Как использовать API TenderGuru или датасеты TenderDataHub во внутренней аналитической системе

Как использовать API TenderGuru или датасеты TenderDataHub во внутренней аналитической системе

В компаниях часто уже есть данные о закупках, но нет удобного способа их использовать. Продажи ищут заказчиков, снабжение сравнивает цены, тендерный отдел следит за процедурами, а аналитики вручную объединяют контракты в Excel. В результате сотрудники тратят время не на решения, а на перенос и сверку сведений.

Рабочий подход — один раз загрузить исторический массив, а актуальные изменения получать автоматически. Так можно создать собственную систему закупочной аналитики без постоянного скачивания одних и тех же данных.

Для этого подходят два взаимодополняющих источника: TenderGuru API 2.3 — для поиска, карточек закупок, контрактов и мониторинга; TenderDataHub — для поставки исторических и тематических массивов данных. Ниже — практическая схема, как связать их с CRM, хранилищем и BI, не начиная с чрезмерно сложной архитектуры.

Сначала определите, какие решения должна ускорить система

Представим производителя инженерного оборудования с базой из 3 000 компаний. Ему важно видеть новые потребности клиентов, заключённые контракты конкурентов, цены похожего оборудования и появление заказчиков в перспективных регионах.

Соблазнительно заказать «всю базу тендеров». Но полезнее описать конкретный результат для каждой команды:

• Продажи: новые контракты потенциальных клиентов, сигналы для контакта и задачи в CRM.

• Маркетинг: спрос по ОКПД2, регионам, периодам и организациям.

• Снабжение: сопоставимые контрактные цены, поставщики и условия приобретения.

• Руководство: динамика рынка, крупные заказчики и конкурентное окружение.

• Риск-менеджеры: события по организациям, требующие дополнительной проверки.

Эти интерфейсы могут быть разными, но пользоваться одной базой связанных сущностей: закупка → заказчик → победитель → контракт → товарные позиции → исполнение. Сначала достаточно одного сценария, например утренней подборки перспективных заказчиков.

API или готовый датасет: лучше использовать вместе

API TenderGuru подходит для оперативных запросов: получить конкретную карточку, найти новые тендеры, обогатить сведения об организации или получить изменения по наблюдаемому объекту. Поддерживаются способы получения данных, описанные в документации поиска, контрактов и аналитики; набор полей и лимиты зависят от условий доступа.

Датасеты TenderDataHub удобнее для многолетней истории и массовых исследований, когда нужны большие срезы закупок и контрактов. Данные могут передаваться, например, в Parquet, JSONL или CSV; состав, периодичность обновлений и способ доставки оговариваются отдельно. Для задач BI и DWH можно использовать готовые сценарии поставки данных.

Я бы выбрал гибрид: первичная загрузка истории из датасета, затем дельта-обновления и точечные обращения к API. Это снимает необходимость ежедневно выкачивать всю историю заново. Но важно заранее согласовать, как отличаются идентификаторы, версии записей и состав полей двух поставок.

Какая архитектура нужна на старте

Не обязательно строить сложный дата-лейк. Для первого результата достаточно последовательной схемы:

• Загрузка. Файлы истории, регулярные обновления и запросы к API.

• Сырой слой. Исходные записи с источником, датой получения и версией; здесь удобно расследовать расхождения.

• Нормализация. Сопоставление ИНН, номеров закупок и контрактов, ОКПД2, дат и денежных сумм.

• Аналитические витрины. Подготовленные выборки для цен, спроса, организаций и конкурентов.

• Действия. Отчёты, CRM-задачи, уведомления и поиск по документации.

На небольшом объёме достаточно Python или PHP по расписанию, MySQL/PostgreSQL и одного BI-инструмента. При увеличении массива можно подключать DuckDB или ClickHouse для аналитических запросов, очередь задач и отдельное хранилище файлов.

Критический элемент — устойчивые идентификаторы. Для каждой записи нужны тип сущности, ID источника, номер закупки или реестровый номер контракта, ИНН участников, дата события, дата загрузки и ссылка на исходную карточку. Полезно сохранять payload_hash для определения изменений. ИНН и номера лучше хранить как строки, а не числа.

Исторические контракты: как не посчитать один договор трижды

Допустим, нужна история закупок промышленного оборудования за пять лет. В состав выборки стоит включить реестровые номера, заказчиков и поставщиков по ИНН, даты, суммы, товарные позиции, ОКПД2, единицы измерения, статусы и доступное исполнение.

Если массив поставлен в Parquet, его можно исследовать прямо через DuckDB, без разворачивания отдельного сервера. Ниже — иллюстрация запроса для уже нормализованной локальной выборки, где сохранена одна актуальная версия на контракт:

SELECT customer_inn, COUNT(DISTINCT contract_id) AS contracts_count, SUM(final_amount) AS contracts_rub FROM read_parquet('data/contracts/current/*.parquet') WHERE okpd2 LIKE '26.20%' GROUP BY customer_inn ORDER BY contracts_rub DESC LIMIT 20;

Названия полей условные: их нужно сопоставить со схемой реально полученного датасета. Главное правило — сначала исключить повторные версии, потом суммировать деньги. И отдельно не смешивать цену опубликованной закупки, сумму контракта и фактическую оплату.

Свежие закупки: простой запрос к TenderGuru API

Точка входа для поиска — https://www.tenderguru.ru/api2.3/export. Например, для закупок компрессоров передаём kwords, формат dtype=json и собственный api_code:

GET https://www.tenderguru.ru/api2.3/export?kwords=компрессор&dtype=json&api_code=ВАШ_КЛЮЧ

Кириллицу необходимо URL-кодировать; в рабочей программе лучше передавать параметры библиотеке HTTP. Для интеграции нужны также поисковые профили по регионам и типам закупок, минус-слова, проверка релевантности, пагинация, обработка ошибок и лимитов.

Небольшой пример на Python с серверным хранением ключа:

import os
import requests
url = 'https://www.tenderguru.ru/api2.3/export'
params = { 'kwords': 'компрессор', 'dtype': 'json', 'api_code': os.environ['TENDERGURU_API_CODE']}
response = requests.get(url, params=params, timeout=30)
response.raise_for_status()
data = response.json()

Далее: проверить формат и сохранить уникальные записи

Это демонстрация запроса, а не готовый импортёр. API-ключ нельзя включать в браузерный JavaScript и журналы запросов. Структуру JSON нужно проверять для конкретного метода и тарифа.

Обновления без дублей: курсор важнее частого cron

После первого импорта начинается сложная часть: одна закупка меняется, у другой появляется протокол, в третьей уточняется документация. Просто повторять вчерашний поиск недостаточно.

В TenderGuru предусмотрены режимы наблюдения watch, watchList и watchUpdates. Последний использует курсор watch_after для чтения последующих событий. Подробная схема описана в документации мониторинга.

GET /api2.3/export?mode=watchUpdates&watch_after=871000&watch_limit=100&dtype=json&api_code=ВАШ_КЛЮЧ

Правило обработки простое: сначала надёжно сохранить полученное событие и обновить связанные записи, и только после этого продвинуть курсор. Уникальный ID события и хеш помогают защититься от повторной обработки. Если процесс оборвался на середине порции, повторное чтение не должно создавать дубли и терять события.

Аналогичные требования есть и к файловым обновлениям: контрольная сумма, дата среза, версия схемы, загрузка во временный слой и только потом публикация данных в отчётах.

Какие аналитические витрины действительно полезны

Карта спроса. Закупки и контракты по ОКПД2, регионам и месяцам. Отдельно показываем опубликованные объёмы и заключённые договоры: НМЦК не равна продажам.

Конкуренты и заказчики. По ИНН поставщика видно, с кем он работает, какие товарные категории и регионы для него характерны. Для анализа взаимосвязей можно использовать методы аналитики TenderGuru. Пересечение заказчиков само по себе не доказывает сговор.

Контрактные цены. Для сопоставимых товарных позиций доступен режим mode=actual_prices с источником price_source=contracts. Цены сравнивают только после нормализации единиц измерения, комплектации, даты и налоговых условий.

Исполнение контрактов. Руководителю важно видеть не только победы, но и сведения о приёмке, изменениях и платежах, если они опубликованы. Для связанных данных предусмотрен раздел контрактов и методы исполнения.

Риски контрагентов. РНП, жалобы ФАС, арбитраж и исполнительные производства служат сигналами для проверки. Одно опубликованное событие не должно автоматически превращаться в вывод о ненадёжности компании.

Но главный эффект возникает не в BI-панели. Например, новый строительный контракт может стать поводом проверить потенциальную потребность победителя в материалах. Система связывает контракт с профилем компании и создаёт задачу менеджеру. Контракт — сигнал, а не подтверждённый заказ на ваш товар.

ИИ поверх закупочных данных: когда он действительно нужен

Обычные фильтры хорошо работают с числами, ИНН и статусами. Но требование «пусконаладка в течение десяти дней» может быть спрятано в PDF, Word или приложении к ТЗ. Здесь пригодятся извлечение текста, полнотекстовый поиск и RAG.

Схема выглядит так: документы закупки → извлечение текста и OCR при необходимости → фрагменты с номерами файлов и страниц → поисковый индекс → ответ модели со ссылками на первоисточник. В TenderGuru есть методы работы с документацией, которые можно использовать как источник файлов и текста для собственного поиска.

LLM должна помогать находить и объяснять требования, но не придумывать сроки, цены или основания для юридически значимых решений. Итоговые суммы и статусы лучше брать из структурированных записей, а не просить нейросеть их угадать.

Сколько это даст бизнесу и как запустить пилот

Возьмём учебный пример. Трое сотрудников тратили на поиск и перенос данных по 35 минут в день, а после автоматизации — по 10. За 21 рабочий день высвобождается 26,25 часа. При условной полной стоимости часа 1 200 рублей это эквивалент 31 500 рублей трудозатрат в месяц.

Это не гарантированная денежная экономия. Из неё нужно учитывать стоимость данных, внедрение, поддержку и качество результатов. Полезнее измерять, сколько релевантных сигналов превратилось в действия: контакт, квалификация, предложение или решение по закупке.

Я бы запускал проект за четыре недели, без попытки охватить всё сразу:

• Первая неделя: одна бизнес-задача, KPI, тестовые компании и словарь объектов.

• Вторая: небольшой исторический датасет, API, единые ключи и проверка дублей.

• Третья: обновления, одна витрина и два-три автоматических сигнала.

• Четвёртая: пилот с сотрудниками, сверка с источниками, журнал ошибок и решение о расширении.

До запуска отдельно согласуйте глубину истории, периодичность и свежесть поставок, лимиты, обработку исправлений, условия хранения и права использования данных. Внутренняя аналитика и публичный SaaS с передачей данных клиентам — разные лицензионные сценарии.

Вывод: не ещё одна выгрузка, а система решений

Частая ошибка — измерять успех количеством загруженных тендеров. Полезнее спросить, какие решения сотрудники теперь принимают быстрее и на чём основаны эти решения.

TenderDataHub подходит для исторического массива и крупных аналитических срезов, TenderGuru API — для оперативных запросов, карточек, изменений и обогащения. Вместе они могут стать основой внутренней системы, которая связывает закупки с реальными действиями: аналитикой рынка, ценовыми ориентирами и задачами в CRM.

Начните с одного товарного направления и одной полезной метрики. Когда она работает стабильно, добавляйте другие регионы, контрагентов и ИИ-поиск по документации — без необходимости заново строить всё хранилище.

11