ИИ на складе

Ещё одна задача, которую раньше делали вручную и нерегулярно (в лучшем случае — раз в квартал, а по факту иногда и реже) — пересчёт лимитов хранения по товарным группам, исходя из доли продаж. Смысл простой: сколько места на складе выделять под конкретную категорию, должно зависеть от того, как она продаётся сейчас, а не от того, как её оценили год-два назад при заведении в ассортимент. На практике статичный подход ломается сразу по нескольким причинам. Во-первых, доля продаж меняется быстрее, чем успевают пересматривать лимиты вручную — категория, которая полгода назад продавалась вяло, может неожиданно выстрелить, а место под неё на складе остаётся прежним...

Разберу конкретный промпт, который использую для поиска аномалий в выгрузке из WMS — не абстрактную идею «дай ИИ данные и жди чуда», а рабочую последовательность шагов, которая реально экономит время каждую неделю. Первая и самая частая ошибка — просить ИИ «найди аномалии» без уточнений. На выгрузке в несколько тысяч строк это почти всегда заканчивается одним из двух исходов. Либо модель топит вас в полусотне сомнительных строк, потому что не знает, какой разброс для вашего склада нормальный, а какой — уже проблема. Либо выдаёт три общих наблюдения вроде «продажи колеблются по дням недели» — верно, но бесполезно для работы...

Склад — это не хаос коробок, а система адресов: у каждого товара есть основной адрес хранения, есть буферные ячейки для приёмки, есть зоны с разным SLA на обработку. Когда эта система выстроена, погрузчик или сборщик тратит на путь до товара минимум времени — маршрут короткий и предсказуемый. Проблема в том, что при росте ассортимента система «заплывает», причём сразу по нескольким причинам. Во-первых, адрес товару обычно назначают один раз, в момент завода в ассортимент, и потом годами не пересматривают — даже если оборачиваемость выросла в разы, товар так и лежит в дальнем углу склада, как будто продаётся раз в квартал...

Один из самых частых источников потерь на складе — отклонения на приёмке: расхождения по количеству, не тот артикул, повреждённая упаковка. Проблема в том, что она копится незаметно: один случай на пару сотен позиций кажется мелочью, а за месяц на крупном складе выливается в заметную сумму списаний и разбирательств с поставщиками. Если разложить отклонения по типам, картина обычно такая: примерно треть — банальная недостача или излишек против заявленного количества, ещё треть — пересортица (привезли не тот артикул или не тот объём упаковки), остальное — брак и повреждения при транспортировке, плюс отдельная небольшая, но неприятная категория — товар, которого вообще не было в заказе...