Vector — AI Procurement Copilot

English version ↓ · С Docker · Без Docker · Демо за 4 минуты · Методология

Из выгрузок продаж, остатков и поставок — в понятный черновик заказа поставщику.

Vector помогает закупщику ответить на три вопроса: что заказать, сколько и почему. Вместо ручного объединения Excel — рекомендации по каждому товару, объяснение расчёта и проверка менеджером перед экспортом. MVP для HackAlem AI · Электрокомплект.

Быстрый запуск для жюри и администраторов — Docker

Нужны Git и запущенный Docker Desktop в режиме Linux containers (Windows/macOS) или Docker Engine (Linux). Команды одинаковы для PowerShell, bash и терминала macOS:

git clone https://github.com/BAITC-Hacks/hack-5f84cc63-vector.git
cd hack-5f84cc63-vector
docker build -t vector .
docker run --rm --name vector-demo -p 127.0.0.1:8501:8501 vector

Откройте http://localhost:8501. Контейнер запускает весь интерфейс на 40 синтетических SKU; Python, Excel и API-ключи на компьютере не нужны. Для первого build нужен интернет, после сборки приложение работает без внешних API. Если репозиторий закрытый, нужен доступ к нему.

Для остановки в другом терминале:

docker stop vector-demo

Если порт 8501 занят, замените публикацию порта на -p 127.0.0.1:8502:8501 и откройте http://localhost:8502. Внутри контейнера Streamlit слушает 0.0.0.0:8501, а приведённая команда открывает порт только на вашем компьютере.

Реальные Excel и data/processed/ не нужны для демо и не входят в образ. Они исключены через .dockerignore, а Dockerfile копирует только перечисленные файлы. Не добавляйте data/ в GitHub: при необходимости передайте приватные материалы администраторам отдельно по согласованному с организаторами каналу.

Проверка интерфейса на чистой копии без data/ пройдена. Сборка и запуск Docker пока не проверены: на машине разработки недоступен Docker Engine. Конфигурация использует стандартный Linux-образ python:3.11-slim и не зависит от Docker Desktop конкретного разработчика. Администратору нужно выполнить приведённые build/run команды.

Что умеет Vector

• Выявляет кандидатов на разовые крупные продажи и исключает их из регулярного расчёта, сохраняя исходные записи.
• Прогнозирует обычные продажи с учётом сезонности и устойчивого роста, когда хватает истории.
• Оценивает упущенные продажи при наличии явных периодов отсутствия товара.
• Учитывает остаток, срок поставки и поступления с конкретными датами.
• Рассчитывает количество заказа и предупреждает, если обычная поставка придёт слишком поздно.
• Показывает составляющие расчёта и график прогнозируемого остатка.
• Позволяет проверить «что если»: изменить остаток, сроки или поставки и сразу пересчитать товар.
• Собирает черновик по поставщикам и открывает экспорт CSV/JSON после проверки менеджером.

Как это работает

flowchart LR
    A[Выгрузки Excel] --> B[Очистка и разовые продажи]
    B --> C[Прогноз]
    C --> D[Расчёт заказа]
    D --> E[Проверка менеджером]
    E --> F[Черновик CSV / JSON]

В MVP исходные выгрузки обрабатываются через Python pipeline; dashboard открывает готовые расчёты. Загрузка Excel через интерфейс и автоматическая синхронизация с 1С пока не реализованы.

Попробуйте за минуту

1. Откройте «Проверка кейса» → «Открыть расчёт IEK»: в публичном демо выбран SYN-IEK-001, заказ 105 шт.
2. Во вкладке «Что если?» задайте остаток 55, укажите причину и нажмите «Пересчитать SKU»: заказ станет 65 шт.
3. Добавьте поступление 30 шт. на 02.10.2026 и пересчитайте: заказ станет 35 шт.
4. Добавьте товар в черновик, откройте «Проверка черновика», укажите имя, подтвердите проверку и скачайте CSV.

Срок поставки в этом примере — 3 дня, период пересмотра — 7, страховой запас — 2 дня. Все числа этого примера синтетические. Полный сценарий защиты →

Два режима данных

Приложение выбирает локальные расчёты, если они есть; иначе автоматически открывает demo/. В GitHub публикуется demo/. Файлы партнёра и data/processed/ остаются локально.

Запуск без Docker

Нужны Git и Python 3.11+ (локально проверено на 3.14). Выберите команды для своей системы. Если репозиторий уже скачан, пропустите git clone и перейдите в его папку.

Windows — PowerShell

git clone https://github.com/BAITC-Hacks/hack-5f84cc63-vector.git
cd hack-5f84cc63-vector
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -e ".[dashboard]"
.\.venv\Scripts\python.exe -m streamlit run app.py --server.address=127.0.0.1 --server.port=8501

Linux / macOS

git clone https://github.com/BAITC-Hacks/hack-5f84cc63-vector.git
cd hack-5f84cc63-vector
python3 -m venv .venv
./.venv/bin/python -m pip install -e ".[dashboard]"
./.venv/bin/python -m streamlit run app.py --server.address=127.0.0.1 --server.port=8501

Откройте http://localhost:8501. Исходные Excel и API-ключи для демо не нужны. Интерфейс по умолчанию русский; переключатель RU / EN находится слева. Смена языка сохраняет сценарий, черновик и отметку о проверке.

Остановка: Ctrl+C в терминале приложения. Повторный запуск: только последняя команда для своей системы из папки проекта; заново устанавливать зависимости не нужно. Активировать виртуальное окружение не требуется. Для первой установки зависимостей нужен интернет.

Основной способ передачи MVP — локальный Docker. Публичный деплой не выполняется.

docker run --rm --name vector-private -p 127.0.0.1:8501:8501 --mount "type=bind,source=${PWD}/data,target=/app/data,readonly" vector

Откуда берётся количество заказа

1. Очистка. Объём документа сравнивается с предыдущими продажами того же товара, склада и единицы измерения. Медиана и устойчивые статистические пороги помогают выявлять всплески; повторяющиеся крупные заказы учитываются отдельно. При малой истории продажа сохраняется. Исходные значения не удаляются, отрицательные не превращаются в положительные.
2. Прогноз. Простые модели сравниваются на прошлых периодах; последний контрольный период не участвует в выборе модели. Сезонность и рост входят в прогноз. При наличии периодов отсутствия товара история корректируется перед пересчётом прогноза.
3. Заказ. Прогноз на срок поставки и период пересмотра + страховой запас − доступный остаток − подходящие по датам поступления. Дополнительно проверяется дефицит между поставками и применяются определённые ограничения партии и округления.

Сезонность, рост и компенсация отсутствия товара не добавляются к заказу повторно. Если дефицит наступает раньше новой поставки, Vector предлагает ускорение или перемещение. Количество рассчитывает алгоритм; LLM в текущем MVP не подключён.

Пять требований — пять доказательств

Все примеры доступны на экране «Проверка кейса».

Статус и ограничения

Рабочий MVP с воспроизводимым расчётом и интерфейсом. На частных данных прогноз сформирован для 992 из 2 716 товарных рядов; остальные требуют уточнения истории или её качества. Пробелы видны в «Качестве данных» и не подменяются нулями.

Реальные текущие остатки, сроки поставщиков и периоды отсутствия товара не подтверждены. Нет доказанного снижения затрат; прогноз не превосходит базовую модель во всех сегментах. Экспорт — CSV/JSON, совместимость с конкретным шаблоном 1С ещё не проверена. Заказы не отправляются поставщикам. Проверка действует в текущем сеансе и не заменяет корпоративную авторизацию; черновик нужно скачать до завершения сеанса.

Подробнее

Сценарий защиты · Кейс · Архитектура и команды · Очистка и выбросы · Прогнозирование · Заказ и stockout · Факты о данных · Открытые вопросы.

English

Русская версия ↑ · Docker · Without Docker · Four-minute demo

Turn sales, inventory and incoming-supply exports into an explained supplier order draft.

Vector helps purchasing managers decide what to order, how much and why. It replaces manual spreadsheet consolidation with per-item recommendations, transparent calculations and manager review before export. Built for HackAlem AI · Electrokomplekt.

Quick start for jury and administrators — Docker

Install Git and start Docker Desktop in Linux containers mode (Windows/macOS), or Docker Engine (Linux). Run in PowerShell, bash or the macOS terminal:

git clone https://github.com/BAITC-Hacks/hack-5f84cc63-vector.git
cd hack-5f84cc63-vector
docker build -t vector .
docker run --rm --name vector-demo -p 127.0.0.1:8501:8501 vector

Open http://localhost:8501. The full interface starts with 40 synthetic SKU series. No host Python, private workbooks or API keys are needed. The first build downloads dependencies; the built app uses no external APIs. Private repository access may be required. Stop it from another terminal with docker stop vector-demo.

If port 8501 is busy, use -p 127.0.0.1:8502:8501 and open http://localhost:8502. Streamlit listens on 0.0.0.0:8501 inside the container; the example publishes it only on the local computer. Partner Excel and data/processed/ never enter the image: .dockerignore excludes them and Dockerfile copies only explicitly listed files. Keep private data out of GitHub; share it separately through an organizer-approved channel if needed.

The interface passes a clean-copy check without data/. Docker build/run are not yet verified: the development machine's Docker Engine was unavailable. The Dockerfile uses the standard Linux python:3.11-slim image without developer-specific settings; the administrator should run the build/run commands above.

What Vector does

• Flags candidate one-off bulk sales and excludes them from regular calculations while retaining the original records.
• Forecasts regular sales, including seasonality and sustained growth where history supports them.
• Estimates missing sales when explicit stockout intervals are available.
• Accounts for available stock, supplier lead times and dated incoming receipts.
• Calculates order quantities and warns when normal delivery would arrive too late.
• Explains calculation components and charts projected inventory.
• Recalculates what-if scenarios for stock, lead times and incoming supply.
• Groups drafts by supplier and enables CSV/JSON export after manager review.

How it works

Excel exports → Cleaning and one-off detection → Forecast
→ Replenishment calculation → Manager review → CSV / JSON draft

The MVP processes supplied exports through a Python pipeline; the dashboard consumes prepared calculations. UI Excel upload and scheduled 1C synchronization are not implemented.

Try it in one minute

1. Select EN, then Case validation → Open IEK calculation: public SKU SYN-IEK-001 recommends 105 units.
2. In What-if scenario, set available stock to 55, enter a reason and recalculate: 65 units.
3. Add an incoming receipt of 30 units on 2026-10-02 and recalculate: 35 units.
4. Add the item to the draft, open Draft review, enter a reviewer name, acknowledge and download the reviewed CSV.

Keep lead time at 3 days, review period at 7 and safety at 2. These figures are synthetic, not partner purchasing needs. Full jury walkthrough →

Demo data and local startup

Private completed runs take priority. Without them, the app automatically opens the bundled demo. Commit demo/; keep partner Excel and private processed data out of GitHub.

Run without Docker

Install Git and Python 3.11+ (locally checked on 3.14). If you already cloned the repository, skip git clone and enter the existing project directory.

Windows — PowerShell:

git clone https://github.com/BAITC-Hacks/hack-5f84cc63-vector.git
cd hack-5f84cc63-vector
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -e ".[dashboard]"
.\.venv\Scripts\python.exe -m streamlit run app.py --server.address=127.0.0.1 --server.port=8501

Linux / macOS:

git clone https://github.com/BAITC-Hacks/hack-5f84cc63-vector.git
cd hack-5f84cc63-vector
python3 -m venv .venv
./.venv/bin/python -m pip install -e ".[dashboard]"
./.venv/bin/python -m streamlit run app.py --server.address=127.0.0.1 --server.port=8501

Open http://localhost:8501. Demo mode needs no private workbooks or API keys. Russian is the default; RU / EN preserves scenarios, drafts and recorded review.

Stop: press Ctrl+C in the application terminal. Restart: run only the last command for your OS from the project directory. No environment activation is required. The first dependency installation needs internet access.

Local Docker is the primary handoff; no public deployment is performed.

docker run --rm --name vector-private -p 127.0.0.1:8501:8501 --mount "type=bind,source=${PWD}/data,target=/app/data,readonly" vector

How quantities are calculated

1. Clean observed sales. Compare each document with earlier sales for the same SKU, warehouse and unit using median-based robust thresholds. Recognize recurring large orders and preserve sparse-history sales. Keep original values; never turn negative quantities positive automatically.
2. Forecast. Compare simple models on rolling historical periods, keeping the final holdout out of model selection. Seasonality and growth are forecast components. Explicit stockout intervals can correct history before refitting the forecast.
3. Replenish. Forecast over lead time plus review period + safety stock − available stock − qualifying dated receipts. Check shortages between receipts, then apply resolved order constraints and rounding.

Seasonality, growth and stockout recovery are not added to the order a second time. Shortages before a new order arrives require expedited supply or a transfer. Quantities come from deterministic calculations; the current MVP has no LLM integration.

Five requirements, five proofs

All examples are available on the Case validation page.

Status and limitations

Working MVP with reproducible calculations and a bilingual interface. The private dataset supports forecasts for 992 of 2,716 observed series; the remainder require history or data-quality resolution. Data coverage exposes gaps without inventing values.

Current partner stock, supplier times and real stockout intervals are unconfirmed. No inventory-cost reduction has been established, and the forecast does not beat the baseline in every segment. Export is CSV/JSON; exact 1C import compatibility is unverified. Nothing is sent to suppliers. Review is a session acknowledgement, not corporate authorization; download the draft before ending the session.

Technical documentation

Demo script · Case · Architecture and commands · Demand cleaning · Forecast methodology · Replenishment and stockout · Data findings · Open questions.