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

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.

• 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.

Источник: VC