«Автозаказ работает на нас»: опыт сети «Хорошее дело» с решением Datanomics
Материал подготовлен совместно с партнером комьюнити Digital4food, компанией Datanomics.
Почти год назад сеть магазинов «Хорошее дело» внедрила сервис ИИ‑автозаказа от Datanomics. Мы встретились с Марией Лаушкиной, старшим менеджером, и Никитой Ганченковым, менеджером IT‑проектов, чтобы поговорить о том, как изменились процессы, что оказалось самым сложным и какие результаты они видят сегодня.
Datanomics (D): Каждый проект начинается с конкретной боли. Какая именно проблема стояла перед вами, когда вы решили внедрить сервис автозаказа Datanomics?
Мария Лаушкина (МЛ): Нам нужна была автоматизация расчёта заказов в розничных точках. В 1С у нас что‑то работало, но точность была низкой. Получалось, что система считала «для информации», а потом менеджеры вручную всё перепроверяли по каждому магазину. На это уходило очень много времени.
Никита Ганченков (НГ): Да, мы сами написали формулу в 1С, но это была простая арифметика: плюс, минус. Учесть сезонность, всплески спроса из‑за погоды или праздников — всё это было невозможно. И, честно говоря, нам не хватало опыта. Хотелось, чтобы система сама учитывала такие факторы.
D: В какой момент вы поняли, что пора менять подход?
МЛ: У нас есть практика — ездить к коллегам из похожих компаний, обмениваться опытом. Так мы оказались в «Павловской курочке» и узнали о вашем кейсе по прогнозированию спроса. Потом коллеги из маркетинга нашли описание в интернете, и мы поняли: это именно то, что нам нужно.
D: Были сложности при запуске?
НГ: Особых сложностей не было. У нас уже была обработка в 1С, оставалось лишь настроить обмен данными. Переход оказался максимально удобным.
МЛ: Для менеджеров всё свелось к появлению двух новых кнопок. Им даже не пришлось менять привычный порядок работы. Сервис органично встроился в процессы.
D: Все ли данные были готовы?
МЛ: Нет, не все. Но именно этот проект подтолкнул нас довести до конца задачу с акционными ценами, которая тянулась ещё с 2020 года.
НГ: Мы её всё время откладывали. Что‑то делали, но встроить в формулу не получалось. В итоге задача уходила из приоритетов. А когда стало ясно, что для сервиса нужны цены на акции, мы вынесли её на первый план.
МЛ: Но это живой процесс. Недавно, например, мы меняли логику начала и окончания акций. Нельзя сказать, что один раз всё настроили — и готово. Приходится дорабатывать.
D: Не смущало, что решение облачное?
НГ: Конечно, как и у любой технологии, есть риски. Основной — потеря данных, но он решается регулярными бэкапами. Ещё один возможный риск — недоступность сервиса. На этот случай предусмотрен локальный расчёт по упрощённому алгоритму, однако за всё время работы нам ни разу не пришлось к нему обращаться: отказов просто не было.
А в остальном я сторонник облака. Это удобство администрирования, масштабируемость, быстрое развертывание. Если бы мы запускали автозаказ на локальной инфраструктуре, это была бы целая история — согласования, закупка оборудования, ожидание поставок, администрирование. В облаке всё заработало за пару дней.
D: Как выглядит работа с автозаказом сегодня?
МЛ: Каждое утро я прихожу, задаю параметры, даты, запускаю расчёт — и получаю готовые данные по всем магазинам и всем SKU. В течение дня мы пробегаемся по цифрам с учётом новых вводных: кто‑то возврат оформил, кто‑то недопринял. Но это уже не сопоставимо с прежними объёмами ручной работы.
D: Какие результаты вы видите?
НГ: Существенно выросла точность расчётов и сократилось время обработки данных.
МЛ: Для меня это огромный плюс. Мы перестали «зашиваться» и получили время на анализ: почему пошли списания, где возвраты задержались. Раньше я ждала до полудня, пока коллеги сформируют заявки по магазинам, теперь всё готово в 7:30 утра. Пока все спят, машина считает, и я с утра готова к распределению.
Кроме того, стало меньше ситуаций с отсутствием товара на полках. Раньше магазин мог полдня простоять без нужной позиции, теперь таких случаев заметно меньше.
D: Что посоветуете компаниям, которые только планируют внедрение?
НГ: Назначить ответственных со стороны заказчика — отдельно от ИТ и от бизнеса.
МЛ: Да, иначе проект может затянуться. Нужен человек, который будет связующим звеном и полностью погрузится в задачу. Не так, что прибежал, что‑то сделал и забыл, а именно выделенный ресурс.
D: Какие планы на развитие сервиса автозаказа?
МЛ: Мы уже внедрили BI‑систему DataLens для анализа продаж и возвратов. Следующий шаг — автоматизация маршрутов. Сейчас эта задача отнимает слишком много времени.
D: И напоследок, что бы вы пожелали нашим читателям?
НГ: Двигаться вперёд.
МЛ: Решать текущие задачи и оптимизировать их, чтобы сосредоточиться на следующих.
D: Спасибо вам за откровенный разговор.
Итог: За год сеть «Хорошее дело» прошла путь от ручных корректировок до полноценного ИИ‑сервиса, который считает заказы быстрее и точнее человека. Автозаказ не только сэкономил время, но и дал возможность команде сосредоточиться на анализе и развитии, а не на рутинных пересчётах.
И, пожалуй, главный вывод из этого разговора звучит просто: технологии работают тогда, когда за ними стоят люди, готовые меняться, учиться и двигаться вперёд.
