Автозаказ ЕКТ — заказ поставщикам за секунды, а не полдня в Excel

Проблема. Менеджер закупа «Электрокомплекта» вручную сводит в Excel продажи, остатки и товары в пути по 3 600 артикулам. Это полдня работы, поэтому заказ считают редко — одних товаров нет на складе, другие лежат лишними.

Решение. Сервис по выгрузкам 1С сам считает, сколько заказать каждого товара и у какого поставщика, объясняет каждую строку человеческим языком и отдаёт готовый Excel для 1С. Человек только проверяет и утверждает.

Результат на реальных данных компании (март–август 2026): случаев «товара нет на складе» — −54% у IEK (при этом запас −5%) и −72% у Systeme Electric.

Кейс: ТОО «Электрокомплект» (ekt.kz) · Трек: Логистика · Стек: Python · pandas · Streamlit · OpenAI · Тесты: 30 автотестов · Ключи для проверки не нужны

Запуск за 1 минуту

./run.sh          # macOS / Linux  →  http://localhost:8501
run.bat           # Windows

Первая загрузка читает выгрузки 1С ~20 с. Питч-лендинг: http://localhost:8501/app/static/landing.html (или двойной щелчок по app/static/landing.html).

Навигация и критерии оценки

Критерий оценки	Где в README
Проблема и ценность	2. Краткое описание · Результат на реальных данных
Функциональность прототипа	3. Что реализовано · 4. Как работает · 8. Как проверить
Техническая реализация	5. Технологии · 6. Архитектура
Практическая применимость	12. Практическая применимость
Потенциал развития	13. Потенциал развития
README и воспроизводимость	7. Установка и запуск · 8. Как проверить · 9. Данные · 10. Ограничения

---

1. Название

Автозаказ ЕКТ — сервис рекомендованных заказов поставщикам для пополнения склада дистрибьютора.

2. Краткое описание

Какую проблему решает. Расчёт пополнения склада вручную в Excel занимает полдня, поэтому делается редко и «на глаз». Разовые крупные продажи одному клиенту выглядят как рост спроса и раздувают закупку. Итог — дефицит по одним позициям (клиент уходит к конкуренту) и излишки по другим (деньги заморожены на складе).

Для кого. Основной пользователь — менеджер отдела закупа. Собственник и финансист выбирают, сколько денег держать в запасе ради уровня сервиса («Кривая выбора»).

В чём ценность.

• Заказ по всем 3 600 артикулам — за секунды, с обоснованием каждой строки: менеджер разбирает только очередь «Требует решения сейчас», а не весь ассортимент.
• «Симулятор склада»: до утверждения видно, что будет с остатком по дням, если заказать больше или меньше.
• Разовые крупные продажи не искажают закупку; месяцы, когда товара не было, досчитываются как упущенный спрос.
• Эффект доказан на истории компании: меньше дефицитов при том же или меньшем запасе (см. результаты ниже).
• Решение остаётся за человеком: правка с причиной, утверждение с ФИО, выгрузка в 1С; автоотправки нет.

Чем мы отличаемся от очевидного решения

Очевидное решение кейса — «прогноз продаж + таблица с количеством». Наше собственное преимущество:

Очевидный подход	Автозаказ ЕКТ
Прогноз = среднее или ML-модель, которой надо верить	Каждая строка объяснена человеческим языком; «Почему в очереди» — причина срочности
Разовая крупная продажа раздувает прогноз	Разовые заказы находятся и исключаются, регулярный опт — нет
Продажи в дни без товара считаются спросом	Упущенный спрос в месяцы дефицита досчитывается
Число «заказать N»	Симулятор склада: видно, в какой день кончится товар при любом количестве — до утверждения
«Модель точная, поверьте»	Проверка на истории клиента до покупки: −54% / −72% случаев «нет на складе»
Уровень сервиса — настройка в глубине меню	Кривая выбора: цена каждого процента сервиса в ₸ для собственника
Правки менеджера теряются	Аудит правок с причинами — основа для обучения системы
Интеграция с ERP на месяцы	Excel из 1С → результат → Excel в 1С, пилот за день

Как перевести эффект в деньги на пилоте. В выгрузке нет цен продаж, поэтому эффект показан в штуках, случаях дефицита и запасе по себестоимости (₸, Systeme Electric). На пилоте упущенная выручка считается так: упущенный спрос (вкладка «Разбор артикула», шт) × цена продажи × маржа — по данным клиента.

Доказательство на истории — «как было» и «как было бы с сервисом», кривая выбора:

Сценарий демо на 3 минуты — docs/DEMO.md. План питча к Demo Day — docs/PITCH.md.

3. Что реализовано

Требование ТЗ	Как закрыто	Проверка
1. Базовая потребность с учётом всех источников: история продаж, остатки, товары в пути, категории, прогноз прироста	Прогноз на горизонт «срок поставки + период пересмотра» + страховой запас − остаток − товары в пути, прибывающие до конца горизонта; категория задаёт сезонный профиль группы; прирост — параметр по поставщику (UI)	tests/test_must_have.py::test_each_input_source_affects_calculation_or_is_supported
2. Сезонность и устойчивый рост	Сезонные индексы классической декомпозиции (отношение к центрированной 12-мес. скользящей средней). Собственный профиль артикула используется, если он повторяется по годам (корреляция профилей), иначе — профиль группы «поставщик × категория». Рост г/г учитывается только если он устойчив (одинаков по знаку в обоих полугодиях), с затуханием	test_seasonal_forecast_has_summer_peak
3. Упущенный спрос в периоды stockout	По помесячным остаткам 1С определяется доля месяца в наличии; месяцы дефицита досчитываются до ожидаемого уровня; базовый уровень считается только по месяцам, когда товар был	test_stockout_recovers_lost_demand_and_raises_level
4. Исключение разовых крупных заказов, включая крупные продажи одному клиенту	Документ с количеством выше робастного порога max(Q3 + 3·IQR, 5·медиана, 2·P90) по документам артикула урезается до «обычного» заказа (медиана), излишек исключается из регулярного спроса. При наличии поля клиента — дополнительно агрегат «клиент × месяц». Повторяющиеся крупные заказы (≥ 4 месяцев за год) считаются регулярным оптом и остаются. Для 2024 г. (нет документов) — ограничение месяца 3× медианы	test_big_oneoff_is_excluded_from_regular_level, вкладка «Разовые заказы»
5. Итоговый список по поставщикам с обоснованием	Таблица по поставщикам, у каждой строки текст: прогноз, сезонность, рост, страховой запас, остаток, в пути, кратность, упущенный спрос, исключённые заказы	test_order_output_has_reason_supplier_groups_and_moq_multiples, вкладка «Заказ поставщикам»
Опц.: приоритизация по риску дефицита	Срочность «Критично / Высокая / Плановая» по покрытию остатком срока поставки; шкала риска; сортировка	UI
Опц.: минимальная партия и условия поставщика	Округление вверх до кратности/MOQ из файлов поставщиков; срок поставки — по поставщику	UI, тест 5
Симулятор склада (сверх ТЗ)	Ползунок «заказать N шт» → остаток по дням до прихода следующего заказа: когда товар закончится, сколько дней без товара и сколько продаж потеряно, сколько пролежит лишнего — до нажатия «Утвердить»	вкладка «Разбор артикула», tests/test_simulate.py
Опц.: визуализация трендов	График «факт / регулярный спрос / прогноз», месяцы без товара подсвечены	вкладка «Разбор артикула»
Опц.: выгрузка заказа	Excel по листам-поставщикам (код 1С, артикул, количество, обоснование) — для загрузки в 1С	кнопка «Выгрузить заказ для 1С (Excel)»
Избыточные запасы (из «Проблема и ценность» ТЗ)	Вкладка «Излишки»: запас сверх максимума политики (прогноз на горизонт + страховой запас), в шт и ₸ по себестоимости	UI
ABC-классификация	A/B/C по годовому регулярному спросу внутри поставщика (80/15/5%) — колонка в заказе и излишках	UI
Масштабирование на любую компанию	«Данные и параметры» → «Загрузить свой файл»: один Excel с листами sales, stock_now, transit, items, stock_hist, stockouts (два последних — необязательно); кнопка «Скачать шаблон (пример)»	tests/test_upload.py
Ограничение: без автоотправки	Заказ только утверждается человеком (ФИО + время, файл в data/approved/); AI-ассистент готовит лишь черновик письма	UI
Ограничения: приватность, объяснимость, устойчивость к выбросам	Данных о клиентах в выгрузке нет; расчёт детерминированный и объяснённый; робастные пороги (IQR, MAD) для выбросов и страхового запаса	код engine/core.py

AI-ассистент закупщика (OpenAI, function calling): отвечает на вопросы («что критично по IEK?», «почему столько по этой позиции?») только через инструменты над результатами расчёта и готовит черновик письма-заказа поставщику. Без ключа работает детерминированный режим — сервис полностью проверяется без личных аккаунтов.

Результат на реальных данных ЕКТ

Бэктест «Машина времени»: с 01.03.2026 по 31.08.2026 заказы каждое 1-е число считает сервис (видит только прошлое), старт — с фактических остатков 1С. Сравнение с фактическими остатками 1С за те же месяцы. Метрика дефицита одинакова для обеих сторон: начальный остаток месяца = 0 при наличии спроса (артикул × месяц).

Поставщик	Активных артикулов	Случаи «нет на складе» (артикул×месяц): было → с сервисом	Средний запас
IEK	1891	1648 → 760 (−54%) при сервисе 95% · 770 (−53%) при 90%	−5% шт (95%) · −8% шт (90%)
Systeme Electric	472	108 → 30 (−72%) при сервисе 95% · 36 (−67%) при 90%	+7% ₸ по себестоимости (95%) · +1% ₸ (90%)

Из сравнения исключены 133 артикулов «под заказ» (ни разу не были на складе на начало месяца — склад их держать не должен). Воспроизведение: python -m scripts.backtest 1.65 и python -m scripts.backtest 1.28 → data/results/*.json.

Неудовлетворённый спрос в штуках (для прозрачности; для «как было» виден только в месяцы с нулём на начало, поэтому занижен и несопоставим с симуляцией): IEK: было ≥16 209, с сервисом 29 149 шт; Systeme Electric: было ≥7 587, с сервисом 33 325 шт.

Точность прогноза на истории (python -m scripts.accuracy: отсечки 01.04–01.06.2026, горизонт 3 мес., только месяцы с товаром в наличии, WAPE — меньше лучше): IEK — 36.2% против 36.8% у «среднего за 12 мес.»; Systeme Electric — 32.2% против 30.3% у «среднего за 12 мес.». Помесячный спрос по артикулу сильно зашумлён, поэтому сезонность применяется только при подтверждённой повторяемости (параметры подобраны по этой проверке); основной эффект даёт политика заказа — см. таблицу выше.

Кривая выбора (вкладка «Машина времени», прогоны при сервисе 80/90/95/98/99%): есть уровни сервиса, где сервис лучше факта сразу по обоим показателям — IEK — при сервисе 80%: дефицитов −52% и запаса −11% шт; Systeme Electric — при сервисе 80%: дефицитов −59% и запаса −6% ₸.

4. Как работает решение (сценарий пользователя)

1. Менеджер открывает сервис → видит KPI: позиции под угрозой дефицита, к заказу, исключённые всплески, восстановленный спрос.
2. Кнопка «Данные и параметры»: источник данных (кейс ЕКТ или свой Excel), сроки поставки, период пересмотра, уровень сервиса, план прироста.
3. Во вкладке «Заказ поставщикам» (по умолчанию — режим «Требует решения сейчас») фильтрует по поставщику, срочности и полю «Поиск по наименованию / коду / категории», правит «К заказу», использует кнопки «Отметить все» и «Снять все».
4. Поле «Кто утверждает (ФИО)» и кнопка «Утвердить заказ» → файл заказа; кнопка «Выгрузить заказ для 1С (Excel)» → Excel по поставщикам.
5. «Разбор артикула» — график и обоснование; «Машина времени» — эффект на истории; «AI-ассистент» — вопросы и черновик письма.

5. Технологии

• Язык и данные: Python 3.11+, pandas, numpy, openpyxl / xlsxwriter (чтение выгрузок 1С и экспорт Excel).
• Интерфейс: Streamlit (веб-приложение), Plotly (графики), собственные CSS/SVG (без эмодзи), статичный лендинг app/static/landing.html.
• Методы расчёта: робастная статистика (IQR, MAD), классическая сезонная декомпозиция (центрированная 12-мес. средняя), страховой запас по уровню сервиса, политика периодического пересмотра заказа, бэктест-симуляция.
• AI в продукте: OpenAI API (модель задаётся OPENAI_MODEL, по умолчанию gpt-5.4-mini), function calling над результатами расчёта; без ключа — детерминированный режим.
• Качество: pytest (must-have ТЗ, граничные случаи, бэктест, загрузчики, интерфейс через Streamlit AppTest).
• AI-агенты в разработке: Claude Code и OpenAI Codex (код, тесты, два раунда код-ревью, лендинг).

6. Архитектура проекта

data/raw/*.xlsx (выгрузки 1С)
   │  engine/loaders.py — приведение к единой схеме:
   │  sales(date, sku, qty, doc, warehouse[, client]) · stock_hist · stock_now · transit · items · monthly_hist
   ▼
engine/core.py  compute_orders(): разовые заказы → чистый спрос → сезонность → stockout → уровень/рост
                → прогноз на горизонт → страховой запас → потребность − остаток − в пути → кратность → срочность → обоснование
   ├── engine/backtest.py  «Машина времени» (симуляция политики заказов на истории)
   ├── engine/simulate.py  «Симулятор склада» (остаток по дням при заданном заказе)
   └── engine/agent.py     AI-ассистент (function calling над результатами, фолбэк без ключа)
app/app.py + app/ui.py  Streamlit-интерфейс: заказ, утверждение, экспорт, графики, ассистент
tests/                  pytest: must-have на синтетических данных (scripts/make_synthetic.py)

7. Установка и запуск

Требования: Python 3.11+ (проверено на 3.14), macOS / Linux / Windows.

git clone https://github.com/BAITC-Hacks/hack-4bb3095c-resource.git   # или по SSH: [email protected]:BAITC-Hacks/hack-4bb3095c-resource.git
cd hack-4bb3095c-resource
./run.sh                      # macOS/Linux: создаст .venv, поставит зависимости, запустит http://localhost:8501
# Windows: run.bat

Если что-то пошло не так:

• Permission denied при ./run.sh (например, репозиторий скачан zip-архивом) → bash run.sh;
• порт 8501 занят → PORT=8502 ./run.sh (откроется http://localhost:8502);
• нет Python 3.11+ → установите с python.org; на Windows при установке отметьте «Add Python to PATH»;
• остановить сервис — Ctrl+C в терминале.

Вручную (в т.ч. Windows):

python -m venv .venv
.venv/bin/pip install -r requirements.txt        # Windows: .venv\Scripts\pip install -r requirements.txt
.venv/bin/streamlit run app/app.py               # Windows: .venv\Scripts\streamlit run app/app.py

Первый запуск читает Excel-выгрузки (~15–20 с) и кэширует их в data/cache/.

Переменные окружения (необязательно)

Нужны только для AI-ассистента в режиме LLM. Скопируйте .env.example в .env:

Переменная	Назначение
OPENAI_API_KEY	ключ OpenAI API
OPENAI_MODEL	модель, напр. gpt-5.4-mini

Без ключа ассистент отвечает детерминированно по тем же данным.

8. Как проверить решение

.venv/bin/python -m pytest -q                 # тесты: 5 must-have ТЗ, граничные случаи, бэктест, загрузчики реальных данных, ассистент, загрузка своих данных
.venv/bin/python -m scripts.backtest 1.65     # пересчёт «Машины времени» (~1–2 мин)
.venv/bin/python -m scripts.accuracy          # точность прогноза на истории

Windows: те же команды через .venv\Scripts\python.exe, например .venv\Scripts\python.exe -m pytest -q. Проверка вручную в UI: вкладка «Разбор артикула» → выберите любую позицию (напр. 030300014_): видно исключённые разовые документы, месяцы без товара, прогноз; вкладка «Разовые заказы» — все исключения с документами.

9. Данные и интеграции

• data/raw/ — выгрузки 1С, предоставленные партнёром: продажи по документам (фактически с 01.2025), помесячные продажи и материальная ведомость — начальные остатки по месяцам (с 01.2024), товары в пути (IEK — по документам с датами поступления, SE — «в пути 24.09»), кратность/MOQ, рабочая таблица SE (категория, свободный остаток, себестоимость «СС реал»).
• Данные о клиентах в выгрузках отсутствуют; код поддерживает необязательное обезличенное поле client.
• Синтетические данные (scripts/make_synthetic.py) — только для тестов.
• Внешние сервисы: OpenAI API — опционально, только для AI-ассистента.

Сторонние компоненты и заготовки (раскрытие по п. 5.4.4 положения)

Что	Где используется	Лицензия / источник
pandas, numpy, openpyxl, xlsxwriter	расчёт, чтение выгрузок 1С, экспорт Excel	BSD-3 / MIT (open source)
Streamlit, Plotly	веб-интерфейс, графики	Apache-2.0 / MIT
openai (Python SDK), python-dotenv, pydantic	AI-ассистент, настройки	Apache-2.0 / BSD / MIT
pytest	автотесты	MIT
Модель OpenAI gpt-5.4-mini (через API)	AI-ассистент (необязательно; без ключа — офлайн-режим)	OpenAI API, кредиты хакатона
Шрифт Inter (Google Fonts)	интерфейс и лендинг	SIL Open Font License 1.1
Иконки Material Symbols (встроены в Streamlit)	вкладки и кнопки интерфейса	Apache-2.0
SVG-иконки и иллюстрации (склад, грузовик и др.)	шапка, KPI, лендинг	нарисованы командой (в стиле Lucide, код не заимствован)
Данные ТОО «Электрокомплект» (data/raw/)	расчёт и бэктест	предоставлены партнёром кейса для хакатона
Синтетические данные (scripts/make_synthetic.py)	только тесты	сгенерированы командой

AI-инструменты разработки: Claude Code (Anthropic) и OpenAI Codex — написание кода, тестов, два раунда код-ревью, лендинг. Заранее подготовлено до 13:00: только AGENTS.md (правила для AI-агентов), autopush.sh (служебный автокоммит раз в 5 минут — для запуска решения не нужен) и памятки подготовки в docs/prep/; заготовка обёртки LLM не понадобилась и удалена. Вся функциональность кейса написана во время соревновательной части — см. историю коммитов. Скриншоты docs/img/ сняты с работающего приложения.

10. Ограничения

• Периоды stockout определяются по материальной ведомости 1С (помесячные начальные остатки); явные периоды можно дополнительно передать листом stockouts (sku, month, avail) при загрузке своих данных.
• Сроки поставки в данных не переданы — заданы в UI (по умолчанию IEK 40 дн., SE 30 дн. — оценка по датам документов «в пути»).
• Текущий остаток IEK = начальный остаток сентября − продажи сентября (поступления сентября в выгрузке нет); у SE — «Свободный остаток».
• Бэктест — месячный шаг; товар, пришедший до 15-го, доступен для продаж месяца; себестоимость есть только у SE.
• Бэктест: объём неудовлетворённого спроса в штуках для «как было» и «с сервисом» несопоставим (для факта виден только в месяцы с нулём на начало, в симуляции — любой недостаток внутри месяца). Поэтому основная метрика — число случаев «нет на складе на начало месяца», одинаковое для обеих сторон; объём приведён в разделе результатов для прозрачности.
• Склад в выгрузке один (Алматы); расчёт по нескольким складам поддерживается схемой (warehouse), но UI показывает общий.
• Деплой: локальный запуск (./run.sh).

11. Ссылка на развёрнутую версию

Публичного развёртывания нет: данные партнёра не публикуются в открытом доступе. Решение запускается локально одной командой (./run.sh или run.bat) → http://localhost:8501; лендинг — http://localhost:8501/app/static/landing.html.

Развёртывание на сервере компании (чтобы сервисом пользовались несколько сотрудников по сети):

git clone https://github.com/BAITC-Hacks/hack-4bb3095c-resource.git && cd hack-4bb3095c-resource
python3 -m venv .venv && .venv/bin/pip install -r requirements.txt
cp .env.example .env            # необязательно: ключ OpenAI для AI-ассистента
.venv/bin/streamlit run app/app.py --server.address 0.0.0.0 --server.port 8501 --server.headless true

Сервис будет доступен по адресу http://<IP-сервера>:8501, лендинг — http://<IP-сервера>:8501/app/static/landing.html (раздаётся тем же сервером). Лендинг — один статичный файл app/static/landing.html: его можно выложить отдельно на любой статический хостинг (nginx, GitHub Pages) как есть; кнопка «Запустить демо» в нём ведёт на http://localhost:8501 — при размещении замените адрес на адрес сервера. Для постоянной работы команду запускают как службу (systemd / Планировщик заданий Windows); свои выгрузки 1С загружаются через «Данные и параметры» → «Загрузить свой файл».

12. Практическая применимость

Где и кем используется. Отдел закупа дистрибьютора электротехники (в кейсе — ТОО «Электрокомплект», поставщики IEK и Systeme Electric): еженедельный или ежемесячный цикл заказа поставщикам.

Какую задачу закрывает уже сейчас:

• расчёт заказа по всем артикулам и поставщикам вместо ручного Excel;
• очередь решений: что заказать срочно и почему (остатка не хватит до прихода поставки);
• контроль излишков: сколько денег лежит в запасе сверх нужного (вкладка «Излишки», в ₸);
• аудит: что рекомендовал сервис, что поменял человек и почему (файл утверждения).

Неделя менеджера закупа с сервисом:

Когда	Действие	Время
Понедельник, утро	Выгрузка из 1С → «Требует решения сейчас»: только критичные позиции, у каждой — причина	10–15 мин вместо полдня в Excel
Понедельник	Спорные позиции — «Разбор артикула» и «Симулятор склада»: сколько заказать, чтобы не кончилось	по 1 мин на позицию
Понедельник	Правки с причиной → «Утвердить заказ» → «Выгрузить заказ для 1С» → заказы поставщикам	5 мин
Среда	Вопрос ассистенту: «что критично по SE?» — проверка без пересчёта таблиц	1 мин
Раз в месяц	Собственник смотрит «Излишки» (₸) и «Кривую выбора»: решает, сколько денег держать в запасе	10 мин

выгрузка Excel из 1С → расчёт → Excel обратно в 1С. Любая другая компания загружает свои данные по шаблону («Данные и параметры» → «Загрузить свой файл»), интеграция не требуется.

13. Потенциал развития

Подробный план масштабирования по стратегии «кеглей» (как Facebook: Гарвард → университеты → все) — docs/SCALE.md: Электрокомплект → дистрибьюторы электротехники КЗ → соседние отрасли дистрибуции → Центральная Азия, плюс новые продукты для тех же клиентов (прогноз для поставщиков, финансирование закупки, биржа излишков, бенчмарки отрасли).

Во что проект может вырасти после хакатона:

1. Все поставщики и склады компании — в схеме данных уже есть поставщик, склад и (обезличенный) клиент; следующий шаг — расчёт по каждому складу и сроки поставки по фактическим документам поступления.
2. Прямая интеграция с 1С (выгрузка по расписанию и загрузка «Заказа поставщику») — ежедневный пересчёт без ручных файлов.
3. Самообучение на правках менеджера: причины правок накапливаются и показывают, где модель систематически ошибается (сроки, акции, крупные клиенты).
4. Условия поставщиков: минимальная сумма заказа, скидки за объём, консолидация машины/паллеты.
5. Перераспределение излишков между складами и акции на залежавшийся товар.
6. Другие отрасли с той же задачей: дистрибуция стройматериалов, автозапчастей, FMCG, аптечные сети — везде, где есть склад, поставщики и 1С/ERP.
7. AI-агент закупщика: ежедневная сводка «что критично» и черновики писем поставщикам — с утверждением человеком.