Перейти к содержанию
Публикация AiManual

Claude Code для аналитики цепочек поставок: как учиться на 5-минутных кейсах, а не на учебниках

Разбираем формат коротких кейсов по аналитике цепочек поставок: операционный контекст, постановка задачи и документированный код в одном уроке, запуск и адаптац

Коротко

Что будет в материале

  1. 01

    Почему учебники не готовят к операционным задачам

  2. 02

    Как устроен 5-минутный кейс: контекст, постановка, код

  3. 03

    Роль Claude Code: запустить кейс и адаптировать под себя

  4. 04

    Два маршрута в одном кейсе: дата-сайентист и планировщик

Учить аналитике цепочек поставок можно на коротких кейсах: один урок на пять минут чтения, внутри которого лежат операционный контекст, постановка задачи и документированный код. Такой формат описывает инженер по цепочкам поставок в статье How to Learn Supply Chain Analytics in 2027 with Claude Code. Смысл в том, что читатель не переходит от главы учебника к практике через полгода: он сразу видит, откуда взялись параметры модели и что означает каждая строка расчёта.

Claude Code в этой схеме не пишет решение с нуля. Агент запускает кейс как локальное приложение с параметрами, меняет их по просьбе пользователя и объясняет, что изменилось в результате. Домен остаётся на человеке: агент не знает, какой KPI болит у планировщика и какие ограничения реально действуют в цеху.

Ниже: как устроен 5-минутный кейс на примере оптимизации производственного планирования, что именно делает кодинг-агент, чем маршрут дата-сайентиста отличается от маршрута планировщика и где подход ломается.

Почему учебники не готовят к операционным задачам

Автор столкнулся с разрывом на найме. Для проекта с производственной компанией ему требовались два инженера, которые развернут агентов поддержки производственного планирования, то есть планирования того, сколько производить каждую неделю, чтобы минимизировать издержки. Технических претензий к кандидатам не было. Проблема оказалась в другом: не находилось аналитиков, которые бывали на фабрике или хотя бы разговаривали с производственным планировщиком.

По оценке автора, операционное понимание и умение перевести операционную проблему в решение дают около 80% успеха его проектов. Это субъективная оценка практика, а не измеренная метрика. Читать её стоит как указание на приоритет: сначала разобраться в цеху, потом выбирать алгоритм.

Разрыв между теми, кто знает процессы, и теми, кто умеет считать

Две группы почти не пересекаются. Специалисты по цепочкам поставок знают процессы, но в основном работают в Excel. Большинство дата-сайентистов, с которыми работал автор, строили карьеру в финансах или маркетинге, а не на складах и фабриках. Получаются две зеркальные дыры: домен без инструментов и инструменты без домена.

Автор считает, что в 2027 году этот разрыв станет наибольшей возможностью для аналитических специалистов, решивших повысить квалификацию. Это его прогноз, а не рыночное исследование, и проверяемых данных за ним в материале нет. Более устойчивый аргумент лежит рядом: в отчёте Microsoft New Future of Work Report 2025 отмечено, что доменные эксперты — исследователи, клиницисты, креативные специалисты — могут быть лучше подготовлены к формулированию промптов, оценке и использованию результатов ИИ, чем менее опытные пользователи (Microsoft Research). Тезис «кодинг стал товаром» — тоже мнение автора, а не измеренный факт рынка труда.

Что клиент говорит и что он имеет в виду

Клиент не просит модель прогнозирования временных рядов с экспоненциальным сглаживанием и политикой периодического пересмотра. Он говорит: «у нас проблема с запасами». Между этой фразой и решением кто-то должен задать вопросы: какой KPI затронут, какие решения принимают на основе уровней запасов, что произойдёт, если запас окажется выше или ниже привычного.

Именно этот переход тренирует кейс, а не учебник по алгоритмам. Учебник начинается с метода и методом заканчивается. Кейс начинается с фразы планировщика и заканчивается планом на неделю, который можно обсудить с производством.

Как устроен 5-минутный кейс: контекст, постановка, код

Кейс собран из трёх частей, и все три лежат в одном месте. Читатель не теряет связь между бизнес-смыслом и строкой кода: контекст объясняет, откуда взялись числа, постановка объясняет, что с ними делают, код показывает, как именно.

Контекст: какие издержки и ограничения вообще есть на фабрике

Входные данные кейса по производственному планированию — это заказы или спрос по неделям плюс три вида издержек:

  • setup-издержки: стоимость запуска партии. Переналадка линии, замена оснастки, мойка оборудования, простой между партиями.
  • production-издержки: стоимость единицы продукции. Сырьё, труд, энергия на единицу.
  • holding-издержки: стоимость хранения единицы запаса за период. Место на складе, замороженный оборотный капитал, риск порчи.

Эти три величины и есть мост между цехом и оптимизационной моделью. Конкретные ставки берутся из данных планировщика, а не из головы: в учебной постановке их удобно оставить символьными и подставлять реальные значения только тогда, когда они согласованы с производством. К издержкам добавляются ограничения: мощность линии, минимальный размер партии, сроки поставки сырья.

Постановка задачи: как звучит вопрос планировщика на языке оптимизации

Вопрос «сколько производить каждую неделю, чтобы минимизировать издержки» превращается в задачу размерности партии с дискретными периодами. Целевая функция выглядит так:

суммарные издержки =
    сумма по периодам ( setup * признак запуска партии )
  + сумма по периодам ( production * объём выпуска )
  + сумма по периодам ( holding * остаток запаса на конец периода )

при условиях:
    остаток запаса >= 0
    спрос каждого периода покрыт выпуском и запасом

Производить ровно под спрос каждую неделю нельзя считать оптимумом по умолчанию. Высокие setup-издержки делают выгодной большую партию с запасом на несколько недель вперёд. Высокие holding-издержки, наоборот, тянут к частым маленьким партиям. Этот обмен между переналадкой и хранением и есть вся задача, а не деталь реализации.

Решение: Wagner-Whitin и документированный код

Wagner-Whitin относится к динамическому размеру партии (dynamic lot sizing). Его применяют, когда спрос существенно меняется от периода к периоду на конечном горизонте; модель EOQ, для сравнения, предполагает постоянный непрерывный спрос и оптимальна только при этих условиях (MetricGate). Алгоритм идёт по горизонту слева направо и для каждого периода перебирает, где заканчивается покрытие спроса следующей партией: закрыть спрос этого периода запасом, сделанным раньше, или запустить новую партию. Для каждого префикса горизонта запоминается лучшая найденная стоимость, поэтому полный перебор вариантов не нужен.

Границы применимости важнее названия алгоритма. Базовая постановка Wagner-Whitin детерминированная: спрос известен заранее, периоды дискретны, издержки переналадки и хранения заданы. Ограничения мощности линии, брак и минимальный размер партии в неё не входят — для них нужна другая модель, вплоть до смешанного целочисленного программирования. Если издержки становятся неопределёнными, алгоритм расширяют до стохастической версии: в литературе описано решение, где случайные издержки учитываются через функцию плотности вероятности и нечёткие модели (ResearchGate). Это уже отдельная задача, а не настройка параметров.

Код в кейсе документируется на уровне бизнес-смысла, а не синтаксиса: комментарий объясняет, что за плата стоит за запуск партии и почему запас на конец недели стоит денег. Туториал с исходным кодом автор публикует вместе со статьёй; в этом тексте разбираем логику и структуру урока. Конкретную реализацию из туториала стоит проверять на своих данных: состав издержек и ограничения на реальной фабрике отличаются от учебной постановки.

Роль Claude Code: запустить кейс и адаптировать под себя

Кодинг-агенты вроде Claude Code автор называет прорывом для специалистов, которые хотят освоить аналитику цепочек поставок (источник). Практическая механика простая: агент поднимает кейс локально, вы меняете параметры, он объясняет diff и последствия правки.

Где именно выполняется код, зависит от настройки. Claude Code обрабатывает код локально в локальных сессиях либо в облачных сессиях на инфраструктуре, которой управляет Anthropic, если организация не направила их в самостоятельно размещённую среду (документация Claude Code). Для учебного кейса с данными фабрики это практический вопрос: прежде чем загружать реальный спрос и издержки, уточните, какая сессия используется и какие правила действуют в вашей организации.

Типичный цикл работы с кейсом:

  1. Запустить кейс локально и убедиться, что он считает план на тестовых данных.
  2. Поменять входные параметры: спрос по неделям, setup-, production- и holding-издержки, число периодов.
  3. Попросить агента объяснить, что изменилось в плане производства и почему именно так.
  4. Попросить адаптировать код под второй сценарий, например под сезонный всплеск спроса.

Агент полезен на документированном коде с понятным контекстом. На «сыром» коде без постановки задачи он будет угадывать смысл переменных и предлагать правки наугад. Как формулировать запросы, чтобы агент не достраивал контекст за вас, разбирали в материале об эффективном промптинге для Claude Code.

Что агент делает хорошо, а что не делает вовсе

Что агент делаетЧто остаётся на человеке
Запускает кейс локально и перезапускает после правокВыбор KPI и постановка задачи в операционных терминах
Меняет параметры: спрос, издержки, горизонт планированияПроверка, что параметры соответствуют реальным издержкам фабрики
Объясняет diff: что изменилось в плане и почемуПроверка качества данных и единиц измерения
Адаптирует код под второй сценарий и новые вводныеИнтерпретация результата и разговор с планировщиком

Агент не знает, какой KPI болит у операционной команды, не отвечает за корректность данных и не проверяет, имеет ли смысл полученный план. Ценность даёт понимание домена, а не сам инструмент: без операционного контекста красивый ноутбук просто быстрее выдаёт неверный ответ.

Локальное приложение с параметрами как учебный тренажёр

Читать код глазами бесполезно, запускать его с параметрами — полезно. На входе должны быть данные о спросе по периодам, три вида издержек, горизонт планирования и начальный запас. На выходе — план производства по неделям, суммарные издержки с разбивкой по видам и сравнение с наивной стратегией. Меняя спрос и издержки, вы сразу видите, как перестраивается план: код превращается из текста в эксперимент.

Конкретный интерфейс и структуру файлов каждый кейс задаёт по-своему, поэтому здесь важна функциональность, а не названия кнопок. Достаточно, чтобы параметры вводились без правки кода: иначе первый же вопрос «а что если переналадка подорожает вдвое» упрётся в поиск нужной строки.

Два маршрута в одном кейсе: дата-сайентист и планировщик

Формат рассчитан на две аудитории одновременно. Дата-сайентисты используют кейсы, чтобы понять, как работают операционные команды, и научиться переводить их потребности в аналитические продукты. Специалисты по цепочкам поставок просят агента адаптировать код под свои нужды, поэтому им не нужно учить программирование, чтобы построить инструмент. Обе группы работают с одним материалом и обсуждают один результат.

Дата-сайентисту: сначала операции, потом модель

Перед кодом сформулируйте, какой KPI затронут и какие решения принимаются на основе плана. Проверьте, что параметры модели совпадают с реальными издержками, а не взяты из воздуха. Признак прогресса простой: вы можете объяснить планировщику, что означает каждое слагаемое в целевой функции и откуда взялась каждая цифра.

Планировщику: принести домен и проверить результат

Сформулируйте задачу своими словами, попросите агента поменять параметры и объяснить изменения, сверьте план с тем, что вы сделали бы в Excel. Признак прогресса: вы понимаете, почему план изменился при росте setup-издержек, и можете назвать границы применимости модели. Excel-опыт здесь не минус, а источник постановки задачи: вы знаете, какие ограничения в реальности ломают красивый расчёт.

Где подход ломается: ограничения кейсов и Claude Code

Кейс — учебная модель, а не продакшн-решение. В базовой постановке спрос детерминированный: известно заранее, сколько нужно в каждую неделю. Периоды дискретные. Мощность линии, брак, минимальный размер партии и переналадки по группам продуктов если и учитываются, то отдельными надстройками. На реальной фабрике всё это присутствует, и учебная модель к цеху напрямую не переносится.

Кодинг-агент добавляет свои границы. Он не проверяет качество данных: пропуск в недельном спросе или перепутанные единицы (штуки против упаковок) пройдут через расчёт молча и дадут правдоподобный неверный план. Интерпретация результата тоже остаётся на человеке.

Рыночный контекст добавляет ещё один слой. Автор пишет, что многие крупные компании вложились в AI-проекты из-за FOMO, созданного хайпом, и сейчас застряли на этапе внедрения (источник). Мотив FOMO здесь — наблюдение автора, а не измеренная причина. Масштаб проблемы подтверждают отраслевые данные: по исследованию MIT 95% пилотов генеративного ИИ в компаниях не достигают быстрого роста выручки, и из 33 прототипов до продакшена доходят 4 (Crashbytes). Опрос McKinsey 2025 года показывает ту же картину с другой стороны: 88% организаций регулярно используют ИИ, но только 33% масштабировали внедрение на уровне всей компании. По данным S&P Global Market Intelligence (опрос 1006 ИТ- и бизнес-специалистов), доля отказов от инициатив ИИ до выхода в продакшен выросла с 17% в 2024 году до 42% в 2025 году, а в среднем 46% проектов закрываются между proof of concept и широким внедрением; Gartner прогнозировал, что как минимум 30% проектов генеративного ИИ будут заброшены после proof of concept к концу 2025 года (IntuitionLabs). Наличие Claude Code и аккуратного ноутбука эту стадию не проходит за компанию. О том, где заканчиваются возможности AI-инструментов в разработке, разбирали в отдельном материале: про границы применимости AI-first процессов.

Специалист нужен, когда в задаче несколько ограничений мощности и переналадок одновременно, когда спрос стохастический и сезонный, когда план должен жить в интеграции с учётной системой и требованиями к прослеживаемости. Для обучения же достаточно одного продукта и одной линии.

Что проверять в результате, прежде чем нести его планировщику

  • Единицы измерения совпадают во всех блоках: спрос, выпуск и запас считаются в одних и тех же единицах.
  • Все три вида издержек учтены, ни один не потерялся при подстановке.
  • Запас не уходит в минус ни в одном периоде.
  • Суммарный выпуск с учётом начального запаса покрывает суммарный спрос.
  • План сравнён с наивной стратегией «производить ровно под спрос», а разница в издержках объяснима: это сэкономленные переналадки минус стоимость хранения.
  • Если разница неправдоподобно велика, ищите ошибку в параметрах, а не повод для гордости.

Когда кейс вырастает в приложение с вводом параметров, проверку сценария стоит автоматизировать, чтобы правка кода не ломала расчёт: подход к таким проверкам разбирали в статье про E2E-тесты с Claude Code.

Как собрать свой первый кейс: пошаговый план

  1. Выберите одну операционную задачу из своей практики: планирование выпуска, пополнение склада, загрузка линии.
  2. Сформулируйте контекст: какие заказы, какие издержки, какие ограничения действуют.
  3. Запишите постановку в операционных терминах, до всякого алгоритма.
  4. Выберите метод и обоснуйте применимость: детерминированный спрос, дискретные периоды, отсутствие ограничений мощности.
  5. Оформите код с комментариями по бизнес-смыслу, а не по синтаксису.
  6. Запустите локально с параметрами и проверьте результат по чек-листу выше.
  7. Попросите агента объяснить итог и адаптировать кейс под второй сценарий, например под рост setup-издержек.

Пять минут — это формат одного урока, а не срок освоения темы. Один кейс даёт один разобранный обмен между операционной логикой и моделью; серия кейсов складывается в понимание, как устроены разные участки цепочки поставок.

Минимальный стек и первый шаг на этой неделе

Нужны Python с локальным запуском скрипта, данные о спросе по периодам (их можно выгрузить из Excel в CSV) и Claude Code как агент для запуска и правок. Первый шаг: возьмите один ряд спроса из своей практики и посчитайте план двумя способами — наивным «ровно под спрос» и через Wagner-Whitin. Сравните суммарные издержки и объясните разницу одним абзацем. Если объяснение не складывается, проблема в постановке задачи, а не в коде, и разбираться нужно с планировщиком, а не с агентом.

Подписаться на канал