Cегодня Минцифры и российское бизнес-сообщество активно продвигают повестку цифровой трансформации. В отличие от автоматизации и роботизации, ориентированных на замену ручного труда, цифровизация опирается на кратное повышение количества и качества доступных для бизнеса данных. Например, для повышения эффективности закупок уже сегодня есть возможность автоматизированного сбора и обработки следующих данных:

• данные о потребностях бизнеса (для формирования плана закупок),
• данные о рыночной конъюнктуре,
• данные о поставщиках, в том числе: номенклатура товаров/услуг, исторические расценки, опыт поставщиков, сертификаты, отзывы контрагентов, данные о надежности,
• данные о собственных запасах/НВИ/НЛИ,
• данные о исполнении договорных обязательств и прочее.

Колоссальные объемы новых данных требуют применения передовых подходов к их обработке и анализу. Алгоритмы искусственного интеллекта позволяют в кратчайшие сроки извлечь максимум практической ценности из обширных информационных массивов, обеспечивая своевременную аналитическую поддержку для принятия обоснованных управленческих решений.

Анализ рынка как перспективный полигон применения новых технологий
Из всех шагов закупочного процесса наиболее критичным для итоговой эффективности закупки является тщательный анализ рынка. Качественно проведенный анализ поставщиков и их ценовых предложений помогает существенно снизить 3 ключевых закупочных риска:

• купили не совсем то,
• купили не у тех,
• купили по завышенной (или заниженной) цене.

Согласно мировой практике, закупочный цикл состоит из 13 ключевых этапов. При этом 4 из них напрямую связаны с анализом рынка и тщательным отбором участников закупки. Качественная проработка этих этапов существенно снижает риски признания закупки несостоявшейся из-за недостаточного числа участников или отсутствия приемлемых предложений. Расширение круга потенциальных поставщиков повышает уровень конкурентности закупки. Увеличение конкуренции напрямую способствуют повышению качества отбора поставщиков и, зачастую, снижению итоговой стоимости.

Несмотря на высокую значимость анализа рынка, существует проблема в его активном применении. Этот процесс довольно сложно поддается автоматизации, требует сбора и анализа огромного количества информации, а возможности ручного поиска по доступным информационным ресурсам очень ограничены.

Зачастую компании ограничиваются ожиданием откликов на закупку, опубликованную в рамках электронной торговой площадки (ЭТП), отбирая поставщиков из ограниченного круга участников. Такой подход, безусловно, менее трудозатратный для организаторов, но компания упускает возможность повысить качество проводимых закупок.

Сами поставщики также неохотно откликаются на запросы предварительных коммерческих предложений. Это связано как с высокими трудозатратами на заполнение разнообразных форм и шаблонов, так и с тем, что значительная часть обращений оказывается нерелевантной из-за недостаточного анализа опыта и компетенций потенциального подрядчика.

В то же время, именно этапы анализа рынка и подготовки к закупке обладают большим потенциалом для интеграции перспективных интеллектуальных технологий, а именно:

• Конструкторы документов закупки (ТЗ, методика оценки участников закупки) при формировании потребности;
• Нейросети для поиска поставщиков с релевантным опытом при подборе участников закупки;
• Скоринговые модели обработки данных о поставщике при оценке надежности участников закупки;
• Нейросети для автоматизации формирования шаблона коммерческого предложения по предмету закупки на основе справочник наиболее популярных расценок с функцией самообучения при запросе коммерческих предложений;
• Технологии извлечения и обработки данных для автоматического формирования заключений по технической и стоимостной частям заявок при анализе и сопоставлении заявок поставщиков;
• Прогнозирование цен Математические регрессионные модели на основе обработки исторических ценовых данных.

В следующей статье мы расскажем о практических кейсах внедрения в закупочный процесс описанных выше технологий.