Коротко: Каждой позиции номенклатуры ИИ сопоставляет числовой вектор смысла (embedding), затем относит её к подкатегории эталонного дерева и находит дубли. Вручную менеджер проверяет только позиции, где вероятность ниже 80%. В кейсе производственно-торговой компании на 1С это сократило категорию «Прочее» с 7 100 до 180 позиций, а отчёт по маржинальности стал собираться за 2 минуты вместо 3 дней.
Клиент — производитель и дистрибьютор оборудования для пищевой промышленности: насосы, фитинги, ёмкости, клапаны, расходники, запчасти. Учёт ведётся в 1С. Справочник номенклатуры 14 лет пополняли разные сотрудники. К моменту обращения в нём было 11 800 позиций в 22 категориях, причём 60% товаров лежали в категории «Прочее», а у части товаров категории не было вовсе.
Компания пришла с управленческой проблемой: по группам товаров нельзя было построить ни одного нормального отчёта. Аналитика по категориям существовала только на бумаге, маркетинг не мог планировать акции, отдел закупок не понимал, что происходит в каждой категории. Для любого нового решения позиции приходилось размечать вручную, и это занимало дни.
Что было не так со справочником
60% товаров в «Прочем»
Заводя новую позицию, менеджеры не утруждались выбором из 22 категорий: ставили «Прочее» и шли дальше. За годы там скопилось 7 100 позиций, от гайки M8 до бочки из нержавейки на 5 кубометров.
Дубли в разных категориях
Один и тот же фитинг мог быть заведён трижды: в «Фитингах», в «Запчастях» и в «Прочем». Названия при этом немного отличались, единицы измерения тоже: где-то «штука», где-то «комплект», где-то «упаковка по 10 шт». В сводный отчёт по продажам фитингов половина позиций не попадала.
Аналитика по группам невозможна
Собственник попросил отчёт «маржинальность по категориям за квартал». Маркетолог собирала его три дня: «Прочее» пришлось вручную раскладывать по реальным категориям, а половина дублей считалась дважды. Даже после этого цифры оставались приблизительными.
Товар сложно найти
Менеджер искал «насос центробежный 5 м³/час», а в карточках он назывался по-разному: «Насос ц/б 5 м3/ч», «Насос центробежный 5 куб», «Н/ц/б 5м3», «Помпа центробежная 5 м³». Один поисковый запрос находил один-два варианта. Половину товаров в справочнике менеджер никогда не видел.
Акции наугад
Для акции «скидка на все запчасти» было непонятно, что считать запчастями: только позиции из категории «Запчасти» или ещё товары из «Прочего» с пометкой «запчасть». Маркетолог выбирала по интуиции, поэтому в акцию попадали не все нужные товары или, наоборот, лишние.
Как решали: кластеризация через embeddings
К номенклатуре применили кластеризацию через embeddings. ИИ сопоставил каждой позиции числовой вектор смысла, построенный по названию, описанию, атрибутам, единице измерения и средней цене. Похожие по смыслу позиции автоматически оказались рядом друг с другом.
Авторазметка по категориям
Сначала сформировали эталонное дерево: 6 главных категорий и 47 подкатегорий, каждая с описанием. Затем ИИ по смыслу отнёс каждую из 11 800 позиций к подходящей подкатегории. По каждой позиции он выдавал рекомендацию и вероятность, например «95% — это фитинг латунный». Менеджер проверил только позиции с вероятностью ниже 80%: их оказалось около 600 из 11 800, остальные определились однозначно.
Объединение дублей
Та же модель параллельно искала позиции, которые на деле являются одним товаром. Например, «Насос ц/б 5 м3/ч» и «Насос центробежный 5 кубометров». Группы дублей выводились на проверку, менеджер их подтверждал, после чего карточки сливались. Все остатки и история переносились в мастер-карточку.
Единые единицы измерения
Для каждой подкатегории ИИ предлагал одну единицу измерения. Если в одной категории часть позиций учитывается в штуках, а часть в комплектах, сводные отчёты не работают, поэтому всё привели к единому виду.
Контроль новых карточек
Когда менеджер заводит новую карточку, ИИ сразу предлагает категорию и проверяет, нет ли уже такой позиции. Если находится похожая, появляется окно «возможно, это та же позиция, что и...». Категорию «Прочее» оставили, но позиция попадает туда, только если ИИ не уверен в категории и менеджер сознательно соглашается с этим выбором.
Результат
- Категория «Прочее»: с 7 100 до 180 позиций (минус 97,5%).
- Дубли: 2 400 позиций объединены в мастер-карточки с переносом всей истории.
- Дерево категорий: 6 верхних категорий и 47 подкатегорий, у каждой есть описание, все используются единообразно.
- Отчёт «маржинальность по категориям» собирается за 2 минуты вместо 3 дней, и цифрам в нём можно доверять.
- Поиск товара в справочнике стал в 3 раза быстрее: дублей меньше, теги лучше.
- Маркетинг запускает акции по подкатегориям без ручной правки списка, и в акцию попадают именно нужные товары.
- Проект окупился за 5 месяцев. Окупаемость считали по времени, которое освободилось у маркетолога и менеджеров.
Частые вопросы
Сколько позиций пришлось проверять вручную после авторазметки?
Около 600 из 11 800. Менеджер проверял только позиции, у которых вероятность попадания в подкатегорию была ниже 80%, остальные ИИ разметил однозначно.
Что происходит с остатками и историей при объединении дублей?
Модель выводит группы дублей на проверку, менеджер их подтверждает, и карточки сливаются. Все остатки и история переносятся в мастер-карточку. Так объединили 2 400 позиций.
Как не допустить нового беспорядка в справочнике?
При заведении новой карточки ИИ сразу предлагает категорию и проверяет, нет ли уже похожей позиции. Если есть, менеджер видит предупреждение. В «Прочее» позиция попадает, только если ИИ не уверен и менеджер сознательно соглашается с таким выбором.