Команда продукта Effect Isource автоматизировала поиск поставщиков и сбор ценовых предложений с помощью обработки естественного языка. В одном из проектов, при поиске подрядчиков для лазерного сканирования площадки НПЗ, система позволила существенно сократить время на эти операции по сравнению с ручной работой. О том, как устроено решение, какие технологии используются и каких результатов удалось достичь, рассказал Максим Бочкарев, аналитик продукта Effect Isource.
Почему анализ рынка – управленческая задача, а не формальность
На этапе анализа рынка необходимо понять, какие поставщики могут закрыть потребность, существуют ли альтернативные товары и услуги, насколько конкурентен рынок и какова актуальная стоимость решения. Ответы на эти вопросы необходимы при разработке закупочных стратегий, выборе подхода к контрактованию, а также подготовке технического задания. У качественного анализа есть несколько практических следствий.
Во-первых, повышается управляемость закупки: компания понимает, сколько потенциальных поставщиков существует и кто из них действительно готов участвовать в конкретной процедуре. При этом предварительное взаимодействие позволяет отсеять тех, кто уже ушёл с рынка, не заинтересован в заказе или не может выполнить работы.
Во-вторых, появляется обоснованный ценовой ориентир. Собранные рыночные предложения позволяют рассчитать начальную максимальную цену закупки (НМЦ) и избежать как необоснованно завышенной стоимости, так и чрезмерно низкой цены, которая может сопровождаться рисками исполнения контракта.
В-третьих, повышается прозрачность закупочной деятельности: можно показать, сколько поставщиков было найдено, кому направили запросы, сколько компаний ответило и на каких данных основан расчёт цены. Это важно для внутреннего контроля и аудита.
Наконец, расширение круга потенциальных участников создаёт условия для усиления конкуренции. Закупка с пятнадцатью поставщиками имеет больше возможностей для конкурентного снижения цены, чем процедура с тремя участниками.
Данные и технологии: что сделало автоматизацию возможной
Для качественного анализа рынка нужны два компонента: доступ к большим массивам данных и технологии, позволяющие быстро извлекать из них полезную информацию. В России существуют обширные базы сведений о поставщиках и государственных закупках. Например, в базе ЕИС закупок собрана информация о проведённых процедурах, их предметах, контрактах, участниках и победителях. Речь идёт о десятках миллионов записей и миллионах наименований товаров, работ и услуг.
Кроме того, информацию о поставщиках можно собирать по разным параметрам, включая финансовое состояние, задолженности и другие признаки для оценки надёжности. Эти данные востребованы не только закупщиками, но и бизнес-подразделениями, финансистами, специалистами по ценообразованию и службами безопасности.
Однако сам по себе большой массив информации задачу не решает. Нужно научиться быстро находить в нём сведения, соответствующие потребности конкретной закупки. В Effect Isource рассматривали и тестировали разные технологии: роботизацию, распознавание текста, скоринговые модели, предиктивную аналитику и нейросети. Для поиска похожих закупок и поставщиков в итоге остановились на технологиях обработки естественного языка – NLP (Natural Language Processing). Они позволяют сравнивать текстовые формулировки по смыслу, а не только по совпадению слов.
Как нейросеть находит подходящих поставщиков
Например, компании нужно провести закупку услуг по фрахтованию судна с экипажем. Запрос формулируется на разговорном русском языке. При этом в базе данных нужные контракты могут называться иначе: в них могут использоваться другие слова, грамматические формы или профессиональные термины.
Обычный полнотекстовый поиск не всегда справляется с такой задачей: он может пропустить релевантные записи или выдать множество неподходящих результатов. Для закупщика это означает дополнительные часы ручной проверки и отсева.
Подход Effect Isource иной: нейросеть сопоставляет формулировки по смысловой близости.
Шаг 1. Текст переводится в числовое представление. Компьютер не понимает значения слова так, как человек. Чтобы математически сравнивать формулировки, их переводят в векторы. Так, в вектор преобразуется поисковый запрос закупщика и заранее оцифровываются все наименования контрактов из базы данных. В результате каждая формулировка получает числовое представление, отражающее особенности её смысла и контекста.
Шаг 2. Формулировки сравниваются по смыслу. После векторизации система оценивает, насколько близки разные запросы. Для этого применяются математические методы сравнения векторов, например косинусное сходство. Важно, что речь идёт не о простом совпадении букв или слов: система учитывает смысловые связи и контекст, а также может находить похожие по содержанию закупки, даже если их названия существенно различаются. Например, закупщик формулирует потребность как «услуги клининга», а в базе контрактов она описана как «уборка помещений». Если формулировки близки по смыслу, нейросеть определяет соответствие.
Шаг 3. Находятся релевантные закупки и потенциальные поставщики. Когда система находит похожие контракты, информация об исполнителях используется для формирования списка потенциальных участников будущей закупки. Задаётся необходимый период анализа, например три или пять лет, и система выдаёт выборку подходящих закупок из большой базы данных и перечень квалифицированных исполнителей с подтверждённым опытом. Вместо последовательного изучения миллионов записей специалист получает список кандидатов для дальнейшей работы.
Отдельная задача – обучение нейросети. Универсальная модель не всегда хорошо понимает специфику отрасли. Например, при поиске бетонных смесей система может выдавать молочные смеси или смеси для детского питания: с точки зрения языка формулировки похожи, но для закупок это разные категории. Поэтому в Effect Isource используют отраслевые данные, отражающие специфику конкретного направления закупок. Чем лучше модель адаптирована к терминологии, тем меньше неподходящих вариантов приходится отсекать вручную.
Скоринг, технические задания и ценовая аналитика
По мере развития системы цифровые инструменты начали решать и другие задачи закупочного цикла.
Скоринговая оценка надёжности. На этапе анализа рынка нужно предварительно оценить большое количество потенциальных поставщиков. Проверять каждую компанию силами службы безопасности так же тщательно, как проверяют участника конкретной процедуры, нецелесообразно: это потребовало бы значительных ресурсов. Для первичного отбора используются скоринговые модели. Они анализируют доступные сведения о компании и выявляют признаки риска: например, задолженности, нахождение в реестре недобросовестных поставщиков и другие индикаторы. Результат отображается в формате условного «светофора», который помогает специалисту сразу определить, стоит ли начинать коммуникацию с поставщиком. Такая оценка не заменяет полноценную проверку службы безопасности: её задача – быстро обработать большой массив потенциальных контрагентов и выделить тех, кому можно направить приглашение на закупку.
Формирование технических заданий на услуги. Ещё одна проблема – неоднозначность описания работ и услуг. Например, разработка программного обеспечения может включать множество этапов и вариантов выполнения работ. Если не детализировать предмет закупки, сопоставлять предложения поставщиков сложнее. Для решения этой задачи в Effect Isource создали базу знаний, в которой накапливаются сведения о структуре ранее проводившихся закупок. Работы и услуги декомпозируются на отдельные этапы, а по каждому этапу сохраняются расценки. Когда возникает новая потребность, закупщик может воспользоваться конструктором технического задания: система предлагает подходящую структуру, после чего специалист корректирует этапы и расценки под конкретную закупку. Это ускоряет подготовку документации и делает требования к предложениям поставщиков более структурированными.
Аналитика рыночных цен. В дальнейшем компания начала накапливать ценовые предложения, поступающие от рынка, и использовать их для аналитики. Созданы дашборды, где можно изучать статистику по отдельным видам работ и услуг. Закупщик выбирает категорию и получает данные о ценах, включая средние значения и зависимость стоимости от объёма. В систему также встроена нейросеть, помогающая выравнивать данные, если описания сравниваемых закупок существенно различаются; это позволяет формировать более однородные выборки. Практическая ценность инструмента проявляется на переговорах: когда поставщик называет цену, закупщик может опираться не только на собственный опыт или первое предложение, но и на накопленные данные. В нескольких случаях это помогло добиться снижения стоимости на несколько миллионов рублей.
Кейс: поиск поставщиков для лазерного сканирования площадки НПЗ
Показательный пример – поиск поставщиков услуг по лазерному сканированию площадки для строительства нефтеперерабатывающего завода.
Закупщик вводит описание потребности в систему анализа рынка. Примерно за 1-1,5 минуты система находит около 150 потенциальных поставщиков. Далее специалист на основе данных об их опыте и надёжности отбирает несколько десятков поставщиков, представляющих интерес, и направляет им запросы о заинтересованности. Это важный этап: даже если компания ранее выполняла похожие работы, нужно подтвердить, что она продолжает работать на рынке и готова участвовать в конкретной закупке.
Поставщикам также предлагается предоставить предварительные ценовые предложения. В этом кейсе шесть компаний направили свои цены, которые система использовала для расчёта НМЦ.
Итог: вместо одного-двух дней на поиск поставщиков и первичное формирование базы заказчик получил список предварительно заинтересованных участников и ценовую информацию для расчёта НМЦ примерно за 45 минут.
Внедрение, масштаб и организационные ограничения
Работа над системой началась около трёх лет назад. На первом этапе в Effect Isource оценили существующие трудозатраты на анализ рынка, подготовили финансово-экономическую модель и рассчитали ожидаемый эффект, а затем изучили доступные технологические решения и источники данных. Рассматривались разные подходы, включая роботизацию и технологии распознавания текста, но в итоге ставка была сделана на нейросети.
При этом мы не стремились использовать самые крупные и ресурсоёмкие модели только потому, что они относятся к современным технологиям искусственного интеллекта. В закупках словарь и предметная область во многом ограничены спецификой работ, услуг и товаров. Поэтому используемые модели работают на обычных серверных процессорах, без необходимости задействовать специализированные вычислительные мощности для больших языковых моделей. При этом они работают с русским языком и обеспечивают достаточную точность поиска.
Система используется не только для одной категории закупок или отдельного подразделения. Она доступна закупщикам и представителям бизнес-подразделений, специалистам по ценообразованию и другим заинтересованным пользователям. По данным Effect Isource, на момент подготовки материала с системой регулярно работали 4,5 тыс. активных пользователей; 15 тыс. поставщиков уже взаимодействовали с системой и направляли через неё ответы; накопленный объём работы составил 28 тыс. поисковых запросов; было направлено более 10 тыс. ценовых запросов.
Оценивать экономический эффект исключительно через скорость поиска было бы некорректно. Значение имеют и сокращение трудозатрат, и возможность привлечь больше потенциальных участников, и повышение обоснованности НМЦ, и качество переговоров.
Отдельное ограничение – организационные привычки. Даже качественная система не принесёт ожидаемого эффекта, если сотрудники и поставщики не готовы ею пользоваться. На практике участники закупочного процесса иногда предпочитают привычный формат взаимодействия, например обмен письмами вместо работы через цифровой сервис. Переход требует дополнительных усилий и изменения сложившихся привычек. Для компании при этом важно, чтобы взаимодействие с поставщиками оставляло структурированные цифровые следы: какие запросы направлялись, какие ответы были получены, какие цены предложены и на каких данных основаны решения. Поэтому внедрение не заканчивается запуском продукта: нужно объяснять пользователям преимущества, помогать осваивать новые сценарии и последовательно формировать привычку использовать цифровые инструменты. Для закупочной функции это особенно важно: чем больше поставщиков вовлечено в систему, тем шире информационная база для анализа рынка и тем больше возможностей для повышения конкуренции.
Что показывает этот опыт
Практика Effect Isource показывает, что нейросети могут автоматизировать не только поиск информации, но и ряд связанных операций закупочного цикла: от первичного поиска поставщиков и оценки рисков до формирования технических заданий и анализа цен.
Результат зависит не от одной технологии. Нужны качественные источники данных, адаптация моделей к отраслевой специфике, понятные пользовательские сценарии и последовательная работа по внедрению.
Главный практический вывод: анализ рынка можно превратить из трудоёмкой ручной операции в системный и масштабируемый процесс. Это помогает быстрее находить поставщиков, обоснованно рассчитывать закупочные цены и принимать решения на основе более полной информации о рынке.
Максим Бочкарев, аналитик продукта Effect Isource
Наши конференции:
Все
-(5).gif "Книги для дошколят и младших школьников")
