Склад сам решает, что закупить, переоценить и убрать

Intropy привлёк 11 миллионов долларов на платформу, которая превращает управление запасами в самостоятельный процесс с измеримым возвратом.

Зачем складу разбираться в каждой детали?

Intropy построил платформу для компаний, которые закупают и продают запчасти. Она помогает понять, какой товар понадобится дальше, какую цену поставить уже имеющемуся товару и от каких остатков лучше избавиться заранее.

Специфика такого бизнеса в масштабе ассортимента. У среднего продавца около 40 тысяч разных артикулов, и у команды просто не хватает времени следить за каждым из них. Вручную обычно достаётся внимание самым ходовым позициям, а весь длинный хвост остаётся без нормального управления.

Именно здесь начинается проблема управления товарными запасами. Недостающая деталь превращается в потерянную продажу, а невостребованная - в деньги, которые нельзя использовать для новых закупок. Поэтому речь идёт не о красивой аналитике, а о ежедневных решениях, напрямую связанных с выручкой и оборотным капиталом.

Для обычного бизнеса из этого следует простая мысль: автоматизировать стоит не отчёт ради отчёта, а конкретное действие после отчёта. Если система видит риск нехватки или залежавшегося товара, она должна помогать сразу менять закупку, цену или маршрут самого товара.

Три модуля платформы

Первый модуль оценивает будущий спрос. Он смотрит на историю продаж, обращения покупателей, сезонность и изменения автопарка в конкретном регионе. На выходе получается список запчастей для заказа, который можно обновлять ежедневно или подстраивать под минимальную сумму поставки.

По данным использования платформы, такой прогноз снижает число отказов из-за отсутствия нужной детали на 25%. Для продавца это даёт как минимум 5% дополнительной выручки. Важна здесь не только точность модели, но и привязка результата к конкретным розничным точкам.

Второй модуль меняет цены на складские позиции. Он ищет компромисс между скоростью продажи и размером маржи: слишком высокая цена задержит товар, а слишком низкая ускорит продажу ценой прибыли. Для каждой запчасти строится зависимость спроса от цены с учётом закупочной стоимости, предложений конкурентов и перехода от коммерческого предложения к покупке.

Ограничения можно задать заранее. Например, продавец определяет нижнюю и верхнюю границы, причём они могут различаться для разных типов и объёмов продаж. Пересчёт способен проходить ежедневно по всему каталогу.

Третий модуль ищет будущий мёртвый груз. Для каждой позиции он рассчитывает риск долгого хранения и может остановить новый заказ, если товар выглядит опасным с точки зрения замороженного капитала. Дальше система предлагает снизить цену, переместить деталь в другую точку или продать её оптом.

Так выстраивается управление складскими запасами: прогноз отвечает за наличие, цены - за скорость и прибыльность, а контроль рисков - за то, чтобы закупка не превращалась в бесконечное накопление остатков.

Почему разговор об ИИ нужно начинать с прибыли?

Сейчас многие компании внедряют ИИ, потому что не хотят отстать от общего движения. Но сам факт внедрения ещё ничего не говорит о результате. Главный вопрос звучит гораздо практичнее: принесла ли система больше денег, чем стоило её подключение?

Intropy строит отношения с клиентом вокруг ROI, то есть возврата на инвестиции. Сначала платформа появляется в рабочем процессе. Затем стартап вместе с клиентом считает эффект. После этого они ищут, как поднять результат ещё выше.

Для расчёта подойдёт метрика, которую можно достаточно часто и понятно проверять: количество продаж, маржа, выручка или стоимость залежавшихся остатков. Смысл не в универсальной формуле, а в том, чтобы показатель действительно отражал боль конкретного бизнеса.

Для процесса управления запасами это особенно важно. Можно долго спорить о качестве прогнозирования спроса, но гораздо полезнее посмотреть, стало ли меньше отказов, выросла ли маржа и уменьшилась ли сумма капитала, застрявшего на складе.

ROI на уровне 1x означает лишь возврат вложенной суммы. Хорошей целью для ИИ-платформы автор считает 5-10x: на каждый вложенный доллар должно возвращаться как минимум 4 доллара сверх первоначального вложения. Именно такая постановка переводит внедрение из технологического эксперимента в разговор о бизнес-результате.

Как Intropy превращает аналитику в рабочий цикл?

Грубо говоря, механизм выглядит так: сначала машина собирает сигналы по продажам, ценам и остаткам. Затем она предлагает закупку, переоценку или сокращение запаса. После этого бизнес получает новый результат, который можно сравнить с выбранной метрикой ROI.

Такой подход отвечает на вопрос, как устроен процесс управления запасами в автоматизированной компании. Это не разовая инвентаризация и не ежемесячная встреча с таблицами, а повторяющийся контур: увидеть изменение, принять решение, измерить последствия и скорректировать следующее действие.

Самостоятельность платформы не означает бесконтрольность. Продавец заранее задаёт допустимые границы цен, условия заказов и правила, за которые алгоритм не должен выходить. Если результат не устраивает, ограничения можно изменить.

Повторяемость здесь важнее разовой точности. Один удачный прогноз не меняет бизнес, а постоянный цикл решений способен постепенно выровнять ассортимент, цену и объём запасов. Это уже не просто прогнозирование спроса, а работающая операционная привычка, перенесённая из головы нескольких сотрудников в систему.

1. Собрать сигналы

   Платформа анализирует продажи, запросы покупателей, сезонность, цены поставщиков и конкурентов, а также региональную специфику.

2. Сформировать действие

   Модули предлагают заказать нужные позиции, изменить цену или сократить рискованные остатки.

3. Проверить результат

   Компания сравнивает изменения с выбранной бизнес-метрикой и оценивает получившийся ROI.

4. Повторить и улучшить

   Новые данные используются для следующего цикла, а правила и ограничения уточняются вместе с клиентом.

Автономность, но не самодеятельность

Компаниям не нужны очередные дашборды с длинными списками рекомендаций. Если таких строк около 40 тысяч, аналитик всё равно не сможет содержательно разобрать каждую. Ценность появляется в тот момент, когда система сама переводит наблюдение в действие.

Но алгоритм не должен получать право делать всё подряд. Человеческая роль здесь похожа на настройку коридора: бизнес определяет, какие цены допустимы, какие заказы опасны и в каких случаях требуется дополнительное решение. Внутри этих рамок машина работает постоянно.

Эта логика применима далеко за пределами запчастей. Любой рынок с большим ассортиментом и повторяющимися решениями может использовать тот же принцип: алгоритм ежедневно смотрит на множество позиций, а человек задаёт правила, цели и исключения.

Для повторения подхода не обязательно строить сложную систему сразу. Сначала достаточно описать, какое решение принимается, какие данные на него влияют и чем измеряется успех. Если эта схема ясна, технологическая обвязка становится задачей реализации, а не источником бизнес-идеи.

Результаты, на которых держится модель

Платформа начала работу в 2024 году. За это время через неё прошли каталоги запчастей общей стоимостью больше 10 миллиардов долларов.

По результатам использования первый модуль на 25% сокращает отказы из-за отсутствия товара и даёт продавцу минимум 5% роста выручки. Модуль цен увеличивает число продаж на 33% при росте маржи на 14%. Третий модуль снижает стоимость мёртвого груза на 91% и предупреждает о риске примерно за 3 месяца.

Это хороший пример того, как должна выглядеть оптимизация управления запасами. У неё нет одной волшебной цифры: разные части системы отвечают за наличие, прибыльность и оборотный капитал. Но каждая часть может быть привязана к показателю, который понятен руководителю бизнеса.

Новые инвестиции размером 11 миллионов долларов стартап получил 30.07.2026. Деньги британская компания направит на выход в США и дальнейшее развитие в Европе.

Куда бежать с этой механикой?

Рынок продажи запчастей, включая автомобили и оборудование, в 2027 году должен достичь 1.5 триллиона долларов. Но важен здесь не только его размер. Важнее признак, по которому можно искать похожие ниши: много артикулов, постоянные закупки, изменяющийся спрос и заметная цена ошибки на каждой позиции.

Та же механика может работать в любой сфере с длинным хвостом ассортимента. Если сотрудники успевают вручную следить только за самыми популярными товарами, а остальные позиции влияют на прибыль и замораживают деньги, там уже есть задача для автоматизированного управления запасами.

Начинать стоит с простого вопроса: какое решение сейчас принимается слишком редко или слишком грубо? Затем нужно выбрать показатель, собрать данные для его расчёта и описать допустимые действия алгоритма. После этого можно проверять гипотезу на одном процессе, а не пытаться сразу автоматизировать весь бизнес.

Чтобы проверить эту мысль, не нужен ни раунд, ни большая команда: механику Intropy можно описать словами, а обвязку собрать на вайб-кодинге. Например, сделать прототип, который принимает историю продаж и ограничения, формирует список закупок или переоценки, а затем показывает изменение выбранной метрики ROI.

А в какой сфере есть большой ассортимент, повторяющиеся решения и дорогие ошибки из-за ручного управления? Какую метрику взять главной, чтобы проверить, действительно ли такой алгоритм увеличивает прибыль? 🤔🚀

В какой сфере можно применить такую механику и какую метрику прибыли взять для совместной оптимизации с клиентом? 🤔🚀

Вопросы и ответы