История о том, как мы превратили «исторические данные» в проактивные управленческие решения.
Первый выпуск Data-потока серии AI Innovation Lab — AI в управлении бизнесом. Без Kafka, без дата-сайентистов, без миллионного бюджета.
Начало сериии - здесь
Понедельник, 9:15. Утренняя планёрка у Генерального директора.
Директор задаёт простой вопрос: «Какой товар у нас на первом месте по объёму отгрузок? Если поставщик сорвёт поставку — как мы отреагируем?»
Коммерческий директор: «Ну, кабель NYM, наверное. Он хорошо идёт».
Директор: «Сколько это в процентах от оборота склада? Сколько у нас поставщиков по этой номенклатуре?»
Пауза.
«Надо посмотреть в 1С».
Посмотрели.
Каждый, кто присутствовал на планёрках, оказывался в похожей ситуации. Данных в компании много, но оперативной информации под рукой вовремя нет.
Начинаем разбираться
В стандартной конфигурации 1С:Комплексная автоматизация запускаем ABC-классификацию по объёму отгрузок.
Один артикул. Кабель NYM 5×35 показал 91% всего физического оборота склада.
Из 175 позиций с реальными продажами.
Остальные 174 позиции делили между собой оставшиеся 9% — и при этом получали одинаковое внимание менеджеров: одинаковые звонки поставщикам, одинаковый приоритет при дефиците, одинаковое место в планёрке по понедельникам.
Если поставка NYM срывается на три недели — компания рискует потерять 91% физических отгрузок, но узнаёт об этом риске только тогда, когда событие уже наступило.
Неприятный вывод: Цифра лежала в базе не один год. Её никто не открывал — не от лени, а потому, что стандартная 1С сама такие ситуации не подсвечивает. Чтобы увидеть проблему, надо было заранее знать что искать.
Управленческая слепота: четыре реальных кейса
В «Фиесте» Хемингуэя есть диалог: «Как вы обанкротились?» — «Двумя способами. Сначала постепенно, а потом сразу».
Управленческая слепота работает по той же схеме. Данные накапливаются месяцами, риск растёт незаметно — а потом одно событие запускает лавину.
Закрытие стартапа — ожидаемое: рынок не принял, деньги кончились. Другое дело, когда закрывается компания с двенадцатилетней историей, с клиентской базой и с командой, которая прошла вместе пандемию.
Причина чаще всего не в конкуренции или в плохом продукте. В большинстве таких случаев решения принимались «исторически, на глазок», хотя данные для обоснованного выбора уже были в 1С.
Кейс 1. Один клиент — одна судьба
Торговая компания, 12 лет на рынке. Один якорный клиент приносит 58% выручки. Директор знает примерно: «и так понятно, что много». Точную цифру не смотрел.
В 1С доля этого клиента росла три года: 30% → 41% → 58%. Тренд был — реакции не было.
Уход постоянного клиента к другому поставщику — ситуация не частая, но на промежутке 5–7 лет, зачастую, лишь вопрос времени.
Кейс 2. Выручка есть, денег нет
Производственная компания. Выручка растёт — директор доволен. Красивый дашборд в новенькой BI-системе вселяет веру в светлое будущее и надежду на хороший бонус по итогам года. Но у Главного бухгалтера другая картина. Оборотные средства заканчиваются: три ключевых клиента держат дебиторку более двух месяцев при договорных 30-ти днях. Банк грозит отказать в кредите на сырьё. Риск остановки производства.
Выяснить средний срок дебиторки по клиентам — три запроса к 1С.
В бухгалтерии считают, что платёжная дисциплина — зона ответственности менеджеров. Менеджеры без пинка из бухгалтерии вспоминают об этом не часто…
Кейс 3. Рост без управления
Сервисная компания. Бизнес в стадии роста. Клиентов за полтора года стало втрое больше.
На рынке труда дефицит кадров — HR не справляется. Часть команды ушла, не выдержав нагрузки. Мелкие клиенты с низким чеком съедают 40% операционного времени и дают 8% выручки. Топ клиентов по прибыльности не определён: «все важны». Через год рентабельность упала вдвое при той же выручке.
Кейс 4. Финансовый разрыв
Строительная компания. Крупный контракт, авансирование 30%, остальное по мере выполнения работ. Подрядчики требуют оплату раньше, чем заказчик закрывает этапы. Кассовый разрыв — 18 миллионов. Собственник узнаёт о нём за три дня до критической даты.
Движение денег по контрактам — несколько таблиц в 1С, которые можно объединить в один дашборд с предупреждением за 30 дней.
Итог: Во всех четырёх случаях информация была. Она хранилась в 1С. Её никто не читал в нужном формате в нужное время — инструмента не было.
Все перечисленные ситуации выросли не на плохих менеджерах, а на отсутствии важных сигналов в бизнес-системах и нужного инструмента работы с корпоративными данными под рукой.
Решаем обе проблемы сразу: аналитический + AI слой поверх 1С
В AI Innovation Lab мы построили двухуровневую аналитическую систему поверх стандартной 1С. Её задача — поиск проблем и оперативные ответы на вопросы о состоянии различных аспектов бизнеса.
Как это устроено:
Лабораторная инфраструктура: Копия рабочей системы управления предприятием. Конфигурация 1С:Комплексная автоматизация + MS SQL
Data Platform:
Сбор данных. Раз в сутки Python-скрипт забирает данные из MS SQL 1С и загружает их в корпоративное хранилище PostgreSQL.
Обработка и аналитика. Инструмент dbt строит бизнес-витрины: финансовый свод, складской остаток, ABC-классификация, топ контрагентов. Логика трансформаций хранится как SQL-код с версионированием.
Визуализация. BI на платформе Metabase подключён к витринам и отображает ключевые показатели: топ товаров, финансовый поток, движение склада, концентрацию контрагентов. Дашборд привязан к актуальным данным в хранилище и обновляется автоматически.
AI Decision Platform: API доступ к LLM Claude + Команда из пяти локальных специализированных AI-агентов. Каждый со своим набором полномочий и данных:
SEO-агент → распределение запросов и обобщение ответов
Директор по продажам → данные о продажах и контрагентах
Директор по закупкам → данные об остатках и закупках
Главный бухгалтер → финансовые показатели
Директор по логистике → складские остатки и движение товаров
Каждый агент знает свою область. Когда директор задаёт вопрос на стыке полномочий, агенты отвечают независимо и потом согласовывают общую позицию. Закупщик рассчитывает объём заказа — Продажи подтверждают или корректируют его на основе тренда спроса.
Пример диалога между AI-агентами:
Директор: Достаточно ли на складе топ-10 самых продаваемых позиций?
🏭 Склад: Критический дефицит по 2 позициям:
· Кабель NYM 5×35 — остаток 14 м, продажи 890 м/мес (запас: 0.5 дня)
· Краска Dulux — остаток 0 шт, продажи 95 шт/мес
🛒 Закупки: Рекомендую срочный заказ:
· NYM 5×35 — 2 670 м (3 мес запас), приоритет: КРИТИЧЕСКИЙ
· Краска Dulux — 285 шт (3 мес запас), приоритет: ВЫСОКИЙ
📊 Продажи: Подтверждаю объёмы. NYM 5×35 — тренд роста +12% за последние 2 мес. Рекомендую взять 3 200 м с запасом.
Результат: Никаких многочасовых совещаний, ожиданий «ответа от коллег», инопланетных отчётов из 1С и консолей BI-систем, похожих на один сплошной визуальный шум. Вопрос задаётся обычным языком — несколько специалистов проверяют данные независимо и согласовывают рекомендацию между собой. Если очень хочется, можно зайти в BI посмотреть график или дополнительно выгрузить таблицу
Три мифа, которые мешают начать использовать аналитику данных
Миф 1: «Аналитика — это для крупного бизнеса»
Когда мы слышим «Big Data» — в голове всплывают образы: Netflix, петабайты, суперкомпьютеры, команды из двадцати инженеров в Silicon Valley. Для малого и среднего бизнеса с оборотом 300 миллионов рублей и бухгалтерией в 1С это звучит как «полёт на Марс».
Реальность: В типичной оптово-розничной компании с 500 клиентами, 2000 позиций номенклатуры и тремя годами истории, данных из 1С достаточно для принятия качественных управленческих решений. Это просто данные. Для их анализа не нужны распределённые вычисления и дата-центр в Гренландии.
Миф 2: «Нужен дата-сайентист, Kafka и полгода разработки»
Технологический хайп 2019–2022 годов сформировал страх: аналитика данных — это дорого, долго и сложно. Kafka для стриминга, Spark для обработки, Airflow для оркестрации, команда из пяти специалистов.
Для задач уровня Сбера — да. Для управленческой аналитики малого и среднего бизнеса — это избыточно многократно.
Реальность: Наш пилотный стек для работы с 1С:
· Извлечение данных — Python, 150 строк кода, бесплатно
· Хранилище данных — PostgreSQL в Docker, бесплатно
· Трансформации — dbt (SQL с версионированием), бесплатно
· Дашборды — Metabase, бесплатно
· AI-аналитик — Claude API, ~$5–15 / мес
· Инфраструктура — VPS, 500–1500 ₽ / мес
ETL-пайплайн из 1С в CEO-дашборд — один день разработки. Kafka не нужна: управленческая аналитика не требует синхронизации в реальном времени. Суточного обновления достаточно.
Миф 3: «У нас есть отчёты в 1С — значит, мы работаем с данными»
Отчёты 1С проектировались для бухгалтера и налоговой. Они отвечают на вопрос «что произошло?» Это важно, если речь идёт о закрытии периода или подготовки формализованной отчётности.
Для управленческого решения важен анализ причин, прогноз развития ситуации, анализ рисков и сценарии действий. Разница в подходе показана на рисунке ниже.
И эта разница не в данных. Данные одни и те же. Но от того, как они организованы, с какой частотой обновляются и в каком виде доступны, зависит, сможете ли вы дать внятный ответ на неожиданный вопрос директора в ближайший понедельник.
Почему именно сейчас
Технологии управления данными были на хайпе пять лет назад — но тогда порог входа был высок. За последние несколько лет произошли важные изменения, делающие AI&Data доступной для любого бизнеса:
Свободный доступ к инструментам для создания Data / AI Platform Python, PostgreSQL, dbt, Metabase — полностью open source. Затраты на использование возможностей облачных LLM — сопоставимы с подпиской на Netflix или Яндекс Музыка. Docker позволяет поднять весь стек за час на любом облачном сервере с ежемесячной оплатой по подписке. Пять‑семь лет назад только лицензия на корпоративный BI стоила сотни тысяч рублей в год.
AI бесшовно интегрируется в любую инфраструктуру и процессы. Дашборды отвечают на вопросы, которые ты уже сформулировал и нашёл нужный экран. AI-агент отвечает на вопрос, заданный обычным языком, сам находит данные, строит расчёт, оценивает риски, согласовывает выводы с коллегами.
Немного аналитики
McKinsey фиксирует: компании-лидеры по внедрению AI в 2,8 раза чаще проводят фундаментальный редизайн рабочих процессов — 55% против 20% у отстающих.
PwC формулирует точнее: только 20% ценности AI — в самой технологии. 80% — в том, как перестроена работа вокруг неё.
Купить доступ к ChatGPT и спрашивать общие вопросы — это 20%. Перестроить то, как информация доходит до директора перед принятием решения — это 80%.
Скорость изменений стала аргументом. Gartner прогнозирует: доля корпоративных приложений со встроенными AI‑агентами вырастет с менее 5% в 2025 году до 40% к концу 2026-го. Не к 2030-му — к концу этого года. Компании, которые начинают сейчас, строят понимание и компетенции. Компании, которые ждут — будут догонять.
Что дальше
В ближайшие дни мы завершаем тестирование нескольких интересных управленческих сценариев на реальных данных. Новые материалы выходят по мере готовности — подписывайтесь, чтобы не пропустить.
