя из данных по парку, объёма выручки поставщика и объёма его покупки у нас, а также других данных из открытых источников, агент формирует рекомендацию по стратегии закупки.

Например: раздели процедуру, отдай эти лоты этому поставщику; по этому лоту цена выше последней цены закупки на n%, по этому – ниже; здесь уточни маркировку; этот поставщик зависимый, проведи с ним переговоры о снижении цены. Я специально загрузил процедуру, где 16 поставщиков и 200 позиций, и агент написал целую объёмную рекомендацию. Тем самым мы экономим время закупщика, потому что обработать конкурентный лист на 200 лотов и 16 поставщиков действительно требует много времени, размышлений и проверки. Мы помогаем ему в последующих переговорах и принятии решений.

Было: большой объем ручного труда при обработке КЛ, неполный анализ на основе важных данных, высокий риск ошибки человеческого фактора, экономические потери. Стало: быстрая обработка КЛ системой, комплексный ИИ-анализ, дающий персонализированные рекомендации, существенное сокращение трудозатрат закупщиков, ошибок человеческого фактора и расходов компании. Сырой КЛ проходит наполнение транзакционными данными: OTIF поставщика, база цен последних закупок, экономическая зависимость контрагента от сделки, условия оплаты по другим поставкам контрагента, утверждённые аналоги закупаемого материала, данные из открытых источников о поставщиках. Затем выполняется ИИ-анализ. На выходе – обработанный КЛ, ИИ-рекомендации и живой диалог с ИИ-ассистентом.

Поиск аналогов

Также мы сделали простой и достаточный инструмент – поиск аналогов. Закупщик может взять номенклатуру из нашей учётной системы, и агент разложит её на характеристики, а затем по этим характеристикам найдёт аналоги в открытых источниках, предложит различные замены и даже стоимости.

Когда разработчики делали этот инструмент, у меня возникло возражение: зачем отдельный агент, если можно обратиться в чат GPT или другой сервис, и он найдёт? Мы пробовали, писали промпты – он не находит так, как здесь. Либо под каждую номенклатуру нужно писать очень длинный промпт с конкретными характеристиками. Здесь же, по сути, всё разложено: это заранее написанный промпт под каждую номенклатуру. Это также наша внутренняя разработка под названием «ИИ Поиск аналогов»: автоматизация процесса подбора альтернативных товаров со схожими техническими и функциональными характеристиками, позволяющая сократить временные и трудовые затраты специалистов по закупкам.

Текущий статус и дальнейшие планы

В итоге мы завершили проект и находимся в стадии промышленной эксплуатации обработчика конкурентных листов и поиска аналогов. Теперь хотим создать единое рабочее пространство для закупщика, в котором ему помогают ИИ-агенты. Это было моё пожелание, коллеги также говорили о переговорах и подготовке к ним. Хотелось бы, чтобы я написал агенту определённый вопрос перед переговорами, а он предоставил статистику поставок, OTIF по этому поставщику, кредиторскую и дебиторскую задолженность, последние цены, объёмы поставок и так далее. Также стандартные вещи – маркетинговые прогнозы. Сейчас тестируем по подписке, но планируем вшивать в наши инструменты.

В настоящее время в рамках внедрения ИИ уже успешно используются такие инструменты, как поиск аналогов (интеллектуальный поиск материалов-аналогов по схожим характеристикам) и ИИ-обработчик КЛ (инструмент анализа закупочной процедуры для принятия решений и стратегии переговоров с поставщиком). В дальнейших планах компании – внедрение ИИ-рабочего места, обеспечивающего оперативный доступ ко всем транзакционным данным (информация о поставщике, цены на материалы и договорные условия, КЗ/ПКЗ и пр.), а также запуск маркетинговых прогнозов (прогноз рынка, сценарный анализ).

Кирилл Прасол, заместитель директора по развитию закупок, ТМК