Управление запасами в производстве критически отличается от ритейла: сырьё нужно в точном количестве к конкретному моменту производственного цикла. Отсутствие одного компонента останавливает линию, принося убытки до $900–1.3k в час. Классическая MRP (Material Requirements Planning) использует единственный точечный прогноз спроса — любая ошибка каскадом искажает все закупки. Мы разрабатываем AI-системы, которые заменяют детерминированный план на вероятностное распределение сценариев и динамически балансируют риски. Типичный результат — сокращение дефицита на 60–80% и рост оборачиваемости сырья на 20–30%. Дополнительно, AI-модели прогнозирования потребности в сырье учитывают сезонность, тренды и макроэкономические факторы, что повышает точность на 40% по сравнению с традиционными методами.
Как AI-MRP превосходит классический MRP?
Классическая формула: Net Requirement = Gross Requirement - Available Inventory - Scheduled Receipts. AI-MRP использует три ключевых улучшения:
- Probabilistic demand forecast — не точка, а p10/p50/p90 перцентили.
- Stochastic MRP — расчёт потребности для каждого сценария, получаем распределение требований.
- Safety stock на основе квантилей — не по историческому σ, а по распределению спроса × service level.
def ai_mrp_requirements(demand_scenarios, bom, lead_time_distribution, service_level=0.95): """ demand_scenarios: матрица [n_scenarios × n_periods] Для каждого сценария → потребности сырья через BOM Safety stock = (service_level)-й квантиль потребности минус mean """ requirements = [] for scenario in demand_scenarios: finished_goods_needed = scenario raw_material_needed = explode_bom(finished_goods_needed, bom) requirements.append(raw_material_needed) req_array = np.array(requirements) safety_stock = np.percentile(req_array, service_level * 100, axis=0) - req_array.mean(axis=0) return req_array.mean(axis=0) + safety_stock Результат: дефицит сырья падает на 60–80% при росте оборачиваемости на 20–30% по сравнению с классикой. В ряде проектов дефицит снизился в 3-5 раз.
Почему стоит использовать стохастическое планирование?
В реальном производстве lead time и спрос нестабильны. MRP II игнорирует эту вариабельность. AI-MRP моделирует её:
| Параметр | Классический MRP | AI-MRP |
|---|---|---|
| Прогноз | Детерминированный точечный | Вероятностный (p10/p50/p90) |
| Safety stock | По формулам с константой Z | Динамический, из квантилей распределения |
| Lead time | Фиксированное значение | ML-модель, учитывающая поставщика, сезон, категорию |
| Риски поставок | Не учитываются | Supplier Reliability Score + disruption forecasting |
| MOQ | Простое округление | Дискретная оптимизация (LightGBM или генетический алгоритм) |
Специфика производственных запасов
- Bill of Materials (BOM): каждый продукт раскладывается в дерево компонентов. Изменение плана → каскадный пересчёт по всем уровням.
- Lead time вариабельность: ML-модель учитывает OTIF поставщика, сезонность, категорию сырья, макроэкономические шоки.
- Минимальные партии (MOQ): оптимизация с MOQ — NP-трудная задача, решаемая метаэвристиками.
Supplier Reliability Score
supplier_features = { 'otif_3m': otif_last_3_months, # On-Time In-Full 'lead_time_cv': lead_time_std / lead_time_mean, # вариативность 'quality_rejection_rate': rejected_qty / received_qty, 'financial_stability': altman_z_score, 'geographic_risk': country_risk_index, 'single_source_flag': 1 if only_supplier else 0 } reliability_score = reliability_model.predict(supplier_features) При высоком риске единственного поставщика AI рекомендует квалификацию альтернатив и рассчитывает премию за split sourcing против скидки за объём.
Dynamic safety stock
Классическая формула SS = Z × √(ADL × σ²_demand + D² × σ²_lead_time) заменяется на AI-версию:
- σ_demand из квантильной модели, а не исторического std.
- σ_lead_time из ML-модели.
- Z варьируется по SKU: для критического сырья 97.7%, для стандартного — 90%.
Что входит в работу
- Архитектурная документация (модель данных, API, интеграционные схемы).
- Внедрение ML-моделей в SAP PP/MM через RFC BAPI, обновление safety stock в MARC.
- Обучение команды закупок работе с отчётами и алертами.
- Техническая поддержка 3 месяца после релиза.
Как внедрить AI-MRP: пошаговый процесс
- Аудит данных и инфраструктуры: оцениваем качество и полноту исторических данных, настраиваем конвейер.
- Проектирование модели: выбираем алгоритмы для probabilistic demand и ML lead time.
- Разработка прототипа: реализуем core-модули на Python с интеграцией через API.
- Интеграция с ERP: подключаем чтение/запись через RFC BAPI (SAP) или REST.
- Обучение и калибровка: настраиваем safety stock под service level, включаем supplier scores.
- Запуск и мониторинг: развёртываем в production, отслеживаем концептуальный дрейф и переобучаем модели.
Типичные ошибки
- Игнорирование качества исторических данных: модель требует минимум 2-3 года с очищенными аномалиями.
- Неучёт MOQ в оптимизации: округление без дискретной оптимизации приводит к избытку.
- Отсутствие мониторинга концептуального дрейфа: распределения спроса меняются, модель нужно переобучать.
Ключевые метрики и опыт
Мы реализовали такие системы для 5+ производственных заказчиков. Наш общий опыт в AI/ML — более 7 лет, больше 50 проектов. Средняя экономия для клиентов — от $10k–50k в год. Дополнительно, за счёт снижения списаний и стоимости хранения экономия может достигать $20k–40k ежегодно.
| Метрика | Типичное улучшение |
|---|---|
| Оборачиваемость сырья | +20..30% |
| Дефицит (простои линии) | -60..80% |
| Списания излишков | -30..50% |
| OTIF поставщиков | +5..10% (через scorecards) |
Сроки и стоимость
Базовая версия AI-MRP (probabilistic demand + ML lead time) — от 6 до 8 недель. Полноценная система с supplier risk, disruption forecasting и полной ERP-интеграцией — от 4 до 5 месяцев. Стоимость рассчитывается индивидуально под задачи конкретного производства. Получите консультацию: мы оценим ваши данные и сформулируем план за один рабочий день. Свяжитесь с нами для обсуждения вашего производства.