От алгоритма к бизнесу: как задача из Яндекс.Контеста (https://contest.yandex.ru/contest/28416/problems/F/ ) стала решением для аптечных сетей
Изначально — классическая CS-задача: оптимизировать маршруты доставки, минимизируя TCO (Total Cost of Ownership) логистики.
Но за кодом я вижу рынок с LTV клиента ≤50 000 ₽ и маржинальностью 2-3%, где логистика съедает до 40% операционной прибыли.
Стало ясно: чистое VRP (Vehicle Routing Problem) бесполезно без интеграции в unit-экономику одной аптеки.
Анализ показал: ИТ-решения упираются в физику — потери 15-20% выручки из-за неконвертируемого спроса, пока провизор ищет товар на стеллажах.
Родилась гипотеза: соединить алгоритмическую оптимизацию с гиперплотным хранением, чтобы увеличить GMROI (Gross Margin Return on Investment).
Вместо «идеального» ML использую эвристики, снижающие ошибку прогноза до 12% против 25% у стандартных решений.
Фокус сместился на максимизацию GMROI с м² через управление оборачиваемостью товара и сокращение дней продажного цикла.
Реальный тренд продаж 2025 в модели определяет риски: падение среднего чека на 7% ежегодно и рост доли онлайн-доставки до 35% к 2026 году.
Ответ — трансформация аптеки в хаб с NPV (Net Present Value) 25+ млн ₽ на точку за 5 лет.
Базовое техядро — это система, просчитывающая IRR (Internal Rate of Return) для каждого изменения ассортимента или логистической схемы.
Смоделировал сценарии, где даже при 20% доли в uplift и CAPEX 0.5 млрд рублей достигается точка безубыточности на 350 аптеках.
Финансовая модель подтвердила: EBITDA аптеки растет на 18-25% даже при сохранении текущей выручки за счет сокращения OPEX.
Синергия алгоритма и специализированного немецкого оборудования, с которым я работал в Бауфарм, дает 30% прирост эффективности использования площади против стандартных решений.
Я не продаю софт или стеллажи, а проектирую увеличение NPV бизнеса клиента через P&L-ориентированную архитектуру решений.
Этот проект — про то, чтобы за строчкой кода видеть денежный поток, а за алгоритмом — динамику ключевых метрик бизнеса.
