Как ИИ поможет ускорить процесс закупок и упростить работу закупщиков на этапе выбора лучшей цены

Привет, vc.ru. Меня зовут Ксения Плесовских и я развиваю генеративный ИИ в компании lad, разрабатывая решения для бизнеса.

Расскажу о том, как ИИ упрощает работу закупщиков, беря на себя самый трудоёмкий процесс сопоставления позиций между коммерческими предложениями.

так ИИ разбирает коммерческие предложения поставщиков

Давайте представим, что мы хотим построить дом, уже нарисован чертеж и определены все-все-все материалы, которые нам потребуются для его сборки, включая краску, кисти. электрику, пластиковые трубы…

На большом производственном предприятии такой список элементов проектировщики передают в отдел закупок, в нем легко может быть несколько тысяч изделий, и задача закупщиков приобрести материалы именно с указанными характеристиками.

Главная проблема в работе с данными о товарах заключается в их неоднородности.

Данные по структуре отличаются не только от базы предприятия, но и между предложениями отдельных поставщиков и невозможно заставить поставщиков привести все в единообразный вид, т.к. они сами зависят от цепочек поставок и ориентированы не на одного покупателя.

А так как у нас на рынке свободная конкуренция, далеко не все компании могут позволить себе указать в этом списке краску конкретного бренда или марки, а ограничиваются только ее цветом, матовостью, материалом поверхности и иногда какими-то особыми условиями, например, устойчивостью к низким температурам.

И вот тут начинается боль закупщиков потому что в поисках товаров на сайтах или делая запросы коммерческих предложений, они бывают вынуждены сидеть и вручную сравнивать требуемые характеристики всех указанных материалов со всеми имеющимися предложениями.

Это долгая, монотонная и совершенно не интересная работа, а в некоторых источниках еще может и не быть всей информации, чтобы сказать с полной уверенностью, что это именно то, что требуется.

Для решения этой задачи мы разработали ИИ, который умеет сопоставлять между собой разные наименования товаров и выдавать степень их сходства.

так выглядит отчет с сопоставленными позициями и процентом сходства между ними. Вверху степень сходства высокая, внизу написание довольно сильно отличается, но это все равно одинаковые позиции

У нашего ИИ есть свои особенности:

иногда необходимо матчить не конкретное описание с брендом и другими яркими характеристиками, а обезличенную формулировку из госта, например, “цемент быстрозатвердевающий средней прочности” с карточкой товара на сайте “Нормальнотвердеющий портландцемент без добавок ЦЕМ 0 42,5Н”. Не говоря уже о том, что краска бывает быстросохнущей и она же воднодисперсионная, также как эмаль для ванных комнат - это и эмаль для влажных помещений. Это делает невозможным поиск только по ключевым словам, мы ориентируемся на семантику векторного поиска.
учитывает написание именованных сущностей - марки, артикулы, аббревиатуры и т.п. знает, что МШ (машина шлифовальная) и МШЭ (машина шлифовальная электрическая) обладают разными характеристиками, а потому разница в одной букве - совсем не опечатка.
может приводить к единому виду единицы измерения, поэтому 100 г и 0,1 кг будут посчитаны как одинаковая величина
матчинг может делаться без атрибутивного состава, но отдельные атрибуты товара могут иметь разный вес в матчинге даже для разных пользователей внутри одного предприятия. Мы сделали адаптивные алгоритмы, которые позволяют ранжировать выдачу в зависимости от выбранного веса атрибутов.

Благодаря нашему участию в одном из холдингов время закупок удалось сократить с 18 до 4 рабочих дней, что дало прямой экономический эффект от ускорения производства новой продукции на 14 рабочих дней.

Но и это еще не все, для проектировщиков иногда бывает значима очень узкая характеристика, например, морозостойкость краски, которая отсутствует в прайс-листе, и чтобы ее узнать, мы ищем такую же позицию в нескольких открытых источниках и если находим и убеждаемся, что характеристика присутствует и не противоречива между источниками, предлагаем данные для обогащения.

В этом нам помогает наша собственная платформа мониторинга цен HiBrain. Сейчас на ней только в области стройматериалов ежедневно мониторятся более 100 сайтов, от маленьких региональных до больших маркетплейсов. Накопленная база позволяет легко находить нужные характеристики и заодно валидировать цены не только прайсами поставщиков, но и их рыночными значениями.

P.S. Если вам интересны новости про генеративный ИИ, LLM, мультиагентов, я рассказываю об этом в своем Телеграм-канале.