Кейсы

Проект «Автоматизация продаж в тендерном канале» для компании Атомсервис

Тендеры Промышленность

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».