Грязный справочник не болит. Он просто выставляет счёт: каждый месяц, в закупках и сверках
Нормализацию НСИ откладывают ровно потому, что она не приносит выручки. И это правда: считать её выгоду в выручке не надо. Счёт приходит в другом месте: в человеко-часах, которые никто не табелирует, и в рублях, размазанных по накладным, остаткам и повторным закупкам. Разбор SOFROS AI/ML на Habr ставит вопрос ребром: сколько компания теряет на «грязных» справочниках и сколько из этого возвращает нормализация - и возвращает ли вообще.
Грязь в 1С почти никогда не выглядит как грязь. Один поставщик заведён тремя записями: «ООО Ромашка», «Ромашка ООО», «Ромашка, ООО» - и ни одна не выглядит ошибочной сама по себе. Номенклатура расходится на «Кабель ВВГ 3х2,5» и «Кабель ВВГ 3*2,5», а с ней расходятся остатки: склад показывает дефицит, хотя товар лежит. Единицы измерения живут в двух видах, «шт» и «уп»: закупщик считает потребность по одной, поставщик отгружает по другой. Отдельная категория - пустые атрибуты: ставки НДС, коды единиц измерения, группы товаров. Любая агрегация по контрагенту, товарной группе или складу рассыпается, как только в ней появляется второй вариант написания.
Вторая ловушка - вера в регламент. Компания пишет инструкцию «заводить карточки в едином формате», добавляет проверку в 1С и на месяц получает эффект. Через полгода выясняется, что инструкция описывает двадцать известных случаев, а на входе появился двадцать первый: новый поставщик, новая категория, другой оператор. Правила нужно дописывать постоянно, и каждая новая строка - ещё один способ ошибиться. Модель работает иначе: она не хранит список написаний, а сравнивает записи между собой и предлагает объединение, которое человек утверждает или отклоняет. Разница принципиальная - в том, кто принимает решение о пороге: регламент фиксирует его заранее, модель предлагает кандидатов и позволяет порог менять без переписывания инструкции. Именно так нормализация НСИ встраивается в контур 1С:MDM: MDM хранит эталонную запись, ИИ работает поставщиком гипотез о том, что две записи - одна сущность.
Отсюда самое практичное требование к внедрению: явная граница между «предложить» и «записать». Если модель пишет в базу молча, один ошибочно склеенный контрагент смешает взаиморасчёты двух юрлиц, и разбирать это придётся вручную неделю. Если модель только формирует предложение, а утверждает человек, цена ошибки падает: вместо переделки проводок достаточно нажать «отклонить». Второе требование - журнал решений: по каждой склейке видно, кто и когда её подтвердил и как откатить. Третье - устойчивость к росту: очередь на утверждение нельзя делать бесконечной, иначе сотрудник перестаёт читать карточки и одобряет всё подряд, превращаясь в ту же печать без проверки, только быстрее.
Как считать эффект, чтобы это не превратилось в спор о вкусах. Корзин ровно три. Первая - часы: выберите выборку за месяц (например, 200 карточек) и замерьте, сколько минут уходит на поиск нужной записи и дочистку карточки; умножьте на объём потока и стоимость часа сотрудника. Вторая - прямые потери: закупки по цене дубля, излишки на складе из-за разъехавшихся остатков, повторные заказы того, что уже лежит, плюс штрафы и срывы сроков из-за неверных данных в документе. Третья - выручка: отказы и возвраты, причиной которых была путаница в характеристиках или условиях по контрагенту. Дальше сравните сумму трёх корзин с ценой нормализации, включая время своих людей на утверждение предложений. Если эффект не покрывает затраты в первый же квартал, разумный ответ - не «внедряем всё», а «начинаем с одной товарной группы».
- Возьмите одну товарную группу, например кабельную продукцию, и посмотрите, сколько записей отличаются одним символом или единицей измерения. На таком срезе видно, что дубли - привычное состояние справочника, который рос руками. Начинайте не с глобальной чистки, а с группы, по которой отчётность уже расходится с реальностью.
- Первый шаг к окупаемости - не модель, а инвентаризация потерь: сколько часов в месяц сотрудники тратят на поиск «той самой» карточки и на дочистку. Пока цифры нет, разговор про ROI - спор о вкусах, а после внедрения не сказать, стало лучше или просто иначе. Замер делается до проекта и на выборке, а не по памяти: «часов наверное десять» всегда занижено вдвое.
- Назначьте владельца справочника до того, как включите нормализацию. Без него автоматизация не убирает грязь, а масштабирует её: если право создавать карточки номенклатуры есть у пяти человек, дубли вернутся через неделю после чистки - просто теперь они будут создаваться в едином формате. Правило «новую карточку заводит один человек или она не заводится вовсе» стоит дешевле любой модели.
- Разделите предложение и запись. Ошибка модели, которую человек отклонил, стоит ноль; ошибка, молча попавшая в базу, стоит пересчёта взаиморасчётов или остатков, то есть дней работы бухгалтерии и склада. Поэтому очередь на утверждение, журнал решений и возможность откатить склейку важнее процента точности в отчёте о качестве модели.
- Считайте стоимость владения, а не только внедрения: прогон по справочнику, работа человека в очереди утверждений, поддержка интеграции с 1С:MDM. Эти расходы видны сразу, а экономия от предотвращённых ошибок не видна вообще: «как было бы без ошибки» никто не фиксирует. Заведите счётчик расхождений в данных и часов на них - до и после.
«Автор разбора ставит задачу прикладно: показать, сколько компания теряет на грязных справочниках.»
Обсудить внедрение ИИ-агентов в вашем бизнесе
Расскажите о задаче — посчитаем, сколько часов и денег сэкономит агент.
Обсудить внедрение →