• Доставка до клиента организована на уровне магазинов (не склада).

• Товарная матрица жёстко фиксирована: перемещение ассортимента между точками возможно только в рамках допустимых категорий (например, нельзя заменить «Телефоны» на «Хлеб» при перераспределении).

• Доступны фактические данные по:

  • продажам (с доставкой / без),

  • остаткам на точках,

  • SKU-уровню заказов с доставкой (включая адреса и объёмы).

На основе этих данных можно реализовать следующие аналитические и управленческие модули:

1. Определение зон покрытия магазинов
   По адресам доставок (без привязки к квартирам) и частоте заказов за период (например, за год) строится геопространственная область — зоны ответственности каждого магазина. Границы определяются экстремальными точками доставок.

2. ABC-анализ по SKU на уровне точки
   На основе фактических продаж формируется структура ассортимента: приоритетные, средние и низколиквидные SKU — с учётом оборачиваемости и вклада в выручку.

3. Моделирование альтернативного размещения при закрытии точки
   Сопоставление товарных матриц, зон покрытия и ABC-профилей позволяет идентифицировать подходящие точки-реципиенты для перераспределения остатков — с минимальными логистическими и коммерческими потерями.

4. Планирование перераспределения
   Комбинируя:

   • текущие остатки (на отправляющей точке),

   • лимиты хранения и нормативы по категориям (на принимающих точках),

   • совместимость товарных матриц,

   • пересечения зон покрытия и клиентской базы,
     формируется оптимальный план перемещения запасов — как при частичной реорганизации сети, так и при полном закрытии объекта.

Пример конфигурации:
Объект А характеризуется своей зоной покрытия и текущими остатками. Объекты Б, В, Г и др. — собственными остатками, ограничениями хранения по категориям, продажной динамикой и клиентскими зонами. Система оценивает все взаимодействия и предлагает планы по перераспределению товаров (Зон ожидается в будущем)

Компания Х решила закрыть объект А. Теперь нужно оценить, как это повлияет на:

- остатки товаров в других магазинах и на складе;

- зоны доставки других магазинов;

- среднее время доставки клиентам и стоимость перераспределения товарных остатков.

На основе этого анализа мы составим техническое задание для программы. Вот его основные пункты:

1. Определить регион, в котором находится объект А.

2. Выяснить фактические остатки товаров на этом объекте.

3. Найти ближайшие объекты с аналогичной товарной матрицей.

4. Провести ABC-анализ товаров на всех объектах за последний год.

5. Разработать план перераспределения товаров. Учитывать информацию из пунктов 1–3, а также средние затраты на перевозку одного кубического метра (задается при создании региона). Рассчитать оптимальное перераспределение.

Предложенная логика в целом корректна, однако в текущей реализации не учитывается стоимость доставки как функция пройденного расстояния или объёма груза.

Например, можно оперировать не стоимостью за километр, а средней себестоимостью перевозки на единицу объёма — скажем, при известных затратах в 1,5 млн ₽ на перевозку 160 м³ получаем удельную стоимость ~9,4 тыс. ₽/м³. (Цифра условная и приведена для иллюстрации.)

Более гибкий и масштабируемый подход — задать набор типов транспорта («траков») с атрибутами: тип маршрута, грузоподъёмность, объём и соответствующая средняя стоимость перевозки. Это позволит учитывать различия в логистике более точно.

С учётом этого, скорректирую модель и вернусь к дальнейшей проработке.

Программа, следуя установленным правилам, рассчитывает оптимальное размещение товаров. Если отключить АВС-анализ, она будет учитывать только остатки, местоположение и матрицу.

Ниже приведу пример работы данного функционала, данные заглушка и программа не может правильно разместить товары, поэтому все = 0.

P.S. Сейчас создание достоверных данных не является приоритетом.

Да, так как и писал - данные тестовые и в самом деле в регионе нет аналогичных матриц

Аналогично скрину выше, не нашли куда перевозить, доставка = 0.

И теперь основной вопрос "А что будет с доставкой? Как сильно закрытие повлияет на SLA по скорости?". Данный расчет сейчас является приоритетной доработкой которой я занимаюсь.
Логика которая мною вкладывает в анализ - следующая:

1. Смотреть на расстояние различных точек на карте

2. Делить действующую зону на кластеры

3. Определить оптимальные объекты по времени которые находятся рядом

4. Сделать ренден всех 3-ех пунктов и показывать изменения в зонировании доставки с отчетом об изменении среднего времени и какие районы слишком далеко.

Для инфраструктуры это очень важный фактор, от которого зависит многое. Так же этот фактор должен работать и при открытии нового объекта. Но сейчас такой функционал не реализован

Функция выбора источника данных для программы и совместная работа с одним исполняемым файлом.

В параллели с влиянием на регион, мне удалось внести не большую доработку в систему. Теперь пользователи могут выбирать исполняемый файл.

2 пользователя работают с одним исполняемым файлом, вносят корректировки, строят дашборды, удаляют или дополняют данными программу. Но как копии приложения узнать что внесены изменения в хранилище? Для этого было реализовано metadata таблица. исполняемое приложение запускается, запоминает метаданные времени БД и проверяет обновления, в случае изменения метаданных моментально сигнализирует о том что необходимо обновить данные.

В рамках подготовки программы к первому тестированию на живых данных в нашей компании была реализована функция "Отправить отчет об ошибке".

После отправки - логи приходят ко мне в ТГ через бота. Все логи запаковываются в zip архив, параллельно запускает процесс удаления логов из папки.

Почему я быстрее реализовал совместный доступ и отправку логов, вместо того что бы наполнить данными и показать на примере где все логично? Наверное потому что лень тратить много времени на создание данных, а потом их дополнять и править. Программа не окончательная, система хранения меняется. Например сейчас я понял что стоимость доставки и распределения товара можно завязать на типы траков - буду реализовывать и менять хранение. Менее затратно по времени дописать скрипт, чем создавать новую логику в 1000 строк данных.

Всем спасибо за то что дочитали.

Если есть желание предоставить тестовые данные с логикой - буду очень рад, поможет при тестировании. Шаблон данных могу предоставить.

1. Андрей Бурилов (Управляющий директор по ИТ, Московская Биржа) Его команда реализовала один из сложнейших проектов года по версии Global CIO. Они провели полную миграцию единой клиентской базы данных на микросервисную архитектуру. Это позволяет главной торговой площадке России выдерживать колоссальные нагрузки и быстро запускать новые инструменты в условиях изоляции от западных рынков капитала.

2. Бинур Жаленов (Председатель Центра развития платежных и финансовых технологий, Нацбанк Казахстана) Главный идеолог цифрового тенге. В 2025 году проект CBDC (цифровой валюты центробанка) в Казахстане перешел в стадию реального внедрения, включая программируемые платежи и офлайн-транзакции. Это делает Казахстан одним из мировых лидеров в области государственных цифровых валют.

3. Ренат Туканов (CTO, Freedom Holding Corp., Казахстан) Продолжает строить глобальную цифровую экосистему, которая успешно конкурирует на международных рынках. Уникальность его подхода заключается в глубокой интеграции брокерских, банковских и страховых услуг в единое бесшовное приложение, работающее в нескольких юрисдикциях.

4. Федор Лежнев (CIO, Альфа-Капитал, Россия) В условиях волатильности рынков обеспечил создание надежной инвестиционной платформы. Его заслуга в построении системы, которая дает клиентам мгновенный доступ к торгам и аналитике, выдерживая пиковые нагрузки во время резких колебаний рынка.

5. Алексей Голубинцев (Замначальника Департамента, Газпромбанк, Россия) Отвечает за цифровизацию банковских процессов. Банк активно внедряет инструменты на базе искусственного интеллекта для оценки рисков и персонализации предложений, существенно сокращая время вывода продуктов на рынок (Time-to-Market).

6. Сергей Белан (Начальник управления защиты информации / Руководитель офиса цифровизации, Министерство антимонопольного регулирования и торговли Республики Беларусь). Занимается внедрением блокчейна для прозрачности торгов, киберзащитой госреестров. Разработал информационные системы «Анализ цен» и «Учет средств наружной рекламы» в рамках цифрового развития Беларуси.

7. Фарид Самедов (Kapital Bank, Азербайджан) Драйвер изменений в крупнейшем банке страны. Под его руководством приложение Birbank превратилось в полноценный SuperApp, объединяющий финансовые и нефинансовые сервисы, что стало бенчмарком для всего региона Южного Кавказа.

Промышленные гиганты и Энергетика

Здесь цифровая трансформация означает безопасность, непрерывность производства и переход на индустриальный софт собственной разработки.

8. Денис Яковлев (Директор по ИТ, АСЭ Росатом) Победитель конкурса «Проект года 2024» с системой КУСТО. Это решение позволило полностью импортозаместить управление ИТ-сервисами и активами на зарубежных площадках строительства АЭС. Критически важный проект для поддержания экспортного потенциала атомной отрасли.

9. Роман Жуков (Руководитель цифровой трансформации, Зарубежнефть) Фокусируется на создании цифровых двойников месторождений и предиктивной аналитике оборудования. Его работа демонстрирует, как «умная скважина» позволяет снижать себестоимость добычи даже на зрелых месторождениях.

10. Марат Молдабаев (Директор ИТ департамента, Интергаз Центральная Азия, Казахстан) Обеспечивает цифровую устойчивость газотранспортной системы Казахстана. Внедрение систем мониторинга и автоматизации процессов техобслуживания критично для энергетической безопасности региона.

11. Кирилл Семион (Начальник департамента информатизации, РЖД) Управляет гигантской цифровой машиной железных дорог. Главный вектор 2025 года для него связан с развитием квантовых коммуникаций и полным переводом рабочих мест сотрудников на отечественные операционные системы и офисные пакеты.

12. Вадим Желтухин (CIO, АЛРОСА) Внедряет технологии Индустрии 4.0 в суровых условиях Крайнего Севера. Автоматизация подземных рудников и использование AI для геологоразведки позволяют компании сохранять эффективность добычи алмазов.

13. Роман Цыганков (Директор по ИТ, АВТОЗАВОД Санкт-Петербург) Оптимизировал производственные цепочки с использованием ИИ, снизил простой на 30% за счет внедрения цифровых двойников.

14. Бегарс Усембаев (Управляющий директор IQ Solutions, Казахстан) Занимался проектами по разработке цифровых двойников для нефтедобычи и симуляции сценариев на базе ИИ.

Ритейл и E-commerce

В торговле побеждает тот, кто лучше всех знает своего клиента и умеет предсказывать спрос.

15. Денис Коровин (Операционный директор ИТ, Лента) Один из ключевых спикеров TAdviser Summit. Его команда успешно трансформирует классический ритейл в технологическую компанию, внедряя продвинутую аналитику для управления ассортиментом и ценообразованием в реальном времени.

16. Михаил Кудашев (CIO, SOKOLOV) Построил в ювелирной сети одну из самых передовых систем работы с данными (Data-Driven подход). Благодаря этому компания может гиперперсонализировать предложения для покупателей, что значительно увеличивает средний чек и лояльность.

17. Леонид Черный (CDO, Uzum, Узбекистан) Технологический архитектор первого «единорога» Узбекистана. Создание экосистемы, объединяющей маркетплейс, финтех и доставку еды, требует филигранной работы с большими данными, что и обеспечивает взрывной рост компании.

18. ИТ-команда ГК «Детский мир» (Коллективный успех, отмеченный премией TAdviser IT Prize 2024). Компания провела масштабную модернизацию инфраструктуры, обеспечив стабильность онлайн-продаж и омниканального обслуживания миллионов родителей по всей стране.

19. Артем Шунтиков (Директор по ИТГК РусБизнесАвто) Занимается цифровизацией логистики и CRM-систем, интеграцией с российскими платформами для импортозамещения. В 2024-2025 году разработал единую облачную платформу для дилерской сети, что привело к ускорению обработки заказов на 60%.

20. Светлана Соловьева (CDO, Юнилевер Русь) Успешно адаптировала глобальные практики FMCG-гиганта к локальным условиям. Фокус на e-commerce аналитике и автоматизации цепочек поставок позволяет компании гибко реагировать на изменение потребительского спроса.

Платформы и Экосистемы

Лидеры, создающие фундамент для цифрового развития государства и бизнеса.

21. Максим Тятюшев (Гендиректор, СберТех) Развивает Platform V — технологический фундамент Сбера. В 2025 году эта платформа стала ключевым продуктом для импортозамещения в крупнейших корпорациях страны, предлагая готовую альтернативу западным решениям.

22. Станислав Лазуков (Гендиректор, TData / Ростелеком) Лауреат TAdviser IT Prize 2025. Его команда создает национальные инструменты управления данными. Проект с AstraZeneca доказал, что российские платформы Data Governance могут успешно применяться даже в таких требовательных к качеству данных отраслях, как фармацевтика.

23. Дмитрий Ильин (Замгендиректора по ИТ, Почта России) Продолжает трансформацию логистического оператора в цифровую компанию. Развитие цифровых сервисов для электронной коммерции и автоматизация сортировки — главные приоритеты для повышения скорости доставки.

24. Владимир Замаруев (CIO, Уральский завод гражданской авиации) Отвечает за цифровое крыло авиастроения. Внедрение систем управления жизненным циклом изделия (PLM) на отечественном ПО критически важно для возрождения гражданской авиации и запуска в серию новых самолетов.

25. Инна Сенчугова (Директор по ИТ Михайловский театр / МХАТ им. Горького)  Цифровизировала культурные сервисы: VR-туры и онлайн-билеты, что привело к росту аудитории на 50%.

Заминочка только одна. Весь опыт работы - 1.5 года Skillbox.
Якобы они там сначала обучаются, а потом стажируются.
Неоднократно я слышал про этот Skillbox, но тут прям любопытство взяло.
"Зови мальца" - говорю я HRше, а сам погружаюсь в томительное ожидание.

Настаёт день Х.

Устраиваем тройничок - я, HRша и кандидат.

Начали, традиционно, с выслушивания претендента. Тот бойко так стелит, и человек, не погружённый в IT точно впечатлился бы.
А я слышу прям откровенную чушь периодически.
Ну, суть да дело, выслушали, настал и мой черёд.

"А расскажи-ка, милчеловек, что за звери такие - TCP и UDP? Чем отличаются они?" - спрашиваю я.
В ответ тишина, а в глазах испуг.
"Ну а что такое DNS и DHCP?" - про себя думаю, ну раз инфраструктуру разворачивал, уж это-то должен знать.
Фигушки.
Правда уже не испуг услышал, а какие-то фантазии.

"Ну ладно" думаю. Про докер он мне рассказывал.
"А расскажи мне, родимый, чем образ отличается от контейнера?"
Тут опять поток несвязного сознания.

Решил дать передышку (и себе, и бедолаге). Спрашиваю: "Чем на стажировке занимались?"
Что-то там он вещал, что не помню, но обронил он фразу, что подключался к серверам по SSH.

"О! - думаю, он же в облаке инфраструктуру разворачивал, и всякое такое. Ведь наверняка знает, на каком порту по умолчанию SSH работает. Ну и спрашиваю его об этом.
А он и на это ответить не может.

Я для приличия ещё пару вопросов задал, да и попрощался.

Так и состоялось моё знакомство с представителем тех, кто услышал, что "в ИТ большие деньги платят за просто так", и что "мы из вас с нуля за год сделаем девопса".
А по факту за 1,5 года их научили только модным словам и составлению прекрасного резюме.
С тех пор если в резюме встречается слово "Skillbox", и это всё, что там есть - повод задуматься, а стоит ли вообще таких рассматривать.

Процесс найма обычно выглядит так:

Ты публикуешь вакансию на HeadHunter.

За день прилетает 50–100 откликов.

Ты начинаешь их открывать.

Через час у тебя дергается глаз.

Половина кандидатов вообще не читала описание вакансии. Люди откликаются веерно: «Авось куда-то возьмут». Ты ищешь менеджера в B2B со знанием тендеров, а тебе присылают резюме продавца-консультанта из салона сотовой связи. Формально и то, и то — «продажи», но по факту — разные вселенные.

Чтобы найти одного достойного кандидата, нужно просеять сотни анкет. Это часы монотонной работы, которая отвлекает от реальных дел. Я посмотрел на свой инструмент, где уже успешно трудились нейросети Gemini, и подумал: «Если ИИ может понять, подходит ли этот товар под запрос клиента, почему он не может понять, подходит ли этот человек под нашу вакансию?»

Так началась разработка модуля «Поиск резюме (HH.ru)».

Задача был достаточно простой: построить эффективную воронку отбора

Стандартный поиск на работных сайтах — это набор фильтров. Это работает, но грубо. Мне нужен был инструмент, который бы автоматизировал не просто поиск, а весь процесс первичного отсева, работая по принципу умной воронки: от широкого захвата к глубокому анализу только лучших (ну или хотя бы отсеять ненужные резюме).

Вот как я это реализовал.

Интеграция с HeadHunter

Первым делом нужно было научить мое Python-приложение общаться с HH.ru. Я зарегистрировал приложение в кабинете разработчика HeadHunter, получил Client ID и Client Secret.

В интерфейсе своего инструмента я добавил кнопку авторизации. Работает это через стандартный протокол OAuth. Я нажимаю «Войти через HH». Открывается окно браузера, где я подтверждаю доступ. Приложение получает токен и сохраняет его (в зашифрованном виде, разумеется). Теперь мой скрипт может официально делать запросы к базе резюме от моего имени.

Предварительный поиск

Я сознательно отказался от сложных интерфейсов. Вместо этого — два простых поля: Город и Текстовый запрос. В поле запроса я пишу так, как сказал бы живому рекрутеру.

Пример: «Нужен активный менеджер по продажам спецодежды. Обязателен опыт работы с юрлицами (B2B), понимание 44-ФЗ и тендеров. Желательно наличие автомобиля».

Как это работает под капотом:

Скрипт берет точный текст моего запроса и город. Он находит ID города (например, Москва — это 1, Краснодар — 53) для API.

Затем он делает запрос к HH.ru, прося выдать до 200 самых свежих резюме, которые соответствуют поисковой фразе в указанном регионе.

Сразу после получения списка, запускается строгий локальный фильтр. API HH.ru может выдать кандидатов из всего края или тех, кто готов к переезду. Мой скрипт проверяет поле «Город» в каждом резюме и отбрасывает всех, у кого оно не совпадает с введенным мной названием.

На выходе мы получаем отфильтрованный список кандидатов строго из нужного нам города.

«Быстрый сканер» — локальный предварительный рейтинг

Анализировать все 150-200 резюме с помощью Gemini — дорого и долго. Поэтому следующий этап — быстрая внутренняя сортировка.

Система проходит по каждому резюме из отфильтрованного списка и начисляет ему предварительные баллы. Ищет совпадения ключевых слов из моего запроса в названии должности и ключевых навыках кандидата. Добавляет бонусные баллы, если резюме было обновлено недавно. Это не ИИ, а простой и быстрый алгоритм. Его задача — поднять наверх списка тех, кто с наибольшей вероятностью подходит под запрос.

Глубокий анализ лучших с помощью Gemini

Вот здесь и начинается ИИ-магия. Система берет топ-50 (или меньше, в зависимости от настроек) кандидатов из предварительно отсортированного списка и только для них запускает глубокий анализ.  Для этих 50 кандидатов скачиваются их полные резюме: весь опыт работы, обязанности, достижения, раздел «Обо мне». Далее, для каждого кандидата, этот массив текста отправляется модели Gemini (роль «HH-Analyst»). В промпте для нее заложены инструкции опытного HR-директора.

ИИ делает следующее:

Сравнивает профиль с запросом. Он проверяет, действительно ли опыт кандидата релевантен. Если человек 10 лет продавал, но не в B2B, а в рознице — ИИ это заметит и снизит балл. Выставляет оценку. От 1 до 10 баллов по шкале соответствия моей вакансии. Пишет саммари (Summary). Это краткая выжимка в 2-3 предложения. Например: «Кандидат с сильным профилем в продажах, знает наш рынок. Из минусов — часто меняет работу (4 места за 2 года)».

Генерирует вопросы для собеседования. Это доп фича для руководителя. ИИ видит пробелы или интересные места в резюме и формулирует конкретные вопросы. Пример: «Вы указали, что выиграли крупный тендер в 2023 году. Какова была ваша роль в подготовке документации?»

Весь этот процесс для 50 кандидатов занимает пару минут. Вручную я бы потратил на это несколько часов.

Результат: Как это выглядит на экране

Когда анализ завершен, я вижу перед собой информативные карточки, отсортированные по финальному рейтингу от ИИ. Сверху — «десятки» и «девятки».

В карточке я сразу вижу:

ФИО, возраст, город.

Вердикт ИИ: Оценка и обоснование (почему этот кандидат подходит или нет).

Опыт работы

Вопросы: Готовый список, который можно распечатать перед звонком.

Если мне нравится кандидат, я нажимаю «Показать опыт работы», и разворачивается детализация, где уже подсвечены ключевые навыки, которые я искал.

Экспорт и работа с командой

К примеру, мне нужно показать кандидатов руководителю отдела продаж. Скидывать ссылки в мессенджер неудобно. Поэтому я добавил кнопку «Скачать отчет в Excel». Система формирует аккуратную таблицу. В ней есть колонки: ФИО, Ссылка, Зарплата, Телефон и, самое главное, — Комментарий ИИ и Вопросы.

Итоги внедрения

Потенциальный эффект: что может измениться в нашем найме?

Внедрение такого автоматизированного подхода может кардинально изменить процесс подбора персонала в компании, особенно там, где нет выделенного HR-отдела. Скорость найма. Больше не нужно копить резюме днями, чтобы выделить время на их чтение. Запустили скрипт, ушли пить кофе, вернулись — список лучших кандидатов готов.

Качество кандидатов. Снижается риск пропустить хороших специалистов, у которых просто неидеально оформлено резюме (хотя тут большой вопрос, если он не может продать себя, как он будет продавать что-то еще). ИИ видит суть опыта, даже если он описан корявым языком, и находит скрытые таланты.

Уровень собеседований. Даже если интервью проводит не профессиональный рекрутер, а линейный руководитель, у него перед глазами будет список умных, предметных вопросов, сгенерированных ИИ на основе анализа конкретного резюме. Разговор сразу становится более глубоким и по делу.

Конечно, ИИ не заменит личного общения. Он не оценит адекватность человека, его харизму и то, как он вольется в коллектив. Но он может снять с руководителей огромный пласт рутинной работы по первичному отсеву. В результате можно тратить свою энергию и время только на тех, кто этого действительно стоит.

Всех благодарю за прочтение. Всем успехов в ваших начинаниях!
оригинал статьи

P.S.: в ходе обсуждений пришел к тому, что необходимо внедрить ИИ детектинг резюме. То есть определять резюме, которые были написаны с помощью ИИ. Это не говорит, что их нужно отфильтровать, но знать об этом не помешало бы.