01 — Кейс · ML Нейросети

AI-аудит операций для Latflex — экспедитора наливных грузов

Мы провели двухнедельный AI-аудит операций Latflex — рижского экспедитора, который возит растительные масла, зерно и удобрения во флекситанках и танк-контейнерах через порты Балтики и Чёрного моря. Разобрали рабочие процессы, почту отдела продаж, историю ставок и все системы компании, сверили замеры с отраслевыми исследованиями и передали дорожную карту из семи AI-сценариев с базовыми замерами, прогнозом эффекта и очерёдностью внедрения. Код в рамках аудита не писали — так было задумано.

2 недели

Обновлено: 22 октября 2026 г.

Смотреть кейс

срок проекта: 2 недели
функциональных модулей: 7
этапов разработки: 6
ключевых технологий: 7

AI-аудит операций для Latflex — экспедитора наливных грузов

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Latflex — нишевый экспедитор из Риги. Компания перевозит растительные масла, зерно, масличные культуры, удобрения и другие агротовары через балтийские и черноморские порты в Центральную Азию и СНГ. В Риге и Поти у неё работают флекситанки, танк-контейнеры ISO, еврокубы IBC и услуги перекачки; клиенты — сырьевые трейдеры, отгружающие товар из Роттердама, черноморских портов и внутренних регионов ЕС.

Как у большинства нишевых экспедиторов, команда небольшая: несколько старших сотрудников с многолетним чутьём на цены и оборудование, один общий ящик отдела продаж, а весь технологический стек — Outlook, Excel и бухгалтерская программа.

Руководство пришло с гипотезой, что ИИ ускорит подготовку ставок. Гипотеза оказалась верной, но вопрос был слишком узким. В первый же день мы расширили задачу до аудита всей компании: найти от трёх до семи мест, где ИИ даёт измеримый эффект, и определить порядок внедрения. Рамки — две недели и фиксированная стоимость; выбор инструментов, разработка и продажа платформы в задачу не входили.

Ставки считают старшие
Чтобы ответить на запрос ставки, сотрудник читает письмо, ищет тарифы в PDF перевозчиков и портов, считает надбавки и пишет ответ. Замеры показали медиану около 75 минут на запрос и около 40% времени старших сотрудников на расчёт ставок, причём половина этого времени — канцелярская работа.
Почта продаж не про продажи
От четверти до трети входящих писем в ящик продаж — вовсе не запросы ставок: вопросы «где мой контейнер», просьбы прислать копии коносаментов, CMR и сертификатов анализа, вопросы по счетам и таможне. Разбирают их те же люди, которые считают ставки.
Ставки разбросаны
Единого источника ставок нет: они лежат в PDF перевозчиков, письмах брокеров, таблицах и в памяти команды о том, что предлагали в прошлом месяце. Из-за этого любая ставка рискует оказаться устаревшей, а каждый расчёт начинается с поиска.
Документы и сроки — вручную
Данные из коносаментов, CMR и сертификатов анализа перебивают руками — 15–30 минут на отправку при 2–5% ошибок. Бесплатное время использования оборудования в нескольких портах отслеживают вручную, и демередж с детеншном остаются известной статьёй потерь.

03 — Возможности

Что делает система

Ключевые сценарии и рабочие модули, собранные в единую систему.

Наблюдение за работой команды
Мы работали рядом со старшими сотрудниками и прослеживали каждую повторяющуюся операцию от начала до конца: входящие запросы, расчёт ставок, бронирование, подбор оборудования, документы, взаимодействие с таможней, сверку счетов, диспетчеризацию и сопровождение после отгрузки. Каждый шаг хронометрировали на представительной выборке текущей работы — эти замеры стали базовой линией для расчёта эффекта.
Разбор почты отдела продаж
С разрешения клиента взяли выборку из основного ящика продаж за несколько месяцев и разметили каждое письмо по намерению: запрос ставки, отслеживание груза, запрос документов, вопрос по счёту, таможня, внутренняя переписка, лид, спам. Распределение показало, куда на самом деле уходит внимание команды, — и это редко совпадает с тем, как его оценивают сами сотрудники.
Анализ выигранных и проигранных запросов
Сопоставили историю ставок с тем, чем закончился каждый запрос, — с поправкой на направление, тип оборудования, сегмент клиента и скорость ответа. Задача — найти настоящие рычаги конверсии: цену, время ответа, соответствие оборудования, тон переписки. Вывод оказался неочевидным: на направлениях с постоянными клиентами решает не цена, а скорость ответа.
Карта систем и поставщиков
Описали каждую внешнюю систему, поставщика, источник данных и информационный поток: источники ставок перевозчиков, PDF портовых тарифов, порталы терминалов, таможенные интерфейсы, бухгалтерскую программу, банк, таблицы — и места, где хранится опыт компании. Карта сразу показала, какие интеграции обойдутся дёшево, а какие будут сложными.
Сверка с отраслевыми данными
Выводы всех четырёх треков сверили с открытыми исследованиями Freightos, Transport Intelligence, McKinsey, FourKites, Project44 и DHL Trend Radar. Так каждая возможность получила оценку не только по замерам одной компании, но и по данным сегмента: базовый замер Latflex плюс диапазон эффекта, на который можно опереться при планировании.
Рейтинг семи AI-возможностей
Главный итог аудита — таблица из семи сценариев: ко-пилот расчёта ставок, сортировка входящей почты, база знаний по ставкам, приём документов (коносамент, CMR, сертификат анализа), контроль демереджа и детеншна, сбор лидов с отраслевых выставок и помощь в проверке опасных грузов и санкций. Порядок определяли по ожидаемому ROI, технической сложности, сроку до эффекта и тому, как сценарии стыкуются между собой.
Дорожная карта в три волны
Семь сценариев разложили на три волны на первые 6–9 месяцев после аудита. Первая — база ставок параллельно со стартом ко-пилота, вторая — сортировка почты, приём документов и лиды с выставок, третья — демередж и проверка опасных грузов и санкций. У каждой волны свои критерии успеха, а между волнами — решение, продолжать или остановиться.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 07

Workflow Audit

Хронометраж на живой работе вместо опросов. Пока каждый шаг не измерен, прогноз эффекта от ИИ остаётся догадкой. Замеры по операциям — от входящего запроса до сопровождения после отгрузки — дали базовую линию, от которой считался каждый сценарий дорожной карты.

Зачем в проекте · 02 / 07

Inbox Archaeology

У небольшого экспедитора почта — главный рабочий инструмент и главный источник данных. Разметка писем по намерению показала долю переписки, не связанной с запросами ставок, — 25–30% — и вывела сортировку почты на второе место в рейтинге.

Зачем в проекте · 03 / 07

Win/Loss Analytics

Проверка интуиции команды данными. Именно этот анализ показал, что на направлениях с постоянными клиентами конверсию определяет скорость ответа, а не цена. Поэтому ко-пилот расчёта ставок нацелен прежде всего на то, чтобы сократить время подготовки ответа.

Зачем в проекте · 04 / 07

Process Mapping

Карта систем и потоков данных ответила на вопрос, во что обойдётся каждая интеграция. Она же выявила разрозненность ставок как скрытую нагрузку на все остальные процессы и сделала базу ставок обязательным условием для ко-пилота.

Зачем в проекте · 05 / 07

Industry Benchmarking

Одна компания — слишком маленькая выборка. Данные Freightos, McKinsey, FourKites, Project44, Container xChange и других исследований дали диапазоны эффекта по сегменту, поэтому прогнозы в дорожной карте опираются не только на замеры Latflex.

Зачем в проекте · 06 / 07

ROI Modelling

Каждый сценарий получил базовый замер, прогноз эффекта, оценку сложности и срок до результата. Это превратило список идей в сопоставимые между собой вложения и позволило ранжировать их по ожидаемой отдаче.

Зачем в проекте · 07 / 07

Roadmap Design

Очерёдность важнее списка: инфраструктура каждой волны используется в следующей. Сортировка почты строится на интеграции с почтой и классификаторе ко-пилота, а извлечение данных из коносаментов и CMR покрывает большую часть приёма документов.

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

Пересборка задачи
В первый день перевели запрос с одного процесса — расчёта ставок — на аудит всей компании. Зафиксировали срок в две недели, фиксированную стоимость и форму результата: письменный аудит и рабочая сессия со старшей командой.
Наблюдение и хронометраж
Работали рядом со старшими сотрудниками и замеряли каждую повторяющуюся операцию на живых задачах. Параллельно шли остальные треки аудита — за две недели нужно было успеть все четыре.
Почта и история запросов
Разметили выборку писем из ящика продаж за несколько месяцев по намерению и сопоставили исторические ставки с исходами запросов, чтобы найти реальные рычаги конверсии.
Карта систем и сверка с рынком
Описали все системы, поставщиков и потоки данных, оценили стоимость интеграций и сверили собственные замеры с отраслевыми исследованиями, чтобы прогноз эффекта опирался на данные сегмента.
Рейтинг и ROI-модель
Свели найденное в семь сценариев, для каждого посчитали базовую линию, прогноз эффекта, сложность и срок до результата, ранжировали их и разложили на три волны внедрения.
Аудит и рабочая сессия
Передали письменный аудит: карту процессов, базовые замеры, возможности, очерёдность, ROI-модель и оценки трудоёмкости разработки. На рабочей сессии прошли документ со старшей командой Latflex.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

AI-возможностей найдено и ранжировано: 7
диагностика за фиксированную стоимость: 2 недели
времени старших сотрудников можно высвободить по топ-3 сценариям: ~40%
до эффекта от главной возможности: 8–16 недель

За две недели Latflex получил письменный аудит всей операционной деятельности и приоритизированный список из семи AI-сценариев. Первые два — ко-пилот расчёта ставок и сортировка входящей почты — дают основную часть прогнозируемого высвобождения времени старших сотрудников в первые полгода. Для ко-пилота прогноз — сократить подготовку ответа до нескольких минут и, по отраслевым оценкам McKinsey и Freightos, вернуть 2–5% маржи, теряемых на ошибках в ценах; для сортировки почты, по оценкам FourKites и Project44, — высвободить около четверти времени клиентского сервиса.

Ко-пилот мы рекомендовали как инструмент старшего сотрудника, а не портал самообслуживания и не замену TMS: система читает запрос, предлагает оборудование с обоснованием, собирает ставку из источников с ограничением по марже и готовит ответ в стиле команды, а сотрудник проверяет и отправляет. Базу ставок советуем строить первой или параллельно с ко-пилотом: каждая неделя разработки на разрозненных ставках — это неделя переделок.

Дорожная карта не привязана к исполнителю — её можно реализовать с любым подрядчиком или своими силами. Кейс опубликован с разрешения Latflex. Тот же формат подходит другим экспедиторам и 3PL-операторам — специалистам по танк-контейнерам, агросырьевым направлениям, консолидаторам сборных грузов, проектной логистике, рефрижераторным перевозкам: меняется порядок семи сценариев, но не характер проблем.

FAQ

Вопросы о проекте

Аудит — это диагностика, а не разработка. За две недели и фиксированную стоимость мы измеряем, где компания теряет время старших сотрудников и маржу, и отвечаем, где ИИ даст измеримый эффект и в каком порядке его внедрять. Результат — письменный документ: карта процессов, базовые замеры, ранжированные сценарии, ROI-модель и оценки трудоёмкости. Код в рамках аудита Latflex не писали намеренно.

Гипотеза Latflex про ставки была верной, но для экспедитора такого масштаба правильный вопрос шире: где во всей операционной деятельности ИИ даёт ощутимый эффект и в какой последовательности. Расширение дало полную картину: расчёт ставок действительно занял первое место, но аудит показал, что ко-пилоту нужна единая база ставок, а заметную часть времени команды съедает почта, не связанная с продажами.

Мы берём выборку писем за несколько месяцев и размечаем каждое по намерению: запрос ставки, отслеживание груза, документы, счета, таможня, внутренняя переписка, лиды, спам. У небольшого экспедитора почта — главный рабочий канал, поэтому распределение писем честно показывает, куда уходит время. В Latflex от четверти до трети входящих в ящик продаж оказались вовсе не запросами ставок.

Потому что ко-пилот не может работать надёжно на разрозненных ставках, а сейчас они лежат в PDF перевозчиков, письмах брокеров, таблицах и памяти команды. База ставок — самый дешёвый сценарий в списке со сроком до эффекта около четырёх недель; она обязательна для ко-пилота и желательна для контроля демереджа. Поэтому в первой волне база идёт до ко-пилота или параллельно с ним, а не после.

Из двух источников. Базовая линия — наши замеры у клиента: например, около 75 минут на запрос ставки или 15–30 минут на ручной ввод документов по отправке. Диапазон эффекта — из открытых отраслевых исследований McKinsey, Freightos, FourKites, Project44, Container xChange и других. Это прогноз, а не гарантия, поэтому у каждой волны есть критерии успеха и точка решения «продолжать или остановиться».

Да. Те же четыре трека и в целом тот же набор из семи сценариев встречаются у малых и средних экспедиторов и 3PL-операторов: специалистов по танк-контейнерам, агросырьевых направлений, консолидаторов сборных грузов, проектной логистики, рефрижераторных перевозок. Меняется порядок сценариев и логика оборудования, но не сами проблемы: запросы по почте, разрозненные ставки, вопросы об отслеживании, ручной ввод документов, потери на демередже.

Нет. Аудит даёт письменный результат, по которому можно действовать независимо от того, кто будет реализовывать рекомендации. В нём есть оценки трудоёмкости разработки по каждому сценарию, поэтому план можно отдать своей команде или любому подрядчику. Мы — один из вариантов исполнителя, но дорожная карта самостоятельна, и в объём аудита не входили ни выбор платформы, ни привязка к поставщику.