Продукты собственных торговых марок (СТМ) сервисов доставки и маркетплейсов всё чаще встречаются в корзине покупателя. Речь не о единичных SKU, а о системно присутствующих линейках, которые формируют заметную часть продаж в базовых категориях.
Данные показывают различия в масштабе присутствия СТМ у разных игроков. У одних витрин собственные бренды занимают значимую долю, у других остаются точечным сегментом. Все цифры и распределение — в карточках выше, снизу указаны магазины, сверху — торговые марки
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10🔥3👍2👀1
Как изменился рыбный рынок в 2025 и к чему готовиться в 2026
В конце года традиционно подводят предварительные итоги. Для рыбохозяйственного комплекса 2025 год складывается непросто: отрасль завершает его ниже плановых ориентиров по вылову, с признаками стагнации в переработке и снижением рентабельности на фоне роста цен и сдержанного потребительского спроса.
❤️ Совокупный вылов по итогам года ожидается на уровне около 4,5 млн тонн, что ниже базовых сценариев, заложенных в стратегию развития отрасли. Ключевая причина отклонения — резкое сокращение вылова сардины иваси. При этом по отдельным видам сохраняется положительная динамика: минтай, тихоокеанская сельдь и часть лососевых показывают рост по сравнению с прошлым годом.
❤️ В аквакультуре производство в целом удерживается на уровне 2024 года, но остаётся ниже плановых показателей и уровня 2023 года. Снижение фиксируется в сегменте карповых и лососевых, рост — по осетровым и марикультуре. Ограничивающими факторами остаются инвестиции, корма, посадочный материал и стоимость заёмного финансирования.
❤️ Переработка демонстрирует стагнацию. Объёмы производства колеблются без выраженного роста, рентабельность за последние годы снизилась более чем в три раза. Параллельно продолжается консолидация: за девять лет количество предприятий в рыбопереработке сократилось примерно на треть, при практически неизменной численности занятых. Инвестиционная активность после пика 2021 года не растёт.
❤️ Со стороны спроса ключевой тренд 2025 года — сокращение потребления. По оценкам аналитиков, объём потребления рыбы на душу населения по итогам года может снизиться до 24 кг. При этом цены на рыбу за два года выросли сильнее, чем на мясо и птицу, что усиливает давление на спрос и ускоряет переход покупателей к более доступным видам продукции.
❤️ Во внешней торговле экспорт и импорт в 2025 году частично восстановились по сравнению с 2024 годом, но остаются ниже уровней 2023 года. В 2026 году базовый сценарий для импорта — стагнация, для экспорта — сохранение текущих объёмов. Цены, по оценкам, будут расти умеренно, чуть выше продуктовой инфляции.
Ключевые цифры и динамика — в карточках выше❤️ . Детальный анализ и сценарии 2026 года — в материале партнёра по ссылке.
В конце года традиционно подводят предварительные итоги. Для рыбохозяйственного комплекса 2025 год складывается непросто: отрасль завершает его ниже плановых ориентиров по вылову, с признаками стагнации в переработке и снижением рентабельности на фоне роста цен и сдержанного потребительского спроса.
Ключевые цифры и динамика — в карточках выше
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9❤3🔥2
Будущее MDM: как ИИ меняет управление мастер-данными
Людям хочется заглянуть в будущее, особенно когда речь идёт о данных. MDM-системы долгое время воспринимались как «справочники с правилами», но сейчас стоит вопрос: какими они станут через 3–5 лет и сколько в них останется ручной работы?
Эксперты Axenix считают, что искусственный интеллект в MDM — рабочий инструмент. Вендоры MDM-систем активно внедряют ИИ-функциональность. В 1С:MDM ИИ-агенты уже используются. Речь не о модном направлении, а о решении конкретных проблем, с которыми бизнес сталкивается каждый день.
Где ИИ уже даёт эффект:
❤️ Обнаружение ошибок на этапе ввода данных. Не все поля можно описать жёсткими шаблонами и масками. ИИ-алгоритмы помогают приводить данные к нужному формату сразу после ввода, снижая количество ошибок ещё до их попадания в систему.
❤️ Поиск скрытых дублей. Классические детерминированные алгоритмы уступают место контекстному анализу. ИИ способен находить похожие записи, которые человек просто не заметил бы, и выявлять дубли там, где формально данные отличаются.
❤️ Классификация и кластеризация. Особенно критично для e-commerce и поставщиков с большими объёмами обновлений. Когда в систему одновременно загружаются сотни или тысячи позиций, ручная классификация почти всегда гарантирует ошибки. ИИ позволяет автоматизировать этот процесс и повысить качество пользовательского опыта.
❤️ Фактически это может стать следующей реинкарнацией MDM — когда управление мастер-данными происходит фоново, а человек подключается только к контролю и развитию.
❤️ Так всё-таки: «вкалывают роботы — счастлив человек»?
ИИ уже заметно меняет MDM-системы. Но речь идёт не о полной автоматизации, а о снятии рутинной нагрузки и ускорении процессов. Как быстро бизнес придёт к формату полного управления с помощью ИИ — вопрос ближайших 3–5 лет и зрелости процессов управления данными.
В следующие постах мы расскажем как уже сейчас в решениях MDM-линейки 1C применяются механизмы машинного обучения и искусственного интеллекта
Ставьте❤️ , если используете ИИ в своей работе
Людям хочется заглянуть в будущее, особенно когда речь идёт о данных. MDM-системы долгое время воспринимались как «справочники с правилами», но сейчас стоит вопрос: какими они станут через 3–5 лет и сколько в них останется ручной работы?
Эксперты Axenix считают, что искусственный интеллект в MDM — рабочий инструмент. Вендоры MDM-систем активно внедряют ИИ-функциональность. В 1С:MDM ИИ-агенты уже используются. Речь не о модном направлении, а о решении конкретных проблем, с которыми бизнес сталкивается каждый день.
Где ИИ уже даёт эффект:
ИИ уже заметно меняет MDM-системы. Но речь идёт не о полной автоматизации, а о снятии рутинной нагрузки и ускорении процессов. Как быстро бизнес придёт к формату полного управления с помощью ИИ — вопрос ближайших 3–5 лет и зрелости процессов управления данными.
В следующие постах мы расскажем как уже сейчас в решениях MDM-линейки 1C применяются механизмы машинного обучения и искусственного интеллекта
Ставьте
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥14❤3👍3
«Честный знак» в мясной группе: где начинаются управленческие риски
Маркировка «Честный знак» в мясной товарной группе из опции превратилась в обязательную реальность. Для производителей и переработчиков это уже не вопрос «нужно ли внедрять», а вопрос как именно пройти этот переход без сбоев и потерь.
При этом маркировку часто продолжают воспринимать как техническую задачу: подключили систему, настроили интеграцию, купили оборудование. Эксперты компании Константа выделили ключевые болевые точки внедрения маркировки «Честный знак» для производителей мяса и полуфабрикатов:
❤️ Базовая ошибка: Data Matrix — это не QR-код
Одна из самых частых ошибок на старте — воспринимать маркировку как обычный штрихкод.
Маркировка в мясной группе — это Data Matrix, внутри которого зашиты:
❤️ GTIN товара,
❤️ серийный номер (13 символов),
❤️ криптографический код проверки («криптохвост»).
❤️ «Криптохвост» нельзя хранить в открытом виде. После отправки отчёта о нанесении коды должны быть удалены из базы. Таблицы в Excel с полным содержимым кодов и раздача их в цех — прямое нарушение требований.
❤️ Управление кодами — недооценённый риск
В мясном производстве время работает против производителя: короткий срок годности, высокий процент списаний, постоянные переналадки линий. Поэтому управление кодами — не формальность, а зона риска:
❤️ нужен запас кодов минимум на 2 недели (система может быть недоступна, а отгрузка без маркировки невозможна);
❤️ оплата кодов возможна по эмиссии (сразу) или по нанесению (после отчёта).
У варианта «по нанесению» есть ограничение: при самостоятельном нанесении срок жизни кода — 30 суток. Если код просрочен — он аннулируется. Продукцию приходится перемаркировывать, а если она уже отгружена — возвращать на склад.
❤️ Поэкземплярный учёт и агрегация: где теряется масштаб
Самые затратные этапы для производителя — старт обязательной маркировки и переход к поэкземплярному учёту. Если работать «по-старому» и сканировать каждую единицу вручную на отгрузке, на объёмах мясокомбината это быстро превращается в узкое горлышко и останавливает логистику.
Решение — агрегация: единица❤️ короб ❤️ палета.
Но здесь появляется тонкий момент — математическая агрегация. Камера фиксирует, что в короб попало N единиц, система принимает это количество без поштучного сканирования.
❤️ Практика показывает: проблемы с маркировкой в мясной группе начинаются в момент, когда проект воспринимается как IT-внедрение, а не как изменение управляемости производства. Без понимания жизненного цикла кода, финансовых и операционных последствий ошибок и новой логики учёта даже корректная интеграция не даёт устойчивого результата.
Маркировка «Честный знак» в мясной товарной группе из опции превратилась в обязательную реальность. Для производителей и переработчиков это уже не вопрос «нужно ли внедрять», а вопрос как именно пройти этот переход без сбоев и потерь.
При этом маркировку часто продолжают воспринимать как техническую задачу: подключили систему, настроили интеграцию, купили оборудование. Эксперты компании Константа выделили ключевые болевые точки внедрения маркировки «Честный знак» для производителей мяса и полуфабрикатов:
Одна из самых частых ошибок на старте — воспринимать маркировку как обычный штрихкод.
Маркировка в мясной группе — это Data Matrix, внутри которого зашиты:
В мясном производстве время работает против производителя: короткий срок годности, высокий процент списаний, постоянные переналадки линий. Поэтому управление кодами — не формальность, а зона риска:
У варианта «по нанесению» есть ограничение: при самостоятельном нанесении срок жизни кода — 30 суток. Если код просрочен — он аннулируется. Продукцию приходится перемаркировывать, а если она уже отгружена — возвращать на склад.
Самые затратные этапы для производителя — старт обязательной маркировки и переход к поэкземплярному учёту. Если работать «по-старому» и сканировать каждую единицу вручную на отгрузке, на объёмах мясокомбината это быстро превращается в узкое горлышко и останавливает логистику.
Решение — агрегация: единица
Но здесь появляется тонкий момент — математическая агрегация. Камера фиксирует, что в короб попало N единиц, система принимает это количество без поштучного сканирования.
Подводный камень для мясной: одна упаковка повреждена и изъята. Физически — N–1, в системе — N. Агрегация не сходится, палета признаётся браком, требуется переработка.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍12❤3🔥3
«Честный знак» в мясной группе: операционные риски после запуска
В предыдущем материале мы разобрали, где в маркировке «Честный знак» для мясной группы начинаются управленческие риски. Однако даже если решения на этом уровне приняты корректно, следующий слой проблем проявляется уже в ежедневной работе — в производстве, на складе и в действиях людей.
Эксперты компании Константа, которые работают с внедрением маркировки у производителей мяса и полуфабрикатов, отмечают: именно на операционном уровне чаще всего становятся заметны ошибки, заложенные на старте проекта. И вот с какими сложностями компании сталкиваются на практике:
❤️ Сканируемость: код читается не везде одинаково
Типовая ситуация: на стороне производителя Data Matrix читается без проблем, а на складе маркетплейса или у логистического партнёра — «не проходит проверку».
Причины почти всегда операционные:
❤️ качество печати;
❤️ контроль нанесения;
❤️ расстояние между штрихкодом и Data Matrix (сканер может «захватывать» оба сразу).
В результате получаются задержки отгрузок, возвраты и разборы, которые возникают уже после выпуска продукции.
❤️ Человеческий фактор: ошибка, которая останавливает линию
Одна из самых частых болей — путаница с расходниками. Похожие рулоны плёнки или этикетки с разными GTIN (фарш, люля, котлеты, разные вкусы колбасы) легко перепутать при ручной замене. В результате код маркировки больше не соответствует фактическому SKU.
В итоге:
❤️ остановка линии;
❤️ переналадка;
❤️ брак и потери времени.
❤️ Практика показывает, что здесь критичны не инструкции, а дисциплина хранения расходников и использование принтеров-аппликаторов, которые печатают и наносят этикетку «на лету».
❤️ Запуск без карты процесса — источник будущих сбоев
Многие проблемы всплывают не на этапе интеграции, а после запуска, когда система уже работает. Эксперты Константы отмечают несколько обязательных точек, которые часто упускают:
❤️ не назначен владелец процесса, который разбирает нештатные ситуации;
❤️ не описаны сценарии брака, списаний и проб (а вывод из оборота обязателен по всем причинам);
❤️ агрегация и контроль печати продумываются уже после внедрения, а не до него.
Практический вывод простой: начинать стоит не с «красивого ТЗ» и закупки оборудования, а с карты процесса:
код❤️ упаковка ❤️ короб ❤️ палета ❤️ документ (где сканируем, кто подтверждает и что делаем при сбое).
В мясной группе основные сложности маркировки проявляются в реальном потоке продукции. Ошибки в цехе и на складе почти всегда следствие решений, принятых ранее на управленческом уровне.
Устойчивое внедрение «Честного знака» — это связка управления, процессов и операционной дисциплины.
В предыдущем материале мы разобрали, где в маркировке «Честный знак» для мясной группы начинаются управленческие риски. Однако даже если решения на этом уровне приняты корректно, следующий слой проблем проявляется уже в ежедневной работе — в производстве, на складе и в действиях людей.
Эксперты компании Константа, которые работают с внедрением маркировки у производителей мяса и полуфабрикатов, отмечают: именно на операционном уровне чаще всего становятся заметны ошибки, заложенные на старте проекта. И вот с какими сложностями компании сталкиваются на практике:
Типовая ситуация: на стороне производителя Data Matrix читается без проблем, а на складе маркетплейса или у логистического партнёра — «не проходит проверку».
Причины почти всегда операционные:
В результате получаются задержки отгрузок, возвраты и разборы, которые возникают уже после выпуска продукции.
Одна из самых частых болей — путаница с расходниками. Похожие рулоны плёнки или этикетки с разными GTIN (фарш, люля, котлеты, разные вкусы колбасы) легко перепутать при ручной замене. В результате код маркировки больше не соответствует фактическому SKU.
В итоге:
Многие проблемы всплывают не на этапе интеграции, а после запуска, когда система уже работает. Эксперты Константы отмечают несколько обязательных точек, которые часто упускают:
Практический вывод простой: начинать стоит не с «красивого ТЗ» и закупки оборудования, а с карты процесса:
код
В мясной группе основные сложности маркировки проявляются в реальном потоке продукции. Ошибки в цехе и на складе почти всегда следствие решений, принятых ранее на управленческом уровне.
Устойчивое внедрение «Честного знака» — это связка управления, процессов и операционной дисциплины.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10❤3👍2💯2
Впереди — новый год и новые темы: исследования, кейсы автоматизации и роботизации, планирование, прогнозирование и управленческие решения, которые определяют устойчивость бизнеса.
С наступающим Новым годом,
команда CEO LAB
Please open Telegram to view this post
VIEW IN TELEGRAM
🎉7❤5🔥5👍1
Работать стали активнее, усилий прикладывается больше, а отдача растёт не так быстро, как хотелось бы. Команды загружены, процессы усложняются, а привычные управленческие приёмы перестают давать прежний эффект.
В такие моменты полезно посмотреть, как с этим работают другие. На Retail.ru вышло интервью с Артёмом Мочаловым, СЕО «Производство», эксперт в повышение операционной эффективности, KDV. Он рассказал, как повышать производительность за счёт процессов и управленческих решений, а не за счёт сокращений и давления на людей.
Артём делится практическим опытом:
Полная версия интервью — по ссылке https://www.retail.ru/interviews/artem-mochalov-kdv-my-ne-lyudey-sokrashchaem-a-funktsii-optimiziruem/
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9🔥4❤3
Кейс: как крупный сыроваренный завод ушёл от ручного управления к почти полной автоматизации
Николаевские сыроварни — пример того, как цифровизация в пищевом производстве перестаёт быть поддержкой процессов и становится основой операционной модели.
Предприятие ежедневно перерабатывает 600 тонн молока и 550 тонн молочной сыворотки, выпуская более 80 тонн сыров, масла и молочной продукции. Производство полностью основано на собственном сырье с ферм в Краснодарском крае, что повышает требования к контролю качества и управляемости процессов на всех этапах.
❤️ Основой трансформации стало внедрение 1С:ERP Управление предприятием, на базе которого выстроена единая автоматизированная система управления — от поля до прилавка. Производство, камеры созревания и склад работают практически без участия человека. 1С:ERP интегрирована с производственным, складским и лабораторным оборудованием, для сотрудников организованы мобильные рабочие места.
Система управляет всеми этапами цепочки:
❤️ приёмка молока и лабораторный контроль качества,
❤️ формирование производственного расписания и подача сырья на линии,
❤️ переработка, формовка и дозревание продукции,
❤️ адресное хранение на складе и отгрузка клиентам,
❤️ автоматическое планирование маршрутов доставки и формирование сопроводительных документов.
Все технологические операции фиксируются в системе и находятся под круглосуточным контролем. Это позволило практически исключить ошибки, связанные с человеческим фактором, и добиться высокой повторяемости параметров продукции.
Результаты внедрения 1С:ERP Управление предприятием:
❤️ при выпуске одной единицы продукции задействовано в 5 раз меньше сотрудников, чем на неавтоматизированных заводах;
❤️ уровень брака и некондиции в 4 раза ниже среднеотраслевого;
❤️ стабильность параметров выпускаемой продукции приближается к 100% и соответствует лучшим мировым практикам.
Автоматизация для крупных пищевых производств — это управляемость, качество и масштаб без пропорционального роста персонала. Именно такой подход позволяет удерживать лидерские позиции на рынке и в России, и в странах СНГ.
❤️ Посмотрите короткий видеоролик, в нём показано, как эта модель работает вживую: производственные линии, камеры созревания, склад, движение продукции и управление процессами в реальном времени. Хороший способ быстро понять, как выглядит почти полностью автоматизированное пищевое производство на практике.
Николаевские сыроварни — пример того, как цифровизация в пищевом производстве перестаёт быть поддержкой процессов и становится основой операционной модели.
Предприятие ежедневно перерабатывает 600 тонн молока и 550 тонн молочной сыворотки, выпуская более 80 тонн сыров, масла и молочной продукции. Производство полностью основано на собственном сырье с ферм в Краснодарском крае, что повышает требования к контролю качества и управляемости процессов на всех этапах.
Система управляет всеми этапами цепочки:
Все технологические операции фиксируются в системе и находятся под круглосуточным контролем. Это позволило практически исключить ошибки, связанные с человеческим фактором, и добиться высокой повторяемости параметров продукции.
Результаты внедрения 1С:ERP Управление предприятием:
Автоматизация для крупных пищевых производств — это управляемость, качество и масштаб без пропорционального роста персонала. Именно такой подход позволяет удерживать лидерские позиции на рынке и в России, и в странах СНГ.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤5👍3
Кейс: как завод «КАРАТ» выстроил цифровое управление производством и складом
Московский завод плавленых сыров «КАРАТ» — один из крупнейших производителей плавленых и творожных сыров в России. Предприятие входит в топ-3 рынка в натуральном выражении. Ежедневно отгружает продукцию в несколько тысяч торговых точек и выпускает бренды, которые стали частью пищевой истории страны: «Дружба», «Янтарь», «Шоколадный».
❤️ При таких объёмах ключевым ограничением становится не выпуск как таковой, а управляемость: скорость обработки заказов, точность складских операций, контроль качества и себестоимости. Чтобы перейти на новый уровень управления, на заводе внедрили 1С:ERP Управление предприятием.
❤️ Проект был реализован в сжатые сроки — менее чем за полгода. Сегодня в системе работают более 300 пользователей, а основные операционные контуры переведены в единое цифровое пространство. Что было автоматизировано и какие результаты получили — в карточках выше ❤️ .
Отдельный эффект — управляемость производства. Если раньше планы выпуска ежедневно фиксировались вручную, то теперь данные по остаткам, загрузке и объёмам выпуска доступны в системе в режиме реального времени, по одному запросу.
❤️ В видеоролике показано, как эта модель работает вживую: производственные линии, склад, контроль качества и движение продукции в режиме реального времени.
Для крупных пищевых производств ERP — это не «учёт ради учёта», а инструмент операционного управления: качеством, скоростью, запасами и деньгами. Именно такая цифровая база позволяет масштабироваться без пропорционального роста персонала и сохранять стабильность процессов при высоких объёмах.
Московский завод плавленых сыров «КАРАТ» — один из крупнейших производителей плавленых и творожных сыров в России. Предприятие входит в топ-3 рынка в натуральном выражении. Ежедневно отгружает продукцию в несколько тысяч торговых точек и выпускает бренды, которые стали частью пищевой истории страны: «Дружба», «Янтарь», «Шоколадный».
Отдельный эффект — управляемость производства. Если раньше планы выпуска ежедневно фиксировались вручную, то теперь данные по остаткам, загрузке и объёмам выпуска доступны в системе в режиме реального времени, по одному запросу.
Для крупных пищевых производств ERP — это не «учёт ради учёта», а инструмент операционного управления: качеством, скоростью, запасами и деньгами. Именно такая цифровая база позволяет масштабироваться без пропорционального роста персонала и сохранять стабильность процессов при высоких объёмах.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤4🔥3