Центр компетенций
Интеллектуальные технологии в закупках. Часть 2.
В прошлой статье мы перечислили несколько наиболее перспективных технологий, которые реализованы в линейке цифровых закупочных сервисов Effect и доступны в настоящее время для автоматизации наиболее трудозатратных шагов на этапах анализа рынка и подготовки к закупке.
Ниже описаны реальные кейсы внедрения этих технологий в закупочные процессы компаний, уже использующих сервисы Effect.
Конструктор документов для более качественного описания потребности

Для повышения качества описания закупочной потребности, мы пришли к необходимости использования специализированных конструкторов документов для закупки. Преднастроенные шаблоны закупочных документов существенно ускоряют подготовку документации для закупочной процедуры. Например, при формировании технического задания и методики оценки участников, будут автоматически заполнены все данные, ранее уже введенные в Систему при формировании потребности. Тем самым снижается риск ошибок ручного ввода данных, сокращается число проверок и согласований, ускоряются сроки и повышается качество подготовки документов.

Нейросети для расширения воронки участников закупки

Идея создания специализированного сервиса «Поиск поставщиков» заключалась в том, чтобы закупщик мог нажатием одной кнопки, просто указав предмет своей закупки, получить результат в виде перечня подходящих ему поставщиков, обладающих соответствующим опытом.

Для получения данных об опыте поставщиков используются только достоверные источники — общероссийские агрегаторы закупок и корпоративные SRM-системы, содержащие информацию о более чем 15 миллионах реализованных контрактов.

Для обеспечения заданных характеристик по скорости и качеству поиска были применены семантические методы обработки текста и нейросетевые технологии. Выполняется регулярная тренировка поискового алгоритма на специально подготовленных обучающих выборках наименований товаров, работ и услуг, чтобы эффективно распознавать смысловую близость разных формулировок потребности.

В процессе обучения нейросеть анализирует как сами слова в предмете закупки, так и их контекстное окружение — предшествующие и последующие слова. Каждый поисковый запрос преобразуется в вектор (набор чисел), что позволяет математически рассчитывать схожесть найденных предметов закупки с учетом вариативности описания потребности. При векторизации учитывается частотность и значимость отдельных слов. При этом нейросеть уже содержит в себе заранее рассчитанные векторы для постоянно актуализируемой базы закупок за несколько прошлых лет.

В результате работы алгоритма пользователь получает ранжированный список поставщиков, имеющих опыт участия или победы в конкурсах со схожими предметами закупок.

Скоринговая модель оценки надежности поставщиков

В отличии от этапа проведения закупки, на этапе анализа рынка достаточно выполнить предварительную автоматическую оценку надежности потенциальных участников на основе скоринговой методики.

По аналогии с банковской оценкой платежеспособности клиента, специальные алгоритмы в режиме реального времени оценивают более 100 различных показателей работы компании на основе данных из достоверных источников. По результатам анализа пользователю предоставляется сводная информация об организационных и финансовых рисках сотрудничества с каждым найденным поставщиком.

Имея перед глазами не только перечень поставщиков с релевантным опытом, но и индикаторы оценки их надежности, пользователь может оперативно принять обоснованное решение о приглашении наиболее перспективных поставщиков к участию в конкурсе или запросе у них коммерческих предложений. Таким образом, обеспечивается управление одним из ключевых рисков закупки — выбором ненадежного поставщика.

Автоматизированное формирование шаблонов коммерческих предложений на основе индекса популярности расценок

Одним из примеров применения технологий искусственного интеллекта является реализация в сервисах анализа рынка справочника расценок по услугам и работам. Данный справочник обладает знаниями о всех исторических закупках компании.

Для каждой услуги на основе исторических данных формируется перечень наиболее часто встречающихся этапов выполнения работ. Далее для каждого этапа определяются перечень наиболее популярных расценкок по данному этапу. Нейросеть, которая лежит в основе справочника, обладает способностью к самообучению. Благодаря этому перечни расценок во всех работах и услугах автоматически актуализируются с учетом данных о новых закупках.

Важной особенностью справочника является поддержка работы с синонимами — ставки расценок с разными наименованиями, но одинаковыми по смыслу, сводятся к единому, наиболее популярному наименованию.

Наличие интеллектуального справочника позволяет автоматически формировать для закупщика предзаполненный шаблон коммерческого предложения с актуальным составом этапов и расценок по выбранному коду услуги.

Анализ и сопоставление заявок поставщиков

В закупках одной из наиболее интеллектуально емких задач является проверка поступивших заявок участников на их полное соответствие правилам, зафиксированным в документе «Методика оценки заявок». Использование технологий извлечения данных позволяет в автоматически формировать заключения по технической и стоимостной частям заявок на основе настраиваемых параметрических правил проверки.

Прогнозирование цен

Цена является динамическим рыночным показателем, изменяющимся под влиянием множества факторов. Для выявления закономерностей в изменении цен и построения прогнозов используются математические регрессионные модели.

Сервис аналитики по закупкам позволяет сопоставить рассчитанную цену закупки с ценой, полученной на основе обработки исторических ценовых данных.

Заключение

Опыт внедрения сервисов Effect наглядно демонстрирует потенциал применения интеллектуальных цифровых технологий для трансформации закупочной функции и достижения существенного повышения ее эффективности и конкурентоспособности компании в целом.

Оставайтесь с нами, в следующих статьях мы будем детальнее рассказывать о возможностях каждого из сервисов Effect.