Коротко: Откаты и завышенные цены в закупках можно найти по данным 1С. Для этого статистически сравнивают цены с историей и рынком, считают долю поставщиков у каждого закупщика, проверяют связи по ЕГРЮЛ и ищут фиктивные тендеры. У производителя металлоконструкций так нашли 17 эпизодов завышения цен на ~3,8 млн за 2 года, а в категории металл закупочная себестоимость снизилась на 8,2%.

Компания производит металлоконструкции для промышленных объектов: ангары, каркасы, мостовые конструкции. Работает на 1С. Закупки сырья и оборудования составляют 280 млн в год. В отделе закупок семь человек, у каждого своя категория: металл, метизы, лакокраска, расходники, сварочное оборудование, логистика и спецодежда.

Руководство пришло к нам с осторожной формулировкой: «У нас есть подозрения, что не все закупщики работают честно. Но прямых доказательств нет — а разговоры на эмоциях ни к чему не приводят. Нужны данные».

Какие проблемы были в закупках

Цены у одних поставщиков годами выше рынка

Финдиректор заметил, что у закупщика по металлу один и тот же поставщик выигрывает 8 тендеров из 10. При этом тонна проката у этого поставщика стабильно стоила на 4–7% дороже, чем у конкурентов на том же рынке. Поговорить с закупщиком напрямую было не с чем: «мне кажется» аргументом не считается.

Конкурсы «для галочки»

По регламенту крупная закупка должна проходить через тендер с тремя поставщиками, и формально так и было. На деле закупщик отправлял запрос «своим»: двум техническим участникам с заведомо высокими ценами и одному настоящему. Победитель был известен заранее.

Завышенные счёт-фактуры

Закупщик договаривался с менеджером поставщика, и в счёт-фактуру вписывали, например, 118 рублей за метр вместо 110. Разницу забирали себе. Без сравнительной аналитики по рынку и по истории закупок такое не видно. В одном случае разница по одной номенклатуре за год превысила 1,2 млн.

Родственники и связанные компании

В категории спецодежды у одного закупщика выигрывал поставщик, среди учредителей которого был родственник этого закупщика. Заподозрить это мог только тот, кто знал, а специально никто не проверял, поэтому схема спокойно работала 5 лет.

Что сделали

К 1С подключили аналитический ИИ-модуль для закупок. Он объединяет три метода:

  • статистический анализ цен: отклонения от исторического среднего и от рынка;
  • графовый анализ связей между поставщиками, закупщиками и учредителями;
  • детектор паттернов: концентрация, повторяемость, характерная периодичность.

Модуль развернули на сервере клиента, и данные о закупках не покидают компанию.

Аномалии по ценам

Модель обработала 4 года закупочной истории, около 28 тысяч документов. Для каждой номенклатурной позиции она построила нормальный диапазон цен с учётом времени года, объёма и валютного курса. Закупки, вышедшие за коридор на 3 и более стандартных отклонения, попали в список подозрительных. Финдиректор получил сводку: «12 операций со средним завышением 8,4%, по трём поставщикам».

Концентрация у одного поставщика

Модель считает, какую долю закупок конкретного закупщика забирает один поставщик. Если доля аномально высока (например, 80% и выше) и держится годами, операции отправляют на проверку. У закупщика по металлу нашлись два «любимых» поставщика, на которых приходился 91% его закупок, хотя выбирать он мог из 14.

Графовый анализ связей

По ИНН и реквизитам поставщиков подняли данные из ЕГРЮЛ: учредителей, директоров и юридические адреса. Их сопоставили с данными закупщиков из 1С и отдела кадров. Нашлись два эпизода: в первом учредитель поставщика и закупщик зарегистрированы по одному адресу, во втором фамилия учредителя совпадает с фамилией закупщика.

Фиктивные тендеры

В истории тендеров искали характерный набор признаков: одни и те же «технические участники», устойчивое соотношение цен (победитель всегда дешевле двух других на 1–3%) и отсутствие реальной конкуренции. Под этот паттерн попали 17 тендеров.

Дашборд для финдиректора

В 1С появился отчёт «Закупочная гигиена». Это еженедельная сводка, где видны новые аномалии, тренды и операции, которые стоит проверить в первую очередь. Финдиректор просматривает её и вызывает конкретного закупщика, и разговор идёт уже на фактах.

Результат

  • Найдено 17 эпизодов завышения цен за последние 2 года на общую сумму около 3,8 млн.
  • У двух закупщиков родственные связи с поставщиками подтвердились документально, обоих сотрудников заменили.
  • После замены закупщиков и расширения пула поставщиков закупочная себестоимость в категории металл снизилась на 8,2%.
  • Тендеры стали реальной процедурой: средняя экономия по новым тендерам составляет 5–11% к стартовой цене.
  • Текущие закупки отслеживаются в режиме реального времени, и финдиректор узнаёт о подозрительной операции в течение дня.
  • При найме нового закупщика его связи теперь автоматически проверяются по 1С и ЕГРЮЛ.
  • Проект окупился за 2 месяца, причём без учёта выявленных злоупотреблений: хватило расширения пула поставщиков и честных тендеров.

Частые вопросы

Как ИИ определяет завышенную цену в закупке?

Модель строит по каждой номенклатурной позиции нормальный диапазон цен с учётом времени года, объёма и валютного курса. Закупки, которые выходят за этот коридор на 3 и более стандартных отклонения, попадают в список подозрительных.

Как выявить связь закупщика с поставщиком?

По ИНН и реквизитам поставщиков из ЕГРЮЛ поднимают учредителей, директоров и юридические адреса и сопоставляют их с данными закупщиков из 1С и отдела кадров. В кейсе так нашли совпадение адреса регистрации учредителя и закупщика и совпадение их фамилий.

Отправляются ли данные о закупках во внешние сервисы?

Нет. ИИ-модуль развернули на сервере клиента, и данные о закупках остаются внутри компании.