ИИ-ассистенты и BI в металлотрейдинге: как автоматизировать закупки и цены

На Marketing Data Analytics 2026 директор по маркетингу ЕВРАЗ МАРКЕТ Екатерина Балбышева представила практический опыт эксплуатации локальной BI- и ИИ-инфраструктуры. Металлотрейдинговая компания с 40 филиалами реализовала восемь проектов автоматизации: от предиктивных рекомендаций закупщикам и автоматического тендера до речевой аналитики и распознавания счетов. Спикер подробно разобрала, где выгоднее использовать российские платформы, а где — кастомную разработку, и какие эффекты это дало бизнесу.

Почему понадобился гибрид: кастомные разработки и российские платформы

После ухода зарубежных вендоров компании пришлось быстро переключаться на отечественные решения. В портфеле ЕВРАЗ МАРКЕТ есть и проекты на российских платформах, и собственные разработки. По словам Екатерины Балбышевой, кастомные проекты превалируют, потому что в компании много уникальных процессов. Стандартные задачи проще закрывать готовой системой и при необходимости дорабатывать под себя.

Там, где процесс понятен и унифицирован, лучше брать готовую систему и чуть-чуть дорабатывать её под себя.

При выборе подхода важно учитывать не только внедрение, но и стоимость поддержки: платформа и сам процесс требуют ресурсов. Поэтому для уникальных сценариев команда уходит в собственную разработку, а для типовых — использует гибрид или готовые продукты. Такой подход позволил запустить проекты в ассортиментном планировании, закупках, ценообразовании и клиентском сервисе.

Рекомендательная система для закупщиков: как закрыть «дыры» до их появления

В компании с 40 филиалами закупка металла бывает централизованной — с горизонтом около двух месяцев, и локальной — когда позиции вымываются и их нужно срочно восполнять. Раньше закупщик реагировал постфактум: видел отсутствие позиции или срочный запрос клиента, начинал обзванивать поставщиков и собирать предложения. Это затягивало процесс и приводило к потере заказов, потому что клиенты часто хотят получить несколько позиций в одном заказе.

Сейчас работает предиктивная модель, которая рассчитывает, какие позиции вымоются в ближайшие две недели, и выдает локальному закупщику рекомендацию на приобретение. Технически данные собираются из 1С, включая 1С IRP, товары в пути, текущие остатки и статистику продаж, загружаются в DWH. На DWH написан код модели, результат попадает в Power BI и Excel, а утром рекомендация приходит закупщику на почту.

• покрытие ассортиментной матрицы выросло с 70 до 95%;
• сократились потери заказов, потому что нужные позиции чаще есть в наличии;
• закупщик получает готовую рекомендацию, а не тратит время на ручной сбор информации.

Полуавтоматическая закупка: тендер за 4 часа вместо двух дней

Следующий проект стал продолжением предиктивной модели: если компания уже понимает, что нужно закупить, логично автоматизировать и сам процесс закупки. Здесь применен гибридный подход — 50% кастомной разработки и 50% отечественной платформы. В основе — платформа Мин МаксПро как надстройка над 1С.

Когда возникает «дыра» или клиент заказывает отсутствующую позицию, система автоматически формирует заявку поставщикам. Для каждого филиала задан пул аккредитованных службой безопасности поставщиков. Платформа рассылает заявки, собирает ответы и формирует тендерную таблицу с пятью лучшими предложениями. При необходимости запускается переторжка, учитывается тариф с доставкой. Локальный закупщик принимает решение на основе готовой таблицы.

Раньше процесс занимал несколько дней, теперь — 4 часа, для сложных позиций — до суток. Эффекты: воронка заявок от поставщиков выросла в 5 раз, производительность локальных закупщиков — в 2,5 раза, а цена закупки снизилась на 500–700 рублей за тонну. Внедрение заняло четыре месяца, но еще год ушел на доработки: переторжку, ручной ввод ответов от поставщиков, которые не прислали табличную часть, и требования службы безопасности.

Ценообразование: сценарная модель и динамический коридор

В 40 филиалах нет единой цены: она зависит от конъюнктуры рынка, остатков, себестоимости и закупочной цены. Раньше маркетолог на два-три филиала вручную собирал аналитику и устанавливал до 300 позиций на филиал. Это было долго и не позволяло гибко управлять ценой.

Рекомендательная модель цены

Команда разработала собственную модель, потому что готовые решения не учитывали все нюансы. Модель объединяет аналитику по ценам и остаткам, задает сценарии в зависимости от рыночной конъюнктуры — падающий или растущий рынок, и рекомендует цену по разным колонкам прайса для разных сегментов клиентов, объемов и отраслей. Технически данные собираются из DWH и 1С, алгоритм написан на Python. Маркетолог получает рекомендацию, проверяет ее и выгружает в формат для загрузки в 1С.

Модель работает два года и постоянно дорабатывается. Сейчас уже восьмой сценарий — для резкого падения цен, что актуально для металлургии. Это не стопроцентная автоматизация, а рекомендательный инструмент: финальное решение остается за человеком.

Динамическое управление ценой в заказе

После получения рекомендации менеджер продает металлопрокат и может снижать цену в ходе переговоров. Чтобы сохранить маржу, компания внедрила динамическое управление ценой на отечественной платформе Аджином. Система анализирует клиента, отрасль, сегмент, параметры сделки, объемы и количество позиций в заказе и выдает коридор минимальной и рекомендованной цены.

Рекомендация подставляется в заказ в 1С и на сайт, поэтому клиент получает одинаковую цену в обоих каналах. Если менеджер пробивает минимальную границу, заказ уходит на согласование руководителя с полномочиями по скидкам. Если цена выше минимальной, сделка проходит автоматически. На последней волне система помогла сэкономить 60 млн рублей. Сейчас команда развивает проект: если остался маленький остаток, его нужно продавать дороже.

Четыре ИИ-проекта: от контроля звонков до распознавания счетов

Компания использует искусственный интеллект в четырех направлениях: речевая аналитика, категоризация обращений, автоматическое формирование заказов и распознавание счетов конкурентов. Первый проект реализован на платформе отечественного провайдера, остальные — кастомные разработки на базе GPT.

Речевая аналитика вместо тайного покупателя

Раньше качество звонков проверяли тайным покупателем три раза в год. Покрытие было маленьким, менеджеры узнавали проверяющих, а оценки оставались завышенными. Теперь анализ охватывает 100% звонков: система проставляет теги и проверяет соответствие скрипту. Например, проверка показала, что только 20% менеджеров предлагают собственную доставку, хотя на словах все уверяли, что предлагают. Общий уровень соответствия скрипту вырос с 64 до 76, цель — 80. Если менеджер западает по какому-то блоку, руководителю автоматически уходит рекомендация на обучение.

Категоризация обращений и маршрутизация

Ежемесячно компания получает 50 000 звонков и писем, работают 250 менеджеров. Задача — ноль пропущенных обращений и 100% отработка заявок. Письма и звонки категоризуются с помощью GPT: письма обрабатываются напрямую, звонки сначала транскрибируются в текст. Точность распознавания категорий — 89%. Спам отсекается автоматически, менеджеры не тратят время на пустые письма. В планах — автоматизировать запросы вроде «пришлите документы», но пока оценивают, перевесит ли экономия времени стоимость интеграции с тремя системами.

Автоматическое формирование заказов

После категоризации заявки уже есть в текстовом виде. Следующий шаг — автоматическое создание заказа. Самым сложным была разметка номенклатуры: металлопрокат с ГОСТами, размерами, толщинами и ширинами. Несмотря на отдельные ошибки, основная масса позиций распознается корректно, заказ формируется в 1С и создается автоматический счет. Менеджер получает готовый заказ в CRM, проверяет номенклатуру и обсуждает с клиентом доставку и оплату. Раньше на набивку номенклатуры уходило 15 минут, теперь это время освобождается для переговоров и контроля.

Распознавание счетов конкурентов

Менеджеры при запросе скидки прикладывают счета конкурентов, маркетологам раньше приходилось вручную переносить их в таблицы для ценовой аналитики. Теперь создан портал, куда загружаются счета. Система полуавтоматическая: нужно подсказать, какой это конкурент, затем ИИ распознает документ и передает данные в табличный формат, а оттуда — в общую базу цен на DWH. Эти данные используются и в моделях ценообразования, и в общей аналитике.

Финансовая дисциплина и принципы выбора платформы

Каждый проект, кроме автоматизированной локальной закупки, проходит защиту с расчетом NPV, ARR и сроков окупаемости. Это позволяет не просто запускать технологии, а оценивать их экономический эффект. Например, речевая аналитика обошлась примерно в 2 млн рублей на интеграцию, обработку, хранение в DWH и отчеты, а окупилась за полгода. Самый дорогой проект — динамическое управление ценой — стоил 30 млн рублей из-за сложной интеграции с 1С и требований к скорости обмена данными: ответ должен формироваться меньше чем за минуту.

При выборе подхода Екатерина рекомендует учитывать уникальность процесса. Если процесс сложный и индивидуальный — лучше кастомная разработка. Если стандартный — стоит взять готовую платформу и доработать под себя. Важно помнить, что поддержка платформы и процесса тоже требует ресурсов. Даже при использовании ИИ автоматизация снимает рутинные операции, но решение принимает человек. Роботы остаются подсказчиками, а не заменой управленческой ответственности.

Любая автоматизация — это снятие рутинных операций. Мы автоматизируем, и дальше решение принимает человек.

Статья подготовлена по выступлению Екатерины Балбышевой на Marketing Data Analytics 2026. Полная видеозапись и презентация доступны в архиве форума.

Перейти к мероприятиям

Скачать план конференций

#ии-в-металлотрейдинге #bi-аналитика #автоматизация-закупок #динамическое-ценообразование #речевая-аналитика #российские-платформы #interforum #interforums #event #конференции #интерфорум

Ближайшие конференции

19-20.11.2026

7 дней

ФОРУМ ПЕРСОНАЛЬНЫХ АССИСТЕНТОВ 2026 + Премия BEST PA AWARD 2026

XIV Ежегодный Всероссийский форум ассистентов, помощников и секретарей первых лиц компаний

Крупнейший профессиональный форум в России и странах СНГ, ориентированный на персональных ассистентов и секретарей высшего руководства. Профессиональные…

Персональные ассистенты

Подробнее Регистрация

26-27.11.2026

14 дней

B2B MARKETING FORUM 2026*

*X Ежегодный Всероссийский форум по маркетингу в сфере B2B

26–27 ноября 2026 года в Москве состоится X Всероссийский B2B MARKETING FORUM — главное событие для директоров и руководителей по маркетингу сферы…

B2B Маркетинг

Маркетинг

E-commerce

Клиентский сервис

Подробнее Регистрация