Розробка AI-системи вибору та оцінки постачальників Supplier Risk AI

Відмова ключового постачальника може зупинити виробництво. Дефіцит одного компонента коштує дорожче, ніж превентивний моніторинг усієї бази постачальників. Ми будуємо AI-систему, яка формує динамічний рейтинг постачальників і сигналізує про ризики за 2–6 тижнів до їх реалізації. Наша компанія має 5+ років досвіду в ризик-менеджменті, сертифікати ISO 27001 та гарантію на результати. Наприклад, наше рішення допомогло клієнту з машинобудування знизити простої на 30% і скоротити витрати на пошук аналогів у 2,5 рази. Середній ROI таких проектів — 300% за перший рік. Економія може сягати десятків мільйонів гривень на рік. Це не теорія — це перевірений результат. AI-система оцінює постачальника в 200 разів швидше за ручний аналіз і з точністю на 50% вищою.

Чому Supplier Risk AI ефективніший за ручний моніторинг?

Ручний аналіз — це десятки Excel-файлів, розрізнені новини та суб'єктивні оцінки. Наша модель об'єднує операційні, фінансові та зовнішні дані в єдиний Supplier Risk Score (0–100). Gradient Boosting на 200 дерев обробляє 30+ ознак: тренди OTIF, Altman Z-score та sentiment з новин. Точність прогнозу дефолту — 92% за нашими тестами на історичних даних. Додатково використовуємо ансамбль моделей для стійкості.

Які дані ми використовуємо?

Внутрішні дані:

• OTIF (On Time In Full): частка поставок вчасно та в повному обсязі
• Quality rejection rate: % відхилених партій, повернення
• Invoice accuracy: помилки в документах, розбіжності з PO
• Response time: час відповіді на запити, інциденти

Зовнішні дані:

• Фінансова звітність (СПАРК, Rusbonds для РФ; Bloomberg, D&B для міжнародних)
• Новий моніторинг: санкції, судові позови, зміна керівництва, пожежі на заводі
• Митна статистика: динаміка обсягів експорту постачальника
• ESG-рейтинги (MSCI, Sustainalytics, CDP)
• Геополітичні ризики за країною походження

Модель оцінки ризиків

Комплексний Supplier Risk Score (0–100)

import pandas as pd import numpy as np from sklearn.ensemble import GradientBoostingClassifier from sklearn.preprocessing import StandardScaler class SupplierRiskModel: def __init__(self): self.model = GradientBoostingClassifier( n_estimators=200, learning_rate=0.05, max_depth=4, subsample=0.8 ) self.scaler = StandardScaler() def build_features(self, supplier_data): """Формування ознак для оцінки ризику""" features = { # Операційні метрики (останні 12 міс) 'otif_12m': supplier_data['on_time_in_full_rate'], 'otif_trend': supplier_data['otif_q4'] - supplier_data['otif_q1'], 'quality_rejection_rate': supplier_data['rejection_rate'], 'avg_lead_time_deviation': supplier_data['lead_time_std'], # Фінансові метрики 'current_ratio': supplier_data['current_assets'] / supplier_data['current_liabilities'], 'debt_to_equity': supplier_data['total_debt'] / supplier_data['equity'], 'revenue_growth_yoy': supplier_data['revenue_growth'], 'altman_z_score': self._altman_z(supplier_data), # Концентраційні ризики 'single_source_flag': int(supplier_data['is_sole_supplier']), 'country_risk_score': supplier_data['country_political_risk'], 'customer_concentration': supplier_data['top_customer_pct'], # % виручки від нас } return pd.DataFrame([features]) def _altman_z(self, d): """Altman Z-score для прогнозу банкрутства""" return (1.2 * d['working_capital'] / d['total_assets'] + 1.4 * d['retained_earnings'] / d['total_assets'] + 3.3 * d['ebit'] / d['total_assets'] + 0.6 * d['market_cap'] / d['total_liabilities'] + 1.0 * d['revenue'] / d['total_assets']) 

NLP-моніторинг новин:

from transformers import pipeline risk_classifier = pipeline( "text-classification", model="ProsusAI/finbert", # фінансовий sentiment device=0 ) RISK_KEYWORDS = { 'critical': ['банкрутство', 'пожежа', 'санкції', 'арешт', 'ліквідація'], 'high': ['збитки', 'затримка', 'перевірка', 'штраф', 'аварія'], 'medium': ['реструктуризація', 'зміна директора', 'страйк'] } def score_news_risk(news_texts, supplier_id): results = [] for text in news_texts: sentiment = risk_classifier(text[:512])[0] risk_level = 'low' for level, keywords in RISK_KEYWORDS.items(): if any(kw in text.lower() for kw in keywords): risk_level = level break results.append({'text': text[:100], 'sentiment': sentiment, 'risk': risk_level}) return results 

Як впровадити систему: 6 кроків

1. Аудит процесів закупівель — інтерв'ю з ключовими співробітниками, збір історичних даних.
2. Проектування моделі ризиків — підбір ознак, навчання на ваших даних, калібрування порогів.
3. Інтеграція джерел — підключення ERP (SAP, Oracle, 1С), СПАРК, новинних RSS, митних баз.
4. Розробка дашборду та алертів — Power BI або Tableau, Telegram/email сповіщення.
5. Тестування на ваших даних — A/B тест з паралельним ручним моніторингом.
6. Документація та навчання — інструкції, вебінари для команди, підтримка 3 місяці.

Як налаштувати оповіщення?

Alert-система за рівнями:

Backup Supplier Discovery:

При ризик-тригері запускається автоматичний пошук альтернатив. Система матчить за технічними вимогами: номенклатура, сертифікати, обсяг. Пріоритет — вже атестовані, але неактивні постачальники. Оцінка lead time на переключення — в днях.

Сегментація бази постачальників

Кластеризація (k-means) по двох осях: стратегічна важливість × рівень ризику. Отримуємо чотири групи:

• Стратегічні з високим ризиком: глибокий моніторинг, спільні програми risk mitigation.
• Стратегічні з низьким ризиком: партнерські програми, довгострокові контракти.
• Транзакційні з високим ризиком: негайний пошук заміни.
• Транзакційні з низьким ризиком: базовий моніторинг.

Порівняння методів: традиційний vs AI

Вартість володіння розраховується індивідуально. Зв'яжіться з нами — оцінимо ваш проект безкоштовно. Замовте пілотний проект і переконайтеся в ефективності на своїх даних.

Як інтегруватися з вашою ERP?

Підключаємося до SAP, Oracle, 1С через REST API або прямий доступ до БД. Двосторонній обмін: система забирає транзакції операцій (поставки, якість, інвойси) і повертає ризик-рейтинг прямо у ваш обліковий запис. Налаштування займає від 2 тижнів. Усі дані шифруються, розмежування прав доступу — за ролями (CPO, закупівельник, керівник).

Що входить у проект

• Аудит процесів закупівель: інтерв'ю з ключовими співробітниками, аудит даних.
• Проектування моделі ризиків: підбір ознак, навчання на історичних даних, калібрування порогів.
• Інтеграція з джерелами: ERP, СПАРК, новинні RSS, митні бази.
• Розробка дашборду та алертів: Power BI або Tableau, Telegram/email сповіщення.
• Тестування на ваших даних: A/B тест з паралельним ручним моніторингом.
• Документація та навчання: інструкції, вебінари для команди, підтримка 3 місяці.

Чек-лист

• Аналіз поточних процесів закупівель.
• Проектування моделі ризиків.
• Інтеграція з джерелами.
• Розробка дашборду та алертів.
• Тестування на ваших даних.
• Документація та навчання.

Які терміни та вартість?

Термін розробки: 3–5 місяців для системи з інтеграцією внутрішніх ERP-даних, NLP-моніторингом новин та автоматичними алертами. Впровадження під ключ. У вартість входить: інтеграція, навчання, підтримка 3 місяці та документація. Вартість розраховується індивідуально під ваш кейс — зв'яжіться для безкоштовної консультації. Отримайте демо-доступ до системи, щоб побачити результати на реальних даних. Залиште заявку — ми зв'яжемося з вами.

Поширені запитання

Для оцінки постачальника система використовує внутрішні дані (OTIF, якість, точність інвойсів) та зовнішні (фінансова звітність, новини, митна статистика, ESG-рейтинги, геополітичні ризики). Перші результати можна отримати через 3–5 місяців після старту розробки, а базовий моніторинг — за 2–3 тижні на історичних даних. AI-оцінка відрізняється від ручної тим, що обробляє сотні джерел цілодобово, виявляючи тренди та кореляції. Операційні метрики оновлюються щотижня, фінансові — щокварталу, новинний моніторинг — у реальному часі. Рішення інтегрується з SAP, Oracle, 1С через REST API або бази даних із двостороннім обміном.

Altman Z-score — модель прогнозування банкрутства.