Автоматизация учета

Трансформационный потенциал искусственного интеллекта в сфере аналитики и прогнозирования

На сегодня внедрение ИИ в бизнес-процессы демонстрирует особый потенциал для преодоления операционных барьеров и роста эффективности. В рамках исследования мы рассмотрим опыт его использования во всеми известных компаниях: Amazon Pharmacy, BMW Group и Caterpillar Inc.
Трансформационный потенциал искусственного интеллекта в сфере аналитики и прогнозирования
Иллюстрация: Вера Ревина/Клерк.ру

Amazon Pharmacy имплементировала AWS Supply Chain — система облачных инструментов машинного обучения (МО) для автоматизации прогнозирования объемов рецептурных препаратов. Решение внедрили в целях устранения фрагментированности и неэффективности прежних процессов планирования. До внедрения компания сталкивалась с операционными препятствиями: прогнозирование осуществлялось через разрозненные электронные таблицы множества изолированных команд, провоцируя длительные циклы работы, высокие трудозатраты и несогласованность прогнозов [1].

Внедрение централизованной МО-системы нивелировало недостатки через консолидацию данных и применение моделей Amazon SageMaker. Автоматический выбор оптимальных алгоритмов прогнозирования создал унифицированный процесс планирования. В результате преобразований точность прогнозирования улучшилась на 50% относительно среднеотраслевого показателя MAPE (средняя абсолютная процентная ошибка), а еженедельные трудозатраты на планирование сократились на 13%, т. е. 5 человеко-часов в неделю [1]. Трансформация процесса генерации прогнозов «с дней до часов» радикально повысила операционную динамику организации.

Автомобилестроительный концерн BMW на заводе в Регенсбурге внедрил систему предиктивного обслуживания на базе ИИ для конвейерной инфраструктуры. Решение «Smart Maintenance» мониторило сенсорные данные (токи двигателей, вибрация, температура) в реальном времени для выявления аномалий и прогнозирования потенциальных сбоев конвейера. До внедрения ИИ обслуживание оборудования происходило в реактивном режиме: при возникновении неисправности производственная линия останавливалась. Учитывая, что на заводе BMW в Регенсбурге новый автомобиль сходит с конвейера каждые 57 секунд — даже непродолжительные остановки оборудования существенно снижали производительность [4].

Внедрение непрерывно анализирующей информацию сенсорных данных и прогнозирующей потенциальные сбои системы ИИ позволило перейти от реактивной к проактивной модели обслуживания. Технические специалисты теперь получают ранние предупреждения о потенциальных сбоях (часто за несколько дней), позволяя планировать техническое обслуживание в оптимальные периоды. В результате система прогностического обслуживания предотвращает в среднем 500 минут простоя сборочного конвейера ежегодно на заводе в Регенсбурге [4]. Учитывая, что Регенсбург производит около 1000 автомобилей в рабочий день, предотвращение 500 минут простоя эквивалентно сохранению производственной мощности для сотен дополнительных автомобилей в год.

Финансовый дивизион Caterpillar имплементировал платформу прогнозирования на базе МО для модернизации процессов бюджетирования и финансового планирования. В коллаборации с консультантами EY была внедрена основанная на современной инфраструктуре данных и аналитики система «EY Intelligent Forecasting and Scenario Modeling» [3]. До этой инициативы квартальный процесс прогнозирования Caterpillar опирался на «десятилетиями устаревшие процессы» с данными из сотен источников и бесчисленными электронными таблицами. Финансовая команда затрачивала три недели (21 день) на генерацию базовых прогнозов, оставляя минимальный временной ресурс для аналитики.

Внедрение ИИ-решения устранило прежние ручные процессы. Сложные ETL-операции и составление электронных таблиц заменились автоматизированными потоками данных. МО-система автоматизировала выбор моделей и расчетные процессы, снизила трудозатраты. Финансовые прогнозисты освободились от необходимости определять оптимальные статистические модели — система тестировала параллельные модели и выбирала наиболее эффективную.

В результате цикл квартального прогнозирования Caterpillar сократился с 21 дня до 30 минут [2] — сокращение на 99%. Параллельно улучшилась точность прогнозирования благодаря data-driven моделям; EY фиксирует, что МО-инструменты «демонстрируют улучшенную точность прогнозирования» в сравнении с прежними методологиями [3]. Помимо временной экономии, организация отметила снижение повторяющихся задач: планировщики переориентировались с ручных вычислений на валидацию генерируемых ИИ прогнозов.

Обобщим полученные результаты и проиллюстрируем изменения показателей KPI в рассматриваемых организациях до и после внедрения автоматизаций на основе ИИ (см. Рисунок 1). 

Рисунок 1. Показатели KPI Amazon Pharmacy, BMW Regensburg и Caterpillar до и после внедрения ИИ
Рисунок 1. Показатели KPI Amazon Pharmacy, BMW Regensburg и Caterpillar до и после внедрения ИИ

Во всех рассмотренных кейсах организации осуществили транзит от ручных или ограниченных систем к ИИ-расширенной автоматизации.

В сфере точности прогнозирования Amazon Pharmacy и Caterpillar зафиксировали снижение прогностических ошибок (порядка 50% в относительных показателях). В контексте временных затрат циклы планирования всех исследованных организаций сократились: от многодневных до часовых процессов в Amazon Pharmacy и от трехнедельного до получасового цикла в Caterpillar. В т. ч. сократились трудозатраты: Amazon Pharmacy фиксирует экономию 5 часов/неделю в планировании (около 13% времени планировщиков), а Caterpillar эффективно экономит десятки человеко-дней ежеквартально через автоматизацию задач.

В операционном измерении BMW зафиксировала 30–45% снижение незапланированных простоев (500 минут экономии на одном заводе), увеличив производственную мощность оборудования. Аналогично оптимизированное планирование запасов и персонала в Amazon Pharmacy избежало затраты избыточного штата или дефицита товаров.

В России в настоящий момент команда ИТ-компании ФИНАТЕК помогает на всех этапах: оценивает потребности, подбирает подходящие платформы и встраивает прогнозную аналитику в рабочие процессы. Сотрудничая с данной компанией вы быстрее получите практические результаты и узнаете, как современные ИИ-технологии могут решить ваши бизнес-задачи.

Список использованной литературы:

  1. Amazon Pharmacy increases forecast accuracy and reduces manual efforts with AWS Supply Chain : Amazon Pharmacy Case Study : AWS // Amazon Web Services. [Электронный ресурс] — URL: https://aws.amazon.com/solutions/case-studies/amazon-pharmacy-case-study (дата обращения: 27.04.2025). 

  2. How AI Can Help Your Company Set a Budget // Harvard Business Review. — 2024. — Ноябрь. [Электронный ресурс] – URL: https://hbr.org/2024/11/how-ai-can-help-your-company-set-a-budget (дата обращения: 27.04.2025). 

  3. How Caterpillar is using technology on its journey to improve financial forecasting // Ernst & Young. [Электронный ресурс] — URL: https://www.ey.com/content/dam/ey-unified-site/ey-com/en-gl/insights/consulting/documents/ey-caterpillar-case-study.pdf (дата обращения: 27.04.2025). 

  4. Smart maintenance using artificial intelligence // BMW Group. [Электронный ресурс] — URL: https://www.press.bmwgroup.com/global/article/detail/T0438145EN/smart-maintenance-using-artificial-intelligence?language=en (дата обращения: 27.04.2025). 

РАМЗЭС 2.0 — разумное финансовое планирование

РАМЗЭС 2.0 — разумное финансовое планирование

Реклама: ООО «ФИНАТЕК», ИНН 7731475901, erid: 2W5zFGH1ESc

Информации об авторе

Начать дискуссию

Интересные материалы