Управління запасами у виробництві критично відрізняється від ритейлу: сировина потрібна в точній кількості до конкретного моменту виробничого циклу. Відсутність одного компонента зупиняє лінію, приносячи збитки до 100 тисяч рублів на годину. Класична MRP (Material Requirements Planning) використовує єдиний точковий прогноз попиту — будь-яка помилка каскадом спотворює всі закупівлі. Ми розробляємо AI-системи, які замінюють детермінований план на ймовірнісний розподіл сценаріїв та динамічно балансують ризики. Типовий результат — скорочення дефіциту на 60–80% і зростання оборотності сировини на 20–30%. Додатково, AI-моделі прогнозування потреби в сировині враховують сезонність, тренди та макроекономічні фактори, що підвищує точність на 40% порівняно з традиційними методами.
Як AI-MRP перевершує класичний MRP?
Класична формула: Net Requirement = Gross Requirement - Available Inventory - Scheduled Receipts. AI-MRP використовує три ключові покращення:
- Probabilistic demand forecast — не точка, а p10/p50/p90 перцентилі.
- Stochastic MRP — розрахунок потреби для кожного сценарію, отримуємо розподіл вимог.
- Safety stock на основі квантилів — не за історичним σ, а за розподілом попиту × service level.
def ai_mrp_requirements(demand_scenarios, bom, lead_time_distribution, service_level=0.95): """ demand_scenarios: матриця [n_scenarios × n_periods] Для кожного сценарію → потреби сировини через BOM Safety stock = (service_level)-й квантиль потреби мінус 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: дефіцит сировини падає на 60–80% при зростанні оборотності на 20–30% порівняно з класикою. У ряді проектів дефіцит знизився в 3-5 разів.
Чому варто використовувати стохастичне планування?
У реальному виробництві lead time та попит нестабільні. MRP II ігнорує цю варіабельність. AI-MRP моделює її:
| Параметр | Класичний MRP | AI-MRP |
|---|---|---|
| Прогноз | Детермінований точковий | Ймовірнісний (p10/p50/p90) |
| Safety stock | За формулами з константою Z | Динамічний, з квантилів розподілу |
| Lead time | Фіксоване значення | ML-модель, що враховує постачальника, сезон, категорію |
| Ризики постачання | Не враховуються | Supplier Reliability Score + disruption forecasting |
| MOQ | Просте округлення | Дискретна оптимізація (LightGBM або генетичний алгоритм) |
Специфіка виробничих запасів
- Bill of Materials (BOM): кожен продукт розкладається в дерево компонентів. Зміна плану → каскадний перерахунок по всіх рівнях.
- Lead time варіабельність: ML-модель враховує OTIF постачальника, сезонність, категорію сировини, макроекономічні шоки.
- Мінімальні партії (MOQ): оптимізація з MOQ — NP-складна задача, що вирішується метаевристиками.
Supplier Reliability Score
supplier_features = { 'otif_3m': otif_last_3_months, # On-Time In-Full 'lead_time_cv': lead_time_std / lead_time_mean, # варіативність '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 високому ризику єдиного постачальника AI рекомендує кваліфікацію альтернатив та розраховує премію за split sourcing проти знижки за обсяг.
Dynamic safety stock
Класична формула SS = Z × √(ADL × σ²_demand + D² × σ²_lead_time) замінюється на AI-версію:
- σ_demand з квантильної моделі, а не історичного std.
- σ_lead_time з ML-моделі.
- Z варіюється за SKU: для критичної сировини 97.7%, для стандартної — 90%.
Що входить у роботу
- Архітектурна документація (модель даних, API, інтеграційні схеми).
- Впровадження ML-моделей у SAP PP/MM через RFC BAPI, оновлення safety stock у MARC.
- Навчання команди закупівель роботі зі звітами та алертами.
- Технічна підтримка 3 місяці після релізу.
Як впровадити AI-MRP: покроковий процес
- Аудит даних та інфраструктури: оцінюємо якість та повноту історичних даних, налаштовуємо конвеєр.
- Проектування моделі: обираємо алгоритми для probabilistic demand та ML lead time.
- Розробка прототипу: реалізуємо core-модулі на Python з інтеграцією через API.
- Інтеграція з ERP: підключаємо читання/запис через RFC BAPI (SAP) або REST.
- Навчання та калібрування: налаштовуємо safety stock під service level, включаємо supplier scores.
- Запуск та моніторинг: розгортаємо в production, відстежуємо концептуальний дрейф та перенавчаємо моделі.
Типові помилки
- Ігнорування якості історичних даних: модель вимагає мінімум 2-3 роки з очищеними аномаліями.
- Неврахунок MOQ в оптимізації: округлення без дискретної оптимізації призводить до надлишку.
- Відсутність моніторингу концептуального дрейфу: розподіли попиту змінюються, модель потрібно перенавчати.
Ключові метрики та досвід
Ми реалізували такі системи для 5+ виробничих замовників. Наш загальний досвід у AI/ML — понад 7 років, більше 50 проектів. Середня економія для клієнтів — від $10k–50kів на рік. Додатково, за рахунок зниження списань та вартості зберігання економія може досягати $20k–40kів щорічно.
| Метрика | Типове покращення |
|---|---|
| Оборотність сировини | +20..30% |
| Дефіцит (простої лінії) | -60..80% |
| Списання надлишків | -30..50% |
| OTIF постачальників | +5..10% (через scorecards) |
Терміни та вартість
Базова версія AI-MRP (probabilistic demand + ML lead time) — від 6 до 8 тижнів. Повноцінна система з supplier risk, disruption forecasting та повною ERP-інтеграцією — від 4 до 5 місяців. Вартість розраховується індивідуально під завдання конкретного виробництва. Отримайте консультацію: ми оцінимо ваші дані та сформулюємо план за один робочий день. Зв'яжіться з нами для обговорення вашого виробництва.