ИИ для оптовой торговли и дистрибуции

Что ИИ делает в оптовой компании: подбор позиций, заявки, аналоги, остатки

Менеджер оптовой компании каждый день делает одно и то же: читает заявку, ищет позиции руками, подбирает замену снятому с продажи, сверяет остаток. Эту работу забирает ИИ, если каталог ведётся, а заявки сохраняются.

Приём заявок: список без артикулов, письмо, фото листа, пересылка из чата

Клиент присылает заявку как ему удобно: письмом со списком без артикулов, фото рукописного листа, пересылкой из чата. Любую форму система сводит к единой структуре — строка, количество, характеристики. Так же устроено извлечение позиций из входящих документов.

Подбор позиций по каталогу на сотни тысяч наименований

Основное время менеджера уходит на поиск наименования среди сотен тысяч позиций. Гибридный поиск ищет кандидатов сразу по смыслу, по точному тексту и по структурным полям — тип, диаметр, материал, бренд — и ранжирует находки заново. У каждой позиции есть уровень уверенности:

• высокая — позиция уходит в корзину сразу;
• средняя — менеджер выбирает из 2⁠–⁠3 вариантов одним нажатием;
• низкая — система задаёт уточняющий вопрос вместо догадки.

На том же механизме работает единый поиск по внутренним данным компании.

Аналоги и замены: чем заменить ушедший бренд

Таблицу замен брендов ведут сотрудники оптовой компании, модель бренды не угадывает. Поверх поиска таблица подставляет разрешённую замену и считает кратность упаковки: заказ на 31 штуку при упаковке по 10 превращается в 40 с пометкой менеджеру.

Продажи и остатки: цифры без ручных выгрузок

Какие позиции продаются, какие зависли, где остаток расходится с резервом — эти цифры собираются из учётной системы сами. На них строится управленческая аналитика на данных учётной системы.

Сеть филиалов выигрывает отдельно: каталог и правила подбора общие, новичок в дальнем филиале подбирает так же, как опытный менеджер в центральном офисе.

Каталог, прайсы и заявки: откуда система берёт данные и куда возвращает результат

Данные система берёт там, где они уже лежат, и возвращает результат менеджеру: в корзину заказа и дальше в 1С. Каталог остаётся живым — синхронизация с 1С идёт по расписанию, новые и снятые с продажи позиции попадают в индекс без ручной работы. На пилоте хватает выгрузок, постоянное подключение настраиваем при полном внедрении. Как связь с учётной системой устроена технически — как нейросеть подключают к 1С.

Ответ по каталогу с опорой на найденные записи называют RAG (Retrieval-Augmented Generation). Как модель отвечает по вашему каталогу и документам, Dzeta AI объяснила отдельно.

Кейсы ИИ в оптовой торговле: дистрибьютор инженерных систем и IzzyBooking

Портфель Dzeta AI — 50+ реализованных проектов, два из них про подбор и поиск.

Оптовый дистрибьютор инженерных систем: заявка любого вида доходит до заказа в 1С

В нашем проекте для оптового дистрибьютора инженерных систем с заявками ежедневно работают более 300 менеджеров, 60 филиалов держатся на едином каталоге и общих правилах, в поисковом индексе 389 тысяч позиций.

Раньше заявки приходили четырьмя способами: список без артикулов; фото рукописного листа с объекта; пересылка из чата с артикулами ушедших брендов; вопрос на подбор — «есть клапан такой-то, что подойдёт». Каждую позицию менеджер искал руками.

Все четыре формы команда Dzeta AI свела к единой структуре, построила гибридный поиск и положила поверх правила дистрибьютора: таблицу замен брендов и кратность упаковки. Строку с высокой уверенностью система кладёт в корзину, на сомнительной задаёт вопрос, готовую корзину переносит в 1С.

После внедрения у дистрибьютора:

• более 300 менеджеров проверяют подобранное вместо ручного поиска;
• заявка любого из четырёх видов доходит до заказа в 1С по одному сценарию;
• спорные позиции видны отдельно и в заказ не уходят;
• каталог и правила подбора одни на все 60 филиалов.

IzzyBooking: поиск обычным языком вместо десятка фильтров

Для IzzyBooking, международного агрегатора и площадки бронирования услуг, Dzeta AI сделала поиск, который понимает запрос обычным языком и собирает предложения более чем от 100 поставщиков.

Запрос система IzzyBooking разбирает на параметры поездки — даты, бюджет, формат отдыха, предпочтения — и ранжирует предложения в реальном времени. Данные поставщиков сведены к одному виду, у каждого есть статус и рейтинг, бронирования идут по расписанию.

Результаты для IzzyBooking:

• данные более чем из 100 источников работают в одном поиске;
• поиск в 3 раза точнее решений с фильтрами и ключевыми словами;
• подборка учитывает предпочтения пользователя.

Работа заняла 3 месяца, с 2025 года площадка в производстве. Механизм тот же, что у оптовика: разные источники, один поиск. Так устроена технология поиска и ответов по своим данным.

Как внедряют ИИ в оптовой компании: аудит, пилот на вашем каталоге, приёмка

Внедрение Dzeta AI ведёт этапами. Критерии успеха и целевое качество фиксируются до старта на данных заказчика — по ним систему и принимают.

Сначала пилот, чтобы проверить гипотезу на ваших данных до большого проекта, и только по его результатам — продуктив. Бюджет уходит и на разработку, и на подготовку каталога: разбор дублей, сведение трёх написаний одной позиции. Почему подготовка каталога — отдельная статья бюджета — разбор в отдельной статье.

Где работает система и кто видит каталог, цены и клиентов

Систему на открытых моделях Dzeta AI разворачивает в контуре заказчика: каталог, цены и клиентская база остаются внутри компании, персональные данные её не покидают (152-ФЗ «О персональных данных»). В ChatGPT и другие внешние сервисы данные не уходят, если заказчик этого не хочет. Журнал фиксирует подтверждения, модель меняется без переделки системы. Свой IT-отдел не нужен: достаточно человека, который понимает процесс и может проверить подбор.

Когда ИИ в оптовой торговле не окупится

Подбор по каталогу окупается, когда каталог ведётся в учётной системе, заявки сохраняются, а позиций столько, что менеджер не помнит их наизусть. Остальные случаи видны ещё на аудите:

• Каталога как данных нет: номенклатура живёт в головах и в переписке, в справочнике дубли и три написания одной позиции.
• Заявки принимают по телефону и нигде не фиксируют: проект начнётся со сбора данных.
• Ассортимент узкий, на поиск уходят секунды: вложения не вернутся.
• Правила замен нигде не записаны и живут у двух человек: подбирать аналоги не на чем.
• Задачу закрывает регламент или настройка 1С — так и напишем в отчёте по аудиту.
• За решение отвечает человек: спорная позиция, цена под конкретного клиента, нестандартная замена.
• Со стороны заказчика некому проверить подбор.