Как я сделал рекомендательный движок и ИИ-ассистента для КМ за выходные - с помощью Claude и VS Code

Главное в таких проектах - не код. Главное - правильный промт. Рассказываю, как я разобрал миллион строк по 20 000 SKU, дал каждому товару чёткий приоритет - и добавил поверх ИИ-бота, который отвечает на вопросы КМ прямо в чате. Без BI, без аналитика, без ожидания.

Категорийный менеджер тонет в данных. Выручка, штуки, себестоимость, потери, склад, транспорт, аренда, опекс - всё есть, но свести это в одно решение без часов в Excel невозможно. В итоге всё заканчивается интуицией и совещаниями.

Я поставил задачу иначе: написать движок, который автоматически классифицирует каждый товар и говорит КМ - что именно нужно исправить прямо сейчас. А потом пошёл дальше.

Плюс учёт географии: один и тот же товар в разных регионах ведёт себя принципиально по-разному. Логистика, потери, аренда склада всё зависит от точки. Единица анализа - не просто SKU, а связка SKU + регион.

Восемь метрик в трёх блоках: доходность, потери и расходы:

Весь движок написан в VS Code с помощью Claude. Моя роль - сформулировать правильный промт: описать бизнес-логику, задать веса метрик, объяснить географическую специфику. Claude пишет скрипт, я проверяю результат с точки зрения финансового смысла и уточняю промт. Несколько итераций — и аналитика готова.

Вот как выглядит карточка по конкретному SKU — всё в одном месте: метрики, оценка, диагностика причин и рекомендация.

КМ открывает файл, фильтрует по нужной группе и сразу видит план действий. Не «разобраться с плохими товарами», а конкретика: SKU, регион, фактор, рекомендация.

Карточки с рекомендациями - это хорошо. Но у КМ сразу возникает вопрос: «А почему именно так? Покажи цифры». Раньше это означало: открыть BI, найти нужный отчёт, отфильтровать по SKU и региону. 10-20 минут минимум.

Я добавил поверх движка оперативного ИИ-бота на LangFlow. Теперь КМ просто пишет вопрос в чат и получает готовые цифры, на которых была сделана рекомендация. Никакого BI, никакого ожидания аналитика.

КМ получает ответ за секунды. Не нужно открывать BI, не нужно писать аналитику, данные приходят прямо в диалог, с контекстом и сравнением.

Это меняет скорость принятия решений. Вопрос «почему» перестаёт требовать отдельной встречи. КМ дрилится в данные прямо в чате — и сразу видит, что делать. Итог: что получилось в результате

Два слоя вместе - это уже не просто аналитика, это операционный инструмент. Движок даёт приоритеты, бот объясняет цифры. КМ работает быстрее, решения принимаются на данных, а не на интуиции.

Всё это - Claude, VS Code, LangFlow и 20 лет понимания того, как устроен управленческий учёт в ритейле. Технология доступна. Барьер - только умение описать задачу точно.

Именно поэтому финансисты с глубокой предметной экспертизой становятся сильнее с появлением AI. Мы знаем, что спрашивать и как проверить ответ.

#управленческийучёт , #ритейл , #ebitda , #аллокация , #финансы