Время — деньги: как мы ускорили формирование КП для снабженцев судов в 10 раз с помощью ИИ

Клиент — компания, занимающаяся снабжением судов дальнего плавания,, ежедневно сталкивалась с большим потоком разноформатных заявок от экипажей: списки продуктов, медикаментов, инвентаря и оборудования приходили в виде Excel-таблиц, PDF-документов, иногда просто текстом в письме или ссылкой на порталы.

Всё это требовало ручной работы: закупщики вручную вносили позиции в ERP, сверяли их с историей закупок этих же судов, искали подходящих поставщиков, формировали коммерческие предложения и согласовывали их для каждого судна.

Имеющиеся на рынке решения не могли обеспечить необходимую скорость и точность — системы либо требовали полного единообразия входящих данных, либо не поддерживали анализ предыдущих закупок и частую смену шаблонов.

Клиент поставил перед нами три ключевые задачи:

• Сократить время отклика на тендерные заявки — от нескольких дней до нескольких часов;

• Минимизировать ручной труд — автоматическое сопоставление товаров;

• Снизить количество ошибок при подборе поставщиков и формировании КП.

Реализовать всё это предстояло в единой облачной системе, интегрированной с ERP и учитывающей специфику флота, разнообразие запросов и потенциальную масштабируемость на новые направления бизнеса.

Чтобы радикально ускорить процесс подготовки коммерческих предложений и справиться с хаосом входящих заявок, мы в Технологике выбрали путь разработки кастомного интеллектуального модуля, способного работать с любыми форматами документов, учиться на истории закупок и интегрироваться с инфраструктурой клиента.

Мы выявили следующие “места” для автоматизации:

• Входящие запросы и список позиций на поставку

• Поиск позиций в имеющихся базах поставщиков

• Формирование коммерческого предложения

Клиент получает заявки по почте в виде Excel, PDF, обычного текста или ссылок на порталы. Мы применяем каскад из парсеров и OCR — данные извлекаются, нормализуются и классифицируются.

Таким образом, мы получаем машиночитаемый список из позиций в формате JSON, который можно дальше сличать с базами данных по поставщикам.

Для поиска соответствий между заявкой и товарной базой ERP мы используем:

• FAISS и pgvector — быстрый поиск по эмбеддингам

• Алгоритмы для учёта опечаток, вариантов написания и смешанных языков

• История закупок клиента — учитывается при анализе и формировании рекомендаций

Мы задействовали FAISS и pgvector для поиска по эмбеддингам, а также алгоритмы cosine similarity и rapidfuzz для учёта текстовых вариаций в названиях товаров. Это обеспечивало устойчивую работу даже в случае опечаток, нестандартизированных обозначений или смешанных языков.

После сопоставления система подбирает наилучшие варианты поставщиков и цен, анализируя историю закупок клиента. Для каждой позиции формируются рекомендации с указанием confidence-оценки, то есть насколько найденный вариант соответствует оригинальному запросу.

Результаты экспортируются в Excel-файл, который наш клиент может просмотреть, откорректировать, передать в ERP и выслать запрашивающему судну.

Мы создали не просто автоматизированную функцию по разбору запросов на поставку, а платформу управления закупками, которая адаптируется под реальный бизнес, ведь в основе – модели искусственного интеллекта.

Поставленные клиентом задачи были достигнуты:

• Теперь обработка одной заявки занимает 1-3 часа против прежних 2–3 дней.

• Более 80% запросов проходят полностью автоматически, закупщики фокусируются только на спорных случаях.

• Процент ручных исправлений и возвратов КП уменьшился минимум в 2 раза.

Команда снабжения теперь может обрабатывать больше заявок с теми же ресурсами, экипажи быстрее получают нужное, а прибыль растёт.

Этот кейс показал, что интеллектуальная автоматизация — это не только скорость, но и реальное качество, удобство и новые возможности управления.