АСУЗ: как бизнесу выбирать лучшее предложение, а не самую низкую цену

В большинстве компаний выбор поставщика до сих пор сводится к сортировке по цене и ручной проверке условий. При этом реальная «выгодность» сделки определяется не только цифрой в прайсе, но и наличием, сроками, логистикой, маржой и десятками бизнес-ограничений. Алгоритмический подбор предложений превращает этот хаос в управляемый процесс и напрямую влияет на P&L.

Почему простая сортировка по цене больше не работает

В закупках и коммерции до сих пор живет очень упрощенная логика: «чем ниже цена, тем лучше сделка». Excel или ERP-таблица, несколько фильтров, ручная проверка условий — так выглядят ежедневные решения на миллионы рублей.

На практике это приводит к предсказуемым эффектам:

• берут самое дешевое предложение, а потом доплачивают за ускоренную доставку;
• выбирают поставщика с «идеальной» ценой, но срывающимися сроками, и теряют выручку на недопоставках;
• экономят 1–2% в закупке, а потом теряют больше на утилизации неликвидов или демпинге.

Особенно остро это проявляется там, где ассортимент и количество контрагентов быстро растут: дистрибуция, e-commerce, сети с десятками филиалов. В таких условиях минимальная цена перестает быть надежным ориентиром — бизнесу нужен инструмент, который учитывает всю совокупность факторов сделки, а не только строку «цена за единицу».

Что на самом деле должно учитывать «оптимальное предложение»

Если смотреть на закупку глазами P&L, становится видно: «выгодность» складывается из нескольких слоев.

1. Цена
   Базовая стоимость единицы товара, скидки, бонусы, ретробонусы.
2. Наличие и объем
   Может ли поставщик закрыть нужный объем в нужные даты без частичных отгрузок и сложной логистики.
3. Сроки и надежность поставки
   Время от заказа до прихода на склад, статистика срывов и переноса дат.
4. Маржа и оборачиваемость
   Какой валовый доход дает позиция с учетом конечной цены для клиента, скидочной политики и скорости продаж.
5. Правила бизнеса
   Ограничения по поставщикам (статус, аккредитация, рейтинг), лимиты по дебиторке, требования к упаковке, логистические плечи и т.п.

Оптимальное предложение в такой картине — это не «минимальная цена», а компромисс между этими параметрами, подчиненный целям компании: кто-то оптимизирует маржу, кто-то оборот, кто-то риск дефицита.

Когда ассортимент исчисляется сотнями и тысячами SKU, ручное удержание всех этих параметров в голове становится невозможным. Здесь и появляется пространство для специализированных систем, которые превращают подбор предложений в задачу алгоритма.

Как устроен выбор предложения в зрелой системе (на примере АСУЗ)

В зрелой архитектуре закупок система работает не как «красивый прайс-лист», а как движок принятия решений. На уровне логики это выглядит так:

1. Сбор данных по рынку
   Цены, наличие, сроки, условия поставки и прочие параметры автоматически подтягиваются из разных источников: прайсы по e-mail, личные кабинеты поставщиков, API маркетплейсов, каталоги дистрибьюторов. Система приводит их к единому формату и привязывает к вашей номенклатуре.
2. Наложение бизнес-правил
   Для каждой категории товаров и группы поставщиков задаются правила: приоритетные контрагенты, границы по срокам, минимальный рейтинг, ограничения по географии и логистике, требования к объему партии и т.д.
3. Подсчет «полной стоимости» и эффекта
   Для каждого предложения считается не только закупочная цена, но и предполагаемая маржа, влияние на оборот, риск дефицита. В ряде решений, включая системы класса АСУЗ (автоматизированное управление закупками и заказами), это реализовано через отдельный модуль расчета целевой функции: что именно мы минимизируем или максимизируем — закупочную стоимость, совокупные логистические затраты, риск out-of-stock, недополученную выручку.

4. Ранжирование и выбор сценария
   На выходе бизнес получает не один «рекомендованный» вариант, а короткий список сценариев:

   • «минимальная цена при допустимых сроках»;
   • «максимальная маржа при текущем спросе»;
   • «минимальный риск дефицита в пиковый сезон» и т.п.

   Руководитель видит, как меняются показатели по каждому сценарию, и может выбрать тот, который соответствует стратегии на период.

5. Интеграция в операцию
   Выбранный сценарий не остается в отчете: система формирует заказы, уведомляет поставщиков, обновляет планы закупок и ограничения для продаж.

Так, например, одна из торговых компаний, внедривших алгоритмический подбор предложений, ушла от практики «закупать у одного любимого поставщика» и в ряде категорий снизила суммарные затраты на 3–5% без падения уровня сервиса — за счет учета логистики, надежности и маржи, а не только первичной цены.

Где здесь место ИИ и сложным алгоритмам

Математически задача подбора оптимального предложения напоминает классическую задачу оптимизации с множеством ограничений. В простых сценариях достаточно правил и линейных моделей. Но по мере роста ассортимента и количества факторов появляются зоны, где без ИИ не обойтись:

• Прогноз спроса.
  Чтобы оценить маржу и риск дефицита, нужно понимать, с какой скоростью товар будет продаваться. Модели машинного обучения учитывают сезонность, акции, поведение клиентов и выдают более точный прогноз, чем статические планы.
• Классификация и нормализация данных.
  Поставщики по-разному называют одни и те же товары, указывают разные атрибуты. ИИ-модели помогают сопоставлять позиции, очищать данные и сокращать «шум» в каталоге.
• Поиск нетривиальных комбинаций.
  Когда ограничений становится много, система использует эвристики и алгоритмы поиска (например, модификации жадных или эволюционных алгоритмов), чтобы находить близкие к оптимальным наборы поставщиков и партий.

Важно, что ИИ не «принимает решение за бизнес». Он готовит пространство вариантов в рамках заданных правил, а управленец выбирает сценарий, соответствующий стратегии: ускоряться, экономить, снижать риски или балансировать.

Типичные ошибки компаний при переходе к алгоритмическим закупкам

1. Считать, что достаточно «подключить ИИ».
   Без нормальных данных и прописанных правил даже самая продвинутая модель будет усиливать хаос. Начинать нужно с инвентаризации источников данных, унификации номенклатуры и формализации бизнес-ограничений.
2. Оптимизировать только один показатель.
   Популярная ошибка — попытаться «зафиксировать» минимальную закупочную цену или максимальную скидку. В результате страдают сроки, наличие, лояльность клиентов. Оптимизировать стоит сценарий, а не одну цифру.
3. Оставлять алгоритмы «в черном ящике».
   Если закупщики и коммерсанты не понимают, почему система предложила именно такой набор поставщиков, она будет саботироваться. Важно давать прозрачные объяснения: какие правила сработали, какие факторы повлияли на выбор.
4. Не менять организационную роль закупок.
   Когда закупка превращается в управляемый алгоритм, функция закупок становится ближе к управлению капиталом и рисками, а не к «оформлению заказов». Если этого не осознать, система останется экспериментом.
5. Игнорировать связь с продажами и финансами.
   Оптимальные закупки в отрыве от ценовой политики, промо и финансового планирования превращаются в локальный успех. Целевая картина — когда алгоритмы выбора предложений встроены в сквозной контур: от прогноза спроса и бюджета до плана закупок и цены на полке.

Что важно вынести собственнику и топ-менеджеру

Алгоритмы выбора предложений — это не «игрушка для закупочного отдела». Это способ управлять денежным потоком и риском дефицита на уровне всей компании.

Как только бизнес перестает смотреть на закупку через призму минимальной цены и начинает работать с полной экономикой сделки, системам класса АСУЗ и аналогичным решениям появляется понятное место: они становятся частью инвестиционной логики, а не еще одной ИТ-строчкой в бюджете.

Первый шаг — честно ответить себе, какие факторы, помимо цены, реально важны вашей компании, и готовы ли вы формализовать их в виде правил. Второй — понять, какие данные уже есть, а какие придется собирать и очищать. После этого алгоритмический выбор предложений перестает быть «сложной ИТ-темой» и превращается в нормальную управленческую практику: настроил — проверил — скорректировал.