Lamoda: автоматизация складской и транспортной логистики
В 2021–2023 годах я руководил программой автоматизированного управления складской и транспортной логистикой Lamoda: 13 команд, второй фулфилмент-центр запущен в срок.
Метод расчёта и детали — на встрече, в рамках NDA
Это кейс управления крупной программой автоматизации логистики. Я руководил программой и командами, а не писал код. Ниже только проверенные факты, детали и метод оценки эффекта — на встрече, в рамках NDA.
Какая была задача?
Автоматизировать управление складской и транспортной логистикой и запустить второй фулфилмент-центр в срок. Подробности постановки задачи — на встрече, в рамках NDA.
Что сделали на уровне управления?
Выстроили работу программы из 13 команд вокруг одной цели и одного графика.
- Руководил программой автоматизированного управления складской и транспортной логистикой.
- Координировал 13 команд, их сроки и зависимости.
- Вёл запуск второго фулфилмент-центра.
Подробности архитектуры и отдельных решений не раскрываю.
Какой результат?
Второй фулфилмент-центр запущен в срок. Автоматизированное управление складской и транспортной логистикой внедрено. Детали — на встрече, в рамках NDA.
Чему научил этот проект?
- Срок держится на зависимостях. Когда команд больше десяти, проект срывают не задачи внутри команд, а стыки между ними. Их нужно видеть заранее.
- Автоматизация на живом складе — это изменение процесса. Склад не останавливается ради внедрения, поэтому каждый шаг должен быть безопасным для текущих операций.
- Людей на площадке нужно вовлекать раньше запуска. Решение, которым не пользуются, не даёт эффекта.
Как я применяю этот опыт у вас?
Внедрение ИИ в логистике строю по формуле Prioritize → Pilot → Prove.
| Шаг | Что делаем | Результат |
|---|---|---|
| Prioritize | Разбор процессов склада, транспорта и документов, карта решений | 2–3 процесса с лучшим соотношением эффекта и сложности |
| Pilot | Пилот 4–6 недель на одном участке без остановки операций | Решение в реальном процессе |
| Prove | Замер до и после по выбранной метрике | Решение о масштабировании |
В карте решений всегда есть раздел «Где ИИ не нужен»: часть задач склада лучше решают регламенты или обычная WMS. Типичные кандидаты для пилота — сверка документов, обращения клиентов по доставке, видеоаналитика склада.
Пример пилота: агент сверяет транспортные документы на одном складе, а сотрудник проверяет только расхождения. До старта фиксируем базовую точку — сколько времени уходит на комплект и сколько ошибок находят после отгрузки. Через 4–6 недель сравниваем те же показатели и решаем, переносить ли решение на другие площадки. Если эффекта нет, вы узнаёте это быстро и без больших вложений.
Подробнее — ИИ для логистики, видеоаналитика и отраслевая страница логистика и фулфилмент. Чтобы обсудить ваш склад, оставьте заявку на бесплатный разбор.
Частые вопросы
Какой была ваша роль в проекте?
Какие цифры эффекта есть по проекту?
Чем этот опыт полезен логистической компании?
Связанные решения
ИИ для логистики, склада и фулфилмента
Планирование загрузки, контроль доставки, возвраты и прогноз сбоев на складе и в транспорте.
Подробнее опыт WildberriesВидеоаналитика для склада, ПВЗ и производства
Камеры замечают нарушения, повреждения, очереди и простои и сразу сообщают ответственному.
ПодробнееСтратегия внедрения ИИ и портфель инициатив
Карта решений, приоритеты по эффекту, пилоты и масштабирование ИИ — для собственников и CEO.
ПодробнееПочитать по теме
Применим этот опыт у вас?
Расскажите, какую работу хотите отдать агентам. Я лично посмотрю задачу и предложу, с чего начать. Бесплатно.
- РазборБесплатно. Смотрю процесс и данные, говорю, где ИИ даст эффект, а где не нужен.
- Карта решенийПроцессы по эффекту и сложности, план пилота и метрики.
- Пилот 4–6 недельРаботает на реальном процессе, эффект меряем до и после.
Телефон: +7 926 065-77-93Почта: askerov.russ@gmail.comНаписать в Telegram