Скилл-аудитор для 1С: как ИИ помогает находить дубли, ошибки и аномалии в данных
Скилл-аудитор для 1С: как ИИ помогает находить дубли, ошибки и аномалии в данных
Проблемы с качеством данных редко появляются в одном месте. У контрагента заводят вторую карточку, у номенклатуры пропускают единицу измерения, в документ попадает нетипичная скидка, после обмена резко растёт число новых элементов справочника. Каждый отдельный случай можно исправить вручную. Сложность начинается, когда таких случаев много, они повторяются, а пользователи перестают доверять справочникам и отчётам.
ИИ способен помочь с первичным аудитом: собрать подозрительные записи в очередь, сопоставить несколько признаков, объяснить рекомендацию и расставить приоритеты проверки. Однако найденный кандидат ещё не является подтверждённой ошибкой. Решение должно учитывать бизнес-правила, связанные документы и последствия изменения данных.
Скилл-аудитор в этой статье — целевая модель такого процесса, а не описание возможностей конкретного готового продукта. Её основа — управляемый цикл, в котором 1С остаётся системой учёта, правила задаёт владелец процесса, ИИ готовит рекомендации, а эксперт принимает решение.
Три разных задачи в одной очереди
Слово «ошибка» часто используют для любых подозрительных данных, хотя причины и способы проверки различаются.
- Дубль — две или несколько записей, которые могут описывать один объект. Например, «ООО Альфа» и «Альфа ООО» с одинаковым ИНН.
- Ошибка данных — нарушение известного правила: пустое обязательное поле, недопустимый формат, противоречие между реквизитами или значение за установленной границей.
- Аномалия — наблюдение, которое заметно отличается от обычного поведения в выбранном контексте. Большая скидка, отрицательное количество или всплеск новых карточек могут оказаться как ошибкой, так и корректным исключением.
Разделение влияет на весь процесс аудита. Известное правило можно проверить точным условием. Поиск дублей требует сопоставления нескольких полей и истории карточек. Аномалию приходится оценивать относительно периода, подразделения, вида операции и других обстоятельств.
Поэтому очередь лучше формировать с указанием класса проблемы, основания и ожидаемого действия эксперта. Запись «подозрительная карточка» мало помогает. Формулировка «кандидат в дубли: совпадает ИНН, названия похожи, отличаются КПП и договоры» уже задаёт маршрут проверки.
Почему поиска по строке недостаточно
Точное совпадение хорошо работает для ИНН, артикула или телефона после нормализации. Но названия одного контрагента могут быть записаны в разном порядке, с сокращениями и опечатками. У разных организаций, наоборот, встречаются похожие наименования.
Надёжная проверка собирается из нескольких сигналов:
- Нормализовать сравниваемые значения: пробелы, регистр, кавычки, формат телефона и служебные сокращения.
- Сопоставить сильные идентификаторы: ИНН, КПП, артикул, штрихкод или другой реквизит, принятый в процессе.
- Сравнить дополнительные признаки: единицу измерения, группу, статус, адрес, договоры и период активности.
- Проверить связанные документы и последствия возможного объединения.
Точные правила дают понятный результат для известных нарушений. Поиск быстро находит совпадения по выбранным полям. ИИ полезен там, где нужно объединить несколько слабых признаков, ранжировать большую выборку и объяснить, почему конкретная пара поднялась выше остальных. Окончательное решение остаётся у специалиста, который знает учётный контекст.
Как устроить безопасный цикл ИИ-аудита
Ценность появляется, когда проверка становится повторяемым процессом. Разовый список дублей постепенно устаревает, а причины появления новых ошибок остаются прежними.
Рабочий цикл можно построить из шести шагов:
- Выбрать один объект и сформулировать цель аудита.
- Подготовить выборку только из разрешённых и необходимых полей.
- Описать правила качества и признаки, которые будут использоваться для поиска.
- Сформировать кандидатов, ранжировать их и приложить объяснение.
- Передать очередь эксперту для подтверждения, отклонения или отложенного решения.
- Зафиксировать результат и улучшить правило ввода, нормализацию или контроль при записи.
На каждом шаге есть своя зона ответственности. 1С хранит данные и формирует контролируемую выборку. Владелец процесса определяет, что считать нарушением. ИИ возвращает гипотезу и основания. Эксперт проверяет карточки и связанные объекты. Журнал сохраняет решение и помогает понять, какие правила нужно изменить.
Такая схема согласуется с подходом NIST AI Risk Management Framework: назначить владельца, описать контекст, измерять качество и управлять рисками в течение всего цикла. Для аудита данных это особенно существенно, потому что правдоподобная рекомендация может затронуть документы, отчётность и интеграции.
Как проверить кандидата в дубли
Представим две условные карточки: «ООО Альфа» и «Альфа ООО». Названия похожи, ИНН совпадает, обе карточки активны. Для алгоритма это сильный кандидат. Для учётной системы данных пока недостаточно.
Эксперт сверяет КПП, адреса, договоры, банковские реквизиты, период использования и документы, связанные с каждой карточкой. Одна запись может относиться к филиалу, хранить исторические операции или участвовать во внешнем обмене. Даже если карточки действительно описывают одну организацию, способ исправления зависит от конфигурации и правил компании.
У эксперта должно быть как минимум три варианта решения:
- подтвердить проблему и передать её в отдельный контролируемый процесс исправления;
- отклонить рекомендацию и записать причину различия карточек;
- отложить решение, если нужны дополнительные сведения или согласование владельца данных.
Само исправление лучше отделить от анализа. ИИ-аудитор формирует очередь и объяснение, но не получает право удалять элементы, переносить ссылки или менять реквизиты. Для действия нужны полномочия, журнал, проверка последствий и понятный способ отмены.
Какие метрики показывают качество
Количество найденных записей говорит лишь о размере очереди. Если большая часть рекомендаций оказывается бесполезной, эксперт тратит время и быстро перестаёт доверять инструменту.
Для пилота достаточно четырёх групп показателей:
- доля рекомендаций, которые эксперт подтвердил;
- известные проблемы, не попавшие в очередь;
- среднее время проверки одного кандидата;
- повторное появление ошибок после исправления.
Целевые значения нельзя назначить одинаково для всех справочников. Для критичных идентификаторов цена пропуска может быть выше, чем цена лишней проверки. В массовой очереди, напротив, большое число ложных срабатываний быстро сделает процесс слишком дорогим. Порог и метрики нужно согласовать с владельцем конкретного процесса.
Журнал решений помогает измерять качество и улучшать систему. Если эксперт регулярно отклоняет кандидатов по одной причине, этот контекст стоит добавить в правила или признаки ранжирования. Если ошибка повторяется после исправления, нужно искать источник: форму ввода, загрузку, обмен или организационный процесс.
Данные и доступы до начала пилота
Учётные данные могут содержать персональную и коммерчески чувствительную информацию. До подключения ИИ нужно определить перечень разрешённых полей, место обработки, роли доступа, срок хранения и способ удаления временной выборки.
Принцип минимизации здесь вполне практичен. Для проверки дублей номенклатуры могут потребоваться наименование, артикул, единица измерения, группа и статус. Цены, движения, комментарии и сведения о пользователях стоит добавлять только при обоснованной необходимости.
Отдельно нужно проверить, сохраняет ли выбранная модель входные данные, где выполняется обработка и какие организационные правила действуют в компании. Универсального ответа нет: безопасный контур зависит от состава данных, инфраструктуры и политики организации.
Пилот за пять шагов
Первый запуск лучше ограничить одним справочником и понятной задачей. Подходящий объект имеет заметную проблему качества, владельца и доступную для проверки историю решений.
План пилота выглядит так:
- Выбрать один справочник, например контрагентов или номенклатуру.
- Сформулировать 3–5 правил и признаки кандидатов.
- Подготовить безопасную выборку с минимальным набором полей.
- Назначить эксперта и вести журнал подтверждённых и отклонённых рекомендаций.
- Провести ретроспективу: оценить точность очереди, время проверки, пропуски и повторные ошибки.
Расширять охват стоит после первого полного цикла. Если правила понятны, очередь проверяется за приемлемое время, а журнал даёт материал для улучшений, можно подключить следующий справочник или новый класс проблем.
Выводы
ИИ-аудит данных в 1С полезен как управляемая очередь рекомендаций. Точные правила находят известные нарушения, ИИ сопоставляет несколько сигналов и помогает определить приоритет, эксперт проверяет контекст и принимает решение.
Для старта нужны один справочник, несколько правил, минимальная выборка, назначенный владелец и измеримые критерии качества. Автоматическое исправление лучше оставить за границами первого пилота: сначала команда должна научиться объяснять, проверять и фиксировать рекомендации.
Хороший следующий шаг — выбрать справочник, которому пользователи доверяют меньше всего, и записать три правила качества для него. Какой объект в вашей 1С вы проверили бы первым: контрагентов, номенклатуру, договоры или что-то другое?
Вступайте в нашу телеграмм-группу Инфостарт
Вы можете заказать платную адаптацию этой статьи под ваши задачи на «Бирже заказов».
- 0% комиссии — оплата напрямую исполнителю;
- Исполнители любого масштаба — от отдельных специалистов до команд под проект;
- Прямой обмен контактами между заказчиком и исполнителем;
- Безопасная сделка — при необходимости;
- Рейтинги, кейсы и прозрачная система откликов.
