AI-аналитика закупок для 1С: рекомендации, ABC/XYZ, неликвиды, сезонность и Ollama

Описание

Разработана внешняя система аналитики закупок для 1С на базе FastAPI + PostgreSQL + Docker с поддержкой локального AI через Ollama.

Решение предназначено для:
— сетей магазинов;
— торговых компаний;
— оптовых баз;
— компаний с большим ассортиментом товаров.

Система анализирует продажи, остатки и сезонность, после чего формирует рекомендации по закупке и автоматически выявляет проблемные позиции.

Возможности системы

Рекомендации по закупке

Система автоматически рассчитывает:
— средние продажи;
— запас в днях;
— рекомендуемый объём закупки;
— риск дефицита;
— сезонный коэффициент;
— целевой запас.

Рекомендации рассчитываются на основе фактических продаж и остатков.

ABC / XYZ анализ

Поддерживается:
— ABC-анализ по выручке;
— XYZ-анализ по стабильности спроса;
— комбинированный ABC/XYZ анализ.

Это позволяет:
— выделять ключевые товары;
— находить нестабильные позиции;
— оптимизировать ассортимент.

Неликвиды и излишки

Система автоматически выявляет:
— товары без продаж;
— избыточные остатки;
— медленно оборачиваемые позиции.

Это помогает снижать замороженные остатки и оптимизировать закупки.

Анализ сезонности

Выполняется анализ сезонного роста и падения спроса.

Система определяет:
— сезонные пики;
— снижение спроса;
— изменение коэффициента сезонности.

AI-пояснения через Ollama

Дополнительно подключён локальный AI через Ollama.

AI умеет:
— объяснять причины рекомендаций;
— анализировать риск дефицита;
— объяснять влияние сезонности;
— давать краткие комментарии по каждой позиции.

AI работает локально без облачных сервисов и без передачи данных наружу.

Архитектура решения

Система построена как внешний аналитический сервис:

1С → FastAPI → PostgreSQL → AI (Ollama)

Преимущества архитектуры:
— высокая скорость работы;
— возможность масштабирования;
— независимость от платформы 1С;
— возможность подключения AI;
— работа через Docker.

Производительность

Для ускорения работы реализовано:
— кэширование тяжёлых расчётов;
— быстрые аналитические endpoint’ы;
— принудительное обновление кэша после загрузки данных.

Даже при больших объёмах данных отчёты открываются быстро.

Технологии

— 1С 8.3
— FastAPI
— PostgreSQL
— Docker
— Ollama
— REST API
— Python

Возможности развития

Планируется:
— прогнозирование спроса;
— multi-tenant SaaS версия;
— web-интерфейс;
— автоматические уведомления;
— AI-анализ динамики продаж;
— интеграция с BI-системами.

Установка приложения на Linux-сервер

Версия поставляется в виде Docker Compose проекта и может быть быстро развернута на отдельном Linux-сервере.

Требования

— Ubuntu 22.04 / 24.04
— Docker
— Docker Compose
— доступ к интернету для загрузки контейнеров

Быстрая установка

1. Установка Docker

sudo apt update
sudo apt install -y git docker.io docker-compose-plugin

sudo systemctl enable docker
sudo systemctl start docker

2. Загрузка demo-версии

git clone https://github.com/AldarKose/forecast-system-demo.git
cd forecast-system-demo

3. Запуск системы

sudo docker compose -f docker-compose.demo.yml up -d

После запуска API будет доступен по адресу:

http://IP_СЕРВЕРА:8000

Swagger-документация API:

http://IP_СЕРВЕРА:8000/docs
 

Подключение к 1С

В обработке 1С необходимо указать:

IP_СЕРВЕРА

Порт сервиса:

8000

Обмен выполняется по HTTP REST API.

В расширении есть процедуры выгрузки в систему данных о продажах(ВыгрузитьПродажиВДатасет) и остатках(ВыгрузитьОстаткиДатасет). Необходимо первоначально выгрузить за нужный вам период, далее выгружать ежедневно регламентным заданием. ВыгрузитьНоменклатуруНаСервере() выгружает дополнительные реквизиты номенклатуры.

&НаСервере
Процедура ВыгрузитьПродажиВДатасет(
	ДатаНачала,
	ДатаОкончания
) Экспорт        

	ИдентификаторЗагрузки = Строка(Новый УникальныйИдентификатор);

	ЗаписатьЛогВФайл(ИдентификаторЗагрузки, "Старт выгрузки продаж");

	РазмерПакета = 1000;  ВсегоПакетов	= 0;

	Запрос = Новый Запрос;

	Запрос.Текст =
	"ВЫБРАТЬ
	|	НАЧАЛОПЕРИОДА(Продажи.Период, ДЕНЬ) КАК Дата,
...
...

		СтрокаJSON = Новый Структура;

		СтрокаJSON.Вставить("store_id", Строка(Выборка.МагазинGUID));
		СтрокаJSON.Вставить("store_name", Строка(Выборка.Магазин));

		СтрокаJSON.Вставить("warehouse_id", Строка(Выборка.СкладGUID));
		СтрокаJSON.Вставить("warehouse_name", Строка(Выборка.Склад));

		СтрокаJSON.Вставить("sku", Строка(Выборка.НоменклатураGUID));
		СтрокаJSON.Вставить("sku_name", Строка(Выборка.Номенклатура));

		СтрокаJSON.Вставить("characteristic_id", Строка(Выборка.ХарактеристикаGUID));
		СтрокаJSON.Вставить("characteristic_name", Строка(Выборка.Характеристика));

		СтрокаJSON.Вставить("date", Формат(Выборка.Дата, "ДФ=yyyy-MM-dd"));
		СтрокаJSON.Вставить("qty", Выборка.Количество);

		МассивСтрок.Добавить(СтрокаJSON);

		Если МассивСтрок.Количество() >= РазмерПакета Тогда

			ОтправитьПакетПродаж(МассивСтрок);

			МассивСтрок = Новый Массив;    
			
			ВсегоПакетов	= ВсегоПакетов+1;
						
			ИдентификаторЗагрузки = Строка(Новый УникальныйИдентификатор);
			
			ЗаписатьЛогВФайл(
				ИдентификаторЗагрузки,
				"Отправлен пакет " + Строка(ВсегоПакетов)
				+ ", строк в пакете: " + Строка(МассивСтрок.Количество())
				+ ", всего строк: " + Строка(МассивСтрок.Количество())
			);


		КонецЕсли;

	КонецЦикла;

	Если МассивСтрок.Количество() > 0 Тогда
		ОтправитьПакетПродаж(МассивСтрок);
	КонецЕсли;   
	
	ИдентификаторЗагрузки = Строка(Новый УникальныйИдентификатор);
	
	ЗаписатьЛогВФайл(
		ИдентификаторЗагрузки,
		"Завершено. Пакетов: " + Строка(ВсегоПакетов)
		+ ", строк: " + Строка(МассивСтрок.Количество())
	);

КонецПроцедуры         

Опционально: локальный AI через Ollama

Для AI-пояснений можно подключить локальную LLM-модель через Ollama.

Установка Ollama

curl -fsSL https://ollama.com/install.sh | sh

Загрузка модели

ollama pull qwen2.5:7b-instruct

Разрешить доступ Docker-контейнера к Ollama

sudo mkdir -p /etc/systemd/system/ollama.service.d

cat <<'EOF' | sudo tee /etc/systemd/system/ollama.service.d/override.conf
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
EOF

sudo systemctl daemon-reload
sudo systemctl restart ollama

Проверка Ollama

curl http://127.0.0.1:11434/api/tags

После этого AI-пояснения станут доступны в обработке 1С.

Тестировалось на amd 5 7500f  16Gb 254 SSD

для этого установил ограничения(код открыт)

— загрузка первоначальных данных 3-4 часа

— до 1000 строк аналитики до 15 сек;

— ограничение периода анализа;

— AI-пояснения только по одной выбранной позиции до 30 сек;