Sewing Lab

Задача

Sewing Lab - швейное производство с собственными интернет-продажами: около ста моделей одежды, продажи через рекламу в соцсетях, CRM Sitniks, доставка Новой Почтой и Укрпочтой, склад и цеха в Google-таблицах. Ситуация, знакомая почти каждому ecom с собственным производством:

• Что шить - решали вручную. Спрос в CRM, остатки в таблице, цеха в другой вкладке. Чтобы понять, чего не хватает, нужно было свести это в голове.
• Закупку материалов считали на глаз. Следствие: то простой, то лишние рулоны на складе.
• Деньги по наложенным платежам никто не сверял. Реестры переводов приходили письмами, сопоставить их с заказами вручную нереально.
• Непонятно, какие модели зарабатывают. Реклама в двух кабинетах, себестоимость в одном файле, продажи в другом.
• Менеджеры отвечали на «какая цена?» вручную, включая ночи и выходные.

Что мы сделали

Систему, которая каждое утро в 7:00 приносит готовые решения вместе с суммами в двух валютах:

• Планирование пошива. Система берет спрос из CRM, остатки со склада и цехов и товар, который едет обратно как возврат, и выдает план: какую модель, в каком цвете и размере шить сегодня. Партии округляются до производственных десятков.
• Закупка материалов и финотчет. Под план считается ткань и фурнитура: метры сводятся к рулонам, штуки к фасовкам, цены к суммам в долларах и гривнах. Список приходит в чат закупок, разбитый по поставщикам.
• Контроль наложенных платежей. Каждое отправление сверяется с реестрами переводов почты: деньги пришли, пришла другая сумма, ждем, просрочено более 10 дней. Реестры забираются из почтового ящика автоматически.
• Учет возвратов. Через API почты видно, что физически вернулось на склад, что еще едет, а что зависло в отделении. Возвращенное сразу учитывается как наличие и не шьется повторно.
• Аналитика и рейтинг моделей. Единый балл эффективности из шести показателей: маржа, процент выкупа, конверсия, стоимость заказа, стоимость диалога, сложность пошива. Расходы на рекламу подтягиваются из двух рекламных кабинетов Facebook и сводятся к каждой модели.
• Автоответы покупателям. Система определяет модель по рекламе, из которой пришел диалог, берет цену из карточки товара и отвечает за секунды, дальше передает диалог менеджеру.
• Админка с ролями. Финансист видит деньги, производство - план, закупщик - материалы.

Результат в цифрах

• Материалы под план считаются на 94% вместо 45%. Доля плана, для которой система не могла посчитать закупку, упала с 55% до 6%. Только по основной ткани заказ вырос с 5 до 17 рулонов - ровно столько, сколько на самом деле было нужно.
• Более четверти миллиона гривен наложенных платежей под контролем. Контрольный прогон всего за два дня отправлений взял под наблюдение 307 посылок на 272 455 грн - с поименным списком тех, по которым деньги не дошли.
• 24% этих денег были вообще вне видимости. Отправления второго перевозчика технически не попадали в сверку: 74 посылки из 307, почти 73 тысячи гривен. Нашли это на живых данных, а не в тестах.
• Ответ покупателю за секунды вместо 1,5-2 минут - и круглосуточно. Система отвечает только там, где цена однозначна: из 122 товаров это 108.
• Расходы на рекламу видны полностью. Второй рекламный кабинет был недоступен для расчетов: 20,5 тыс. долларов расходов в месяц просто не существовали в цифрах, поэтому стоимость заказа была занижена. Теперь рейтинг считается по настоящим 76,7 тыс. долларов в месяц по обоим кабинетам.
• Мимо плана проходит 0,15% спроса вместо 9%. Заказы на цвет, которого нет в таблице, раньше молча выпадали из плана: 171 единица. После наведения порядка - 3 единицы из 1994.
• Рейтинг моделей построен на всей истории продаж - десятки тысяч заказов сведены к показателям по каждой модели.

Как мы работали

Примерно шесть недель от первого разговора до системы, которая работает каждый день без участия разработчика. Каждый блок запускался отдельно и сразу приносил пользу: сначала ядро расчета (план + закупка), затем коннекторы к CRM, почте и таблицам, потом аналитика, в конце автоответы и контроль денег.

Принципы, без которых такое не работает:

• Проверка на живых данных. Половину самых дорогих ошибок нашли, прогнав систему на настоящем складе, а не в тестах.
• Система молчит вместо того, чтобы сказать неправду. Нулевой остаток часто означает «шьется прямо сейчас», поэтому покупателю не пишется «нет в наличии».
• Правка человека - источник правды. Система никогда не перезаписывает то, что человек внес в таблицу руками. Клиент не отказывался от Google-таблиц: система читает их такими, какие они есть.
• Каждое число можно отследить до строки таблицы, из которой оно взялось.

Стек: Python (FastAPI), PostgreSQL, React, Sitniks CRM API, Meta Marketing API (два рекламных кабинета), API Новой Почты и Укрпочты, Google Sheets API, Telegram Bot API.

Услуга: AI-автоматизация операций