Кейсы

Новые кейсы внедренных решений

Изучите реальные истории успеха наших клиентов и результаты внедренных решений

C 2003 года помогаем выстраивать системный и автоматизированный бизнес

кейс #13

Разработка и сайтыИскусственный интеллект

Бутон

региональная сеть продуктовых розничных магазинов формата «у дома».

С какой проблемой пришли?

У «Бутона» была критичная проблема: в бухгалтерской и финансовой отчётности регулярно возникали ошибки, которые приводили к искажению данных, штрафам и потерям. Конкретные боли: 1) Ошибки в первичных документах - неправильные суммы, - задвоенные операции, - расхождения по складам, - ошибки ручного ввода. 2) Несогласованность данных между системами - 1С (УТ/КА/Бухгалтерия) - кассы - ЕГАИС - Excel-файлы, которые любят использовать сотрудники. Из-за человеческого фактора данные расходились ежедневно. 3) Длительный поиск источников ошибки Бухгалтеры тратили часы и дни, чтобы: - разобрать, где возникло расхождение; - понять, кто ошибся: кассир, кладовщик, магазин, поставщик; - найти документ, который «сломал картину». 4) Увеличение риска штрафов и некорректной отчётности - Некорректные проводки. - Ошибочные закрытия месяца. - Искажение управленческой отчётности. - Неправильные данные для собственника. 5) Никакой автоматической диагностики 6) Тратились огромные бюджеты на привлечение аудиторов Все ошибки замечались только задним числом, когда уже поздно. Компания пришла с запросом: “Нужен инструмент, который сам найдёт отклонения и ошибки, и покажет, где и почему они возникли.”

Что сделали

Решение: Мы создали специализированный интеллектуальный модуль: «Модуль поиска ошибок в бухгалтерской отчётности средствами кластеризации и искусственного интеллекта» Система анализирует данные в разных разрезах, выявляет закономерности, кластеры корректных операций и автоматически находит отклонения. 1) Автоматический анализ проводок и документов Система загружает данные из 1С и формирует: - типовые сценарии корректных операций, - финансовые кластеры транзакций (закупки, товарные движения, розница, списания). Любая операция, которая не попадает в «нормальное» поведение, сразу подсвечивается. 2) Кластеризация данных по поведению магазинов и сотрудников ИИ сравнивает магазины между собой: - продажи, - списания, - инвентаризации, - отклонения, - кассовые операции, - корректировки. Отклонение от модели поведения выявляется автоматически. Пример: «Магазин №14 имеет аномально высокий % корректировок — вероятна ошибка персонала или нарушение регламентов». 3) Поиск ошибок в первичных документах Модуль автоматически выявляет: - расхождения между товарными и бухгалтерскими остатками; - ошибки округлений; - задвоения; - неправильные суммы; - некорректные проводки; - недостачи/излишки из-за неверного учета. Каждая ошибка отображается с указанием даты, сотрудника, документа и причины. 4) Модуль анализа аномалий ИИ обнаруживает: - всплески списаний, - странные движения товара, - подозрительные корректировки, - несоответствия в закрытии смен, - несостыковки в Z-отчётах, - подозрительные операции ЕГАИС. 5) Панель диагностики для бухгалтера Бухгалтер получает: - список найденных ошибок, - степень критичности, - место возникновения, - рекомендации по исправлению. Результаты: 1) Снижение количества ошибок в отчётности на 60–80% Система выявляет то, что бухгалтер бы увидел только через неделю - или вообще не увидел. 2) Быстрое обнаружение источников ошибок Поиск вручную занимал часы и дни. Теперь занимает минуты. 3) Прозрачность и контроль Руководство видит: - в каком магазине больше ошибок, - кто из сотрудников их допускает, - какие процессы нужно исправить. 4) Снижение операционных потерь и штрафов Неправильные данные больше не искажают: - закрытие месяца, - себестоимость, - финансовый результат. 5) Рост доверия к управленческим данным Собственник получает отчётность, которой можно верить.

Где ещё применимо

Это решение подходит всем, где есть бухгалтерия, транзакции и рутинные операции. 1) Розничные сети - продуктовые - фэшн - строительные - аптеки - электроника 2) Производственные компании - складские операции - движение материалов - корректировки - себестоимость 3) Оптовые компании - сопоставление закупок и продаж - проверки документов - выявление задвоений 4) Холдинги - консолидация отчётности - сравнение поведения филиалов 5) B2B-сервисы и франшизы - контроль франчайзи - проверка корректности отчётов точки 6) Компании с большим количеством операций - службы доставки - e-commerce - логистика - агрегаторы

Хотите обсудить похожий проект?

Еще кейсы

Кейс автоматизации для Реал Крым. 1С, Разработка и сайты, Искусственный интеллект. Реализовано компанией Технологии и Бизнес
Разработка и сайтыИскусственный интеллект

Реал Крым

Проблема клиента: Клиент — крупная торгово-производственная компания, ежемесячно заключающая более 120 договоров с поставщиками, подрядчиками, логистическими компаниями и конечными заказчиками.

Читать кейс
Кейс автоматизации для Бутон. 1С, Разработка и сайты, Искусственный интеллект. Реализовано компанией Технологии и Бизнес
Разработка и сайтыИскусственный интеллект

Бутон

Сеть росла, но управлять людьми становилось все труднее. У «Бутона» была типичная для розницы боль: 1) Высокая текучка и низкая дисциплина - Регламенты выполняются не каждый день.

Читать кейс
Кейс автоматизации для Тимокс. 1С, Разработка и сайты, Искусственный интеллект. Реализовано компанией Технологии и Бизнес
Разработка и сайтыИскусственный интеллект

Тимокс

Есть крупные гос корпорации, которые используют иностранное оборудование, это оборудование выходит из строя и нет возможности приобрести детали для ремонта, в следствие чего они заказывают такие детал...

Читать кейс