Представим подготовку к встрече с аптечной сетью. Менеджеру нужно понять, как изменились продажи, какие препараты обеспечили рост, где сократились закупки и не накапливаются ли избыточные остатки.
Все необходимые сведения могут уже находиться в корпоративных системах. Но между «данные есть» и «к переговорам всё готово» остаётся работа: найти отчёты, проверить периоды, сопоставить показатели, выделить отклонения и сформулировать вопросы клиенту.
Именно такой рабочий эпизод стоит рассматривать как отправную точку для внедрения ИИ. Не абстрактное желание автоматизировать аналитику, а конкретная задача, которая регулярно требует времени коммерческой команды.
В этой статье речь пойдёт не о разработке лекарств или медицинских рекомендациях, а об использовании искусственного интеллекта для работы с коммерческими данными: продажами, остатками, дистрибуцией и выполнением планов.
Почему внедрение ИИ начинается с подготовки данных
Прежде чем спрашивать систему, что происходит с продажами, нужно договориться, какие именно продажи она должна анализировать.
Отгрузка производителя дистрибьютору, поставка в аптеку и продажа конечному покупателю относятся к разным этапам движения товара. В аналитике важно различать эти операции, а не объединять их в один показатель. Аналогично необходимо отделять продажи от внутренних перемещений и корректно обрабатывать остатки. Такой подход используется при построении аналитики МДЛП в Aspect.
Теперь представим, что один дистрибьютор передаёт сведения по внутренним кодам продукции, другой использует собственные названия, а аптечная сеть иначе обозначает те же товарные позиции. Без сопоставления товарных справочников ответ на вопрос о динамике конкретного препарата будет зависеть от того, какие строки попали в расчёт.
Похожая ситуация возникает с аптеками: разные адресные записи и коды могут относиться к одной точке. Если считать их отдельными объектами, анализ покрытия и распределения продаж окажется искажённым. Поэтому дедупликация и маппинг торговых точек — не вспомогательная техническая операция, а основа корректной аналитики.
Удобный AI-чат не устраняет эти проблемы сам по себе. Сначала данные нужно сделать сопоставимыми.
В экосистеме эту задачу решает сервис SellOut+: он консолидирует доступные компании данные сетей, дистрибьюторов, маркетплейсов и систем маркировки, обрабатывает разные форматы и объединяет дубли товаров, аптек и других участников цепочки продаж.
Для оценки покрытия и поиска точек, в которых продукция ещё не представлена, можно использовать эталонную базу аптек и торговых точек Universe. Она помогает сопоставить собственную дистрибуцию с базой потенциальных точек продаж.
Мы работаем с источниками, к которым у заказчика есть доступ. Это не поставка готовой рыночной статистики: задача заключается в том, чтобы превратить собственные и партнёрские данные компании в пригодную для анализа информацию.
Как связаны SellOut+, Aspect и AI-чат
Для внедрения ИИ в коммерческую аналитику полезно разделить три задачи: подготовку данных, расчёт показателей и взаимодействие с пользователем.
SellOut+ подготавливает входящую информацию. На этом этапе важны сбор данных от аптечных и розничных сетей, загрузка отчётов дистрибьюторов, контроль качества, сопоставление продуктов и торговых точек. Вместо разрозненных файлов компания получает данные, которые можно использовать совместно.
Aspect формирует аналитическую среду. Платформа объединяет хранилище данных, бизнес-правила, многомерную аналитику и дашборды. В неё можно подключать подготовленные данные из SellOut+, а также сведения из ERP, CRM и других систем. Аналитическая модель доступна через дашборды, Excel и программные интерфейсы.
AI-чат к данным становится дополнительным способом работы с этой информацией. Пользователь задаёт вопрос о продажах, остатках или каналах обычным языком. Ответ строится на доступных ему данных и справочниках, с учётом бизнес-контекста.
Эта связка не требует отказываться от привычной отчётности. Дашборд остаётся удобным инструментом регулярного контроля, Excel — для самостоятельной работы аналитика, а диалоговый интерфейс помогает разбирать вопросы, которые возникают по ходу рабочего дня.
Три практических сценария для фармацевтической компании
Ниже — примеры задач, с которых можно начать обсуждение AI-аналитики. Возможность выполнить конкретный запрос зависит от состава подключённых данных, доступных показателей и настройки модели.
Подготовиться к переговорам с аптечной сетью
Менеджеру нужна не полная выгрузка за несколько месяцев, а краткая и проверяемая картина по клиенту.
Первый вопрос может звучать так: «Сравни продажи сети за последний завершённый месяц с предыдущим в упаковках». Затем анализ можно уточнять: выделить препараты с наибольшим изменением, посмотреть регионы, сопоставить продажи и остатки за согласованный период.
Рабочий результат такого сценария — перечень отклонений, которые стоит обсудить с партнёром. Где сократился ассортимент? По каким позициям изменилась динамика? Какие данные необходимо уточнить перед согласованием следующей поставки?
ИИ здесь не ведёт переговоры и не выбирает коммерческие условия. Он помогает подготовить фактическую основу для разговора.
Разобрать отклонение от плана
Коммерческий директор видит общий результат, но для действий нужна детализация.
Вместо последовательного просмотра всех отчётов можно выстроить анализ вокруг вопроса: «Какие клиенты и товарные позиции дали наибольший вклад в отклонение от плана?»
Дальше — проверить территории, ассортимент и периоды. Цель состоит в том, чтобы перейти от общей цифры к конкретному участку бизнеса, который требует внимания.
Здесь важно различать вклад в изменение показателя и причину этого изменения. Если значительная часть снижения приходится на одну сеть, это ещё не объясняет, почему она стала продавать меньше. Для проверки понадобятся дополнительные сведения: о наличии товара, закупках, ассортиментной матрице или условиях работы.
Полезный аналитический ответ не маскирует этот пробел уверенной формулировкой, а помогает определить следующий вопрос.
Найти ситуации, где продажи и остатки расходятся
Отдельный сценарий — поиск товарных позиций, по которым остатки растут одновременно со снижением продаж.
Рабочий запрос может быть таким: «Покажи клиентов, у которых за выбранный период увеличились остатки и сократились продажи». Затем можно проверить отдельные препараты, длительность изменения и дату обновления исходных отчётов.
В аналитической платформе Aspect предусмотрены инструменты анализа продаж и остатков по сетям и регионам, а также расчёта показателей, включая остатки в днях продаж. При работе с маркировкой дополнительную основу для такого анализа даёт обработка данных МДЛП.
Но найденное отклонение — не готовое указание сократить поставки. Например, увеличение запасов может быть связано с подготовкой к согласованной активности. Роль аналитики — выделить ситуацию для проверки, а решение остаётся за сотрудниками, которые знают контекст клиента.
Что делает ответ ИИ пригодным для работы
Для коммерческой аналитики недостаточно получить связный текст. Сотруднику нужно понимать, какие данные и правила стоят за выводом.
Мы предлагаем оценивать AI-интерфейс по трём критериям.
Определённость показателя. Вопрос «Как изменились продажи?» может относиться к упаковкам или рублям, отгрузкам или розничным продажам. При существенной неоднозначности системе следует уточнять запрос, а не незаметно выбирать один из вариантов.
Проверяемость расчёта. В ответе важно видеть период, единицы измерения и применённые ограничения. Один и тот же показатель на одной версии данных, с одинаковыми фильтрами и правилами должен давать одинаковый результат — независимо от слов, которыми задан вопрос.
Соблюдение прав доступа. Диалоговый интерфейс не должен открывать сотруднику информацию, недоступную ему в обычной отчётности. В AI-чате Aspect ответы учитывают доступные пользователю данные, роли и правила инфраструктуры.
Поэтому при проектировании решения мы разделяем понимание запроса и вычисление показателей. Языковая модель помогает интерпретировать вопрос, а формулы и бизнес-правила необходимо закреплять в аналитической модели.
Не столь важно, каким техническим способом формируется запрос к данным. Важно, чтобы ИИ не определял заново, как учитывать возвраты, к какому каналу относить клиента или за какой период считать выполнение плана.
Где заканчивается анализ и начинается гипотеза
Ещё одно условие доверия — чётко отделять то, что подтверждено данными, от предположений.
Допустим, продажи выросли во время промоактивности. Это наблюдение. Однако само совпадение по времени не доказывает, что весь прирост обеспечило промо. Для такой оценки потребуется методика сравнения и проверка других возможных объяснений.
С прогнозами действует похожий принцип. Если компания хочет получать ответ о будущих продажах, необходимо определить метод прогнозирования и способ проверки его качества. Текстовое продолжение текущего тренда нельзя автоматически считать надёжным прогнозом.
Для прикладной ИИ-аналитики мы предлагаем следующую последовательность:
подтверждённый факт → детализация изменения → возможные объяснения → данные, необходимые для проверки → следующий шаг сотрудника.
Такой подход помогает не только быстрее разбирать отчётность, но и сохранять профессиональный контроль над выводами.
Как оценить пользу AI-аналитики на пилоте
Начинать разумнее не с подключения всех источников и функций, а с ограниченного набора рабочих вопросов.
Например, выбрать подготовку к встречам с аптечными сетями и разбор план-факта. Для этих сценариев определить необходимые данные, согласовать показатели и подготовить контрольные ответы, проверенные аналитиками.
После этого сравнить два способа выполнения одной задачи: привычный процесс и работу через AI-чат к корпоративным данным.
Первое, что стоит измерять, — время до проверенного ответа. Не скорость появления первой фразы на экране, а длительность всей работы, включая уточнения и проверку результата.
Второе — качество. Совпали ли цифры с контрольным расчётом? Корректно ли выбран период? Не пропущены ли важные ограничения? Как система повела себя, когда нужных данных не оказалось?
Третье — изменение нагрузки команды. Какие повторяющиеся запросы сотрудники стали выполнять самостоятельно? Сколько уточнений по-прежнему требуется аналитикам? На какие задачи удалось направить высвободившееся время?
Сэкономленные часы сами по себе ещё не означают снижение расходов или рост продаж. Финансовый эффект нужно оценивать отдельно — с учётом стоимости решения, сопровождения и того, как компания использует освободившиеся ресурсы.
С какого вопроса начать
Для первого обсуждения не обязательно готовить большое техническое задание. Достаточно выбрать вопрос, который коммерческая команда задаёт регулярно, но ответ на который сегодня требует нескольких отчётов или участия аналитика.
Например: «Какие изменения по аптечной сети нужно разобрать до следующей встречи?»
Затем определить, где находятся необходимые сведения, можно ли их сопоставить и какие показатели должны войти в ответ.
Именно вокруг такого сценария имеет смысл выстраивать работу SellOut+ и Aspect: от подготовки источников — к согласованной аналитике и удобному доступу к ней.
Обсудите с командой SellOut+ ваш сценарий работы с AI-чатом. На демонстрации разберём, какие данные понадобятся, как организовать анализ и что проверить на пилоте перед масштабированием.