Почему интуиция перестаёт работать

Ассортимент современной аптеки — это тысячи SKU, у каждого своя сезонность, срок годности и цена закупки. Заведующий, который «на глаз» определяет объём заказа, неизбежно балансирует между двумя потерями: упущенными продажами в пик и списанием просрочки в спад. ИИ не отменяет опыт, но переводит решение из плоскости ощущений в расчёт: модель считает ожидаемый спрос по каждой позиции на каждой точке на 7–30 дней вперёд.

Как выглядит прогноз спроса на практике

Базовая модель — градиентный бустинг или Prophet-подобная декомпозиция по ряду «точка + SKU + день». Признаки: история продаж за 2–3 года, сезонность ОРВИ, данные о погоде, календарь праздников, график промо и скидок, локальная эпидемическая обстановка, цена и наличие аналогов. Отдельно учитывается эффект замены: если препарат ушёл из матрицы, спрос перераспределяется на дженерики, и модель это должна видеть.

Качество измеряется не «красотой графика», а метриками WAPE и MAPE по группам, плюс бизнес-метриками — оборачиваемость, доля списаний, доля отказов «нет в наличии». Реалистичный ориентир для пилота: снижение просрочки на 15–30% при сохранении уровня сервиса. Дальше прогноз встраивается в автозаказ: система формирует черновик заявки, а категорийный менеджер подтверждает или корректирует его.

Проверка взаимодействия: где ИИ точнее справочника

Классический чекер работает по жёстким правилам «препарат А + препарат Б = предупреждение». Он не видит дозировку, длительность приёма, возраст пациента, состояние печени и почек, а потому либо молчит, либо заваливает фармацевта ложными срабатываниями. Гибридный подход надёжнее: граф знаний по действующим веществам и классам АТХ, поверх него — RAG-поиск по официальным инструкциям и данным ГРЛС, а языковая модель формирует понятное объяснение со ссылкой на источник.

Ключевые факторы, которые стоит закладывать: метаболизм через изоферменты CYP450, интервалы между приёмами, нефро- и гепатотоксичность, беременность и лактация, педиатрические дозировки. Ответ должен быть не диагнозом, а флагом: «возможное взаимодействие, уровень значимости, что уточнить у врача». Это снимает юридические риски и оставляет решение за специалистом.

Что подготовить перед запуском

Начните с данных: выгрузка продаж и остатков из учётной системы (1С:Аптека, «М-Аптека» и аналоги), справочник товаров, привязка к МДЛП. Проверьте, нет ли разрывов в истории, дублей SKU и «нулевых» дней, когда точка просто не работала. Затем — пилот на 5–10 точках, одна товарная категория, честное сравнение с текущим ручным планированием.

Для проверки взаимодействий нужен корпус нормативных текстов и инструкций в машиночитаемом виде, а также регламент: кто отвечает за обновление базы, как фиксируются инциденты, как фармацевт сообщает об ошибке. Модель без процесса сопровождения деградирует за несколько месяцев.

Ограничения и контроль

Прогноз ломается на редких событиях: дефектура у дистрибьютора, резкая смена цен, локальная вспышка заболеваемости. Поэтому нужны пороги срабатывания и ручной режим для аномалий. В проверке взаимодействий главный риск — галлюцинация, и лечится она только жёсткой привязкой к источникам: если в инструкции нет подтверждения, система обязана сказать «данных недостаточно».

Отдельный вопрос — персональные данные. Промпты с историей покупок конкретного человека не должны уходить во внешние API. Рабочее решение — приватная LLM, развёрнутая в контуре аптечной сети или на выделенном сервере, с обезличиванием и журналированием запросов.

Как мы можем помочь

Мы внедряем приватные LLM, RAG-системы и ИИ-агентов под задачи аптечных сетей и дистрибьюторов: строим прогноз спроса на ваших данных, собираем чекер взаимодействий с опорой на инструкции и ГРЛС, интегрируем всё с 1С и CRM, разворачиваем модели в защищённом контуре по требованиям 152-ФЗ. Начинаем с аудита данных и пилота на ограниченной группе точек, чтобы вы увидели эффект в цифрах до масштабирования. Обсудить проект