Клиентов не называем. Ниша, размер, что было в контуре, что собрали и что это дало.
Производство БАД · две площадки · Wildberries и Ozon
ERP с ИИ-агентом поверх 1С:УНФ, Wildberries и Ozon
Python / FastAPIPostgreSQLReactWB API / Ozon API1С:УНФ ODataAnthropic Claude
Контекст: Команда из 15 человек, собственные производства и продажи через маркетплейсы и опт. Учёт жил в таблицах и кабинетах площадок, остатки расходились между Wildberries, Ozon и складом, план производства собирали вручную, а спецификации одного товара различались между площадками.
Что сделали: Собрали кастомную ERP на своём сервере клиента: ежедневный синк Wildberries, Ozon и 1С:УНФ, маржинальность по артикулам, план-факт, P&L и юнит-экономика в «контуре отдела продаж», ИИ-аналитик, который отвечает на вопросы по данным. Затем — ИИ-планирование производства и закупок: циклы, потребность, раскладка на сырьё, распределение по складам. Первый боевой цикл планирования запустили через два месяца после старта. По дороге починили выгрузку остатков WB, которая молча отдавала только позиции с движением за день, и двойной учёт рекламных транзакций.
до 5 млн ₽/мес
прибыли по выручке и марже
0,13 %
расхождение остатков с кабинетом WB после сверки
±3 %
совпадение расчёта маржи с внешним эталоном
Fashion-ритейл на Wildberries
Аналитика продаж и рекламы WB с ИИ-агентом рекомендаций
Wildberries APIPostgreSQLВеб-дашбордыLLM-агент
Контекст: Продажи, юнит-экономика и реклама жили в кабинете Wildberries и ручных выгрузках. Понять маржу по SKU с учётом комиссий, логистики и возвратов — отдельная работа на день.
Что сделали: Этап 1 из пяти: автосбор данных по API продавца и из личного кабинета, витрина данных, дашборды по продажам в штуках и рублях, юнит-экономика на единицу (себестоимость, комиссии, логистика, маржа), доставки и возвраты, воронка рекламы от показа до заказа. Следующие этапы — ИИ-агент, который анализирует витрину и формирует рекомендации: тенденции, точки роста, проблемные зоны. Проект оформлен договором с заданиями и актами по каждому этапу.
132 часа
этап 1 по заданию, сдан по акту без замечаний
±10 %
допустимое отклонение по трудозатратам в договоре
5 этапов
от сбора данных до ИИ-агента и опытной эксплуатации
Юридический центр · 20 подпродуктов
Два «телевизора» для планёрки поверх amoCRM
amoCRM APIPythonPostgreSQLВеб-дашборды
Контекст: Судебные юристы в разъездах, руководитель в amoCRM не сидит, понять, где сделка «зависла», можно было только опросом на планёрке. Выручка и расходы лежали в чате оплат и ручной таблице ДДС.
Что сделали: Собрали центр управления производством на шести страницах: 20 подпродуктов со светофорами по нормативам этапов с раскрытием до сделки, судебный блок (юристы, суды, цикл сделки), коммуникации и учёт бонусов, задачи сотрудников, дашборд продаж. Восстановили историю переходов по сделкам за год. Нормативы переделали вместе с клиентом: «заседание назначено» было зелёным до четырёх месяцев, стало — до 25 дней. Два экрана висят в офисе и обновляются к утренней планёрке.
4 898
событий восстановленной истории за год
0,1–0,3 с
открытие страниц благодаря кешу
104 дня
аптайм сервера без вмешательства
Студия ландшафтного дизайна
Визуализация и смета по фото участка
Генеративные модели изображенийLLMВеб-приложение
Контекст: Между заявкой и коммерческим предложением проходили дни: выезд, замеры, ручной расчёт сметы. Часть клиентов отваливалась, не дождавшись ответа.
Что сделали: Сделали приложение, где клиент загружает фотографии участка, выбирает стиль и сразу получает изображение с готовым дизайном и сметой по каждому растению. То, что требовало выезда и нескольких дней работы дизайнера, происходит за минуты на первом контакте.
−11 %
издержки на подготовку предложения