Что видит планировщик
Прогнозирование спроса
По каждому SKU, клиенту и региону на 30–90 дней с учётом истории, сезонности и канала продаж.
Кейс · FMCG, коммерческое планирование
От Excel-файлов к единой платформе коммерческого планирования
Международный производитель товаров для личной гигиены объединил прогноз, цены, скидки и промо в одном инструменте — вместо десятков разрозненных Excel-файлов.
10×быстрее цикл планирования
Sell-in ↔ Sell-outв одном контуре
AIотвечает на вопросы по данным
10×быстрее цикл коммерческого планирования
001
Почему десятки Excel-файлов больше не работали
Международный производитель товаров для личной гигиены вёл коммерческое планирование в разрозненных таблицах — прогноз, цены, скидки и промо жили отдельно друг от друга.
01
Десятки разрозненных файлов
Прогноз, цены, скидки и промо велись в отдельных Excel-файлах без единого источника правды.
02
Две недели на цикл планирования
Сбор и сверка данных из разных файлов и систем занимали основную часть цикла.
03
Sell-in и sell-out — по отдельности
Не было единой картины: что отгружено клиенту и что реально продано конечному покупателю.
Прогнозирование
→
Ценообразование
→
Скидки и промо
→
Sell-in ↔ Sell-out
Специфика
Четыре инструмента вместо выгрузок
Пользователь работает не с выгрузками, а с интерфейсами: прогноз, цены, скидки и автоматизация данных — в одном инструменте, с прайс-листами по странам и версиями прогнозов.
Что получает команда
Ценообразование, скидки и промо
Конструктор скидок и условий: правила, рекомендации и история изменений по клиентам, регионам, объёмам и промо.
Что видно каждый день
Коммерческий дашборд и данные
Продажи, цены, ASP, остатки, оборачиваемость и план vs факт в одном окне. Excel, 1С и BI — с ежедневным обновлением.
Результат
Что получил бизнес
Единая платформа коммерческого планирования вместо разрозненных таблиц.
Маржинальность
+10–20%
Рост за счёт точного прогноза, единых цен и скидок по каждому SKU и клиенту.
Затраты на склад и логистику
−15–20%
Снижение за счёт более точного прогноза спроса и планирования остатков.
Время менеджеров на отчётность
−50–70%
Данные обновляются автоматически — меньше ручной сверки и выгрузок.
Окупаемость проекта
3–6 мес.
Платформа выросла из хранилища: сначала данные, затем модели, потом интерфейсы.
В интерфейсе
Один контур для sell-in и sell-out
Планируем, что и по какой цене отгрузить, и видим, что реально продаётся конечному покупателю — в одном окне, с разрезами по каналам и периодам.
udev.forecast · Дашборд · Продажи и прибыль в динамике
Sell-in ↔ Sell-out
План отгрузки и факт продаж рядом
Прайс-листы по странам
Россия, Беларусь, Казахстан
Версии прогнозов
История изменений плана
AI-ассистент
От вопроса словами до проверяемого SQL
Поверх сведённых данных работает команда агентов. Вопрос задаётся обычным языком, система сама раскладывает его на части и собирает запросы по проверенному контракту.
01
Вопрос на естественном языке
→
02
Агенты разбирают параллельно: точки, ассортимент, цена, спрос
→
03
Запрос собирается кодом по проверенному контракту
→
04
Ответ с привязкой к конкретным запросам и строкам
udev.forecast · Аналитик по продажам · Консилиум агентов
udev.forecast · Журнал исследования
41 из 68 точек продаж падают за год−14,3% год к году (2 296 400 → 1 968 100 шт.), но 12 точек дают почти весь минус.
23 из 68 точек — по последнему месяцу−6% месяц к месяцу — набор проблемных точек уже другой.
Принцип доверия к цифре
Модель не пишет SQL сама — она описывает, что нужно посчитать, а запрос собирает код по проверенному контракту. Каждое число привязано к конкретному запросу и строкам данных. Подключение только на чтение. Пример прогона: 3 волны из 5, 14 запросов, 21 факт, 7 гипотез, покрытие 7 из 7.
Единая платформа вместо десятков файлов
Компания получила связанную систему коммерческого планирования: прогноз, цены, скидки, промо и AI-аналитику — на одной платформе, с прозрачным sell-in и sell-out.