Кто заказчик:
Сегмент / отрасль:
B2G / B2B, поставки и техническое обслуживание промышленного и электрического оборудования, участие в государственных и коммерческих тендерах.
Краткие бизнес-характеристики:
ООО «Атомсервис» — российская компания, специализирующаяся на поставках оборудования и оказании услуг по техническому обслуживанию для государственных и коммерческих заказчиков. Участвует в тендерных процедурах по 44‑ФЗ и 223‑ФЗ, обеспечивает исполнение контрактов с соблюдением государственных требований. Компания имеет устойчивую историю участия в закупках и небольшой, но высококвалифицированный штат сотрудников, что позволяет обрабатывать значительный поток закупочных документов и успешно конкурировать на рынке.
Зачем заказчик обратился
Заказчик работает в среде высокой конкуренции и высокой нагрузки по анализу тендеров и участию в закупочных процедурах, при этом значительная часть входящего потока закупок требует детального изучения и фильтрации под собственные критерии релевантности.
Проблема (боль клиента)
Высокая зависимость от ручного анализа тендерной документации и ограниченных ресурсов команды: автоматизировать разбор и классификацию тендерных закупок, поступающих из ЭТП в CRM-систему
Поток нерелевантных закупок перегружает команду и повышает риск пропуска перспективных тендеров: обеспечить автоматическое отсечение нерелевантных тендеров и фокус на приоритетных закупках
Из-за высокой доли ручного труда ограничены возможности масштабировать работу с тендерами: дать заказчику инструмент, позволяющий обрабатывать больше тендеров без увеличения нагрузки на команду
Цель проекта
Что заказчик ожидал получить:
- Автоматизировать проверку тендеров
Решение
1) Анализ текущих данных и построение бизнес-логики
- Изучение потока входящих тендерных закупок с ЭТП «Контур.Закупки».
- Определение критериев релевантности закупок на основе бизнес-требований заказчика.
- Формализация правил фильтрации и подготовки данных для дальнейшей обработки ИИ.
2) Разработка моделей/алгоритмов
Создание ИИ-модуля для анализа тендерной документации с использованием облачных языковых моделей.Разработка алгоритмов prompt-based классификации закупок на релевантные и нерелевантные.
3) Интеграция в рабочие процессы/инструменты
- Подключение сервиса к CRM PlanFix через REST API для автоматического обновления статусов закупок.
- Обеспечение работы сервиса с существующими процессами команды без увеличения нагрузки.
- Настройка ежедневной обработки лотов (раз в 4 часа).
4) Тестирование и приемочные этапы.
- Проверка точности классификации на исторических и текущих тендерах.
- Приемочное тестирование совместно с командой заказчика.
Технологии и инструменты
Архитектура размещения:
- сервис развёрнут на стороне Исполнителя;
- возможна передача контейнера для самостоятельного развёртывания Заказчиком
Язык разработки:
Python
Интеграция:
REST API
CRM-система:
PlanFix (интеграция через API)
Источник данных:
государственная электронная торговая площадка (Контур.Закупки → CRM PlanFix)
ИИ-модуль:
облачная языковая модель (LLM) для анализа текстовой информации тендеров
Подход к ИИ:
prompt-based классификация закупок
Контейнеризация:
prompt-based классификация закупок
Подход к ИИ:
Docker (передача исполняемого кода в виде контейнера)
Обработка данных:
автоматическая обработка входящих лотов не реже 1 раза в 24 часа
Надёжность:
доступность сервиса — не ниже 95% в рабочие часы
Используемые ИИ-технологии:
облачные языковые модели, включая OpenAI (gpt-4)
Результаты
- 98,5% точность классификации тендерных закупок: ИИ корректно определяет релевантность закупок по заданным бизнес-критериям
- 85% закупок обрабатываются без участия специалиста: значительное снижение ручной нагрузки на команду
- 18,33 ₽ себестоимость обработки одной закупки: снижение операционных затрат на анализ тендерной документации
Влияние на бизнес
- Сокращение времени анализа тендерной документации в 6 раз
- Автоматизация первичного отбора закупок
- Снижение операционных затрат
- Рост операционной эффективности команды
- Ускорение управленческих решений
«Вместе с ИИ-помощником мы сократили стоимость обработки данных исследований в 50 раз, а время работы с ними — в 10. Точность кластеризации повысилась до 96%. Теперь мы можем довольно быстро анализировать опросы и группировать ответы, в то время как ИИ не упустит ни одну важную деталь. Если боитесь больших массивов данных — вам к Metamentor».
