Интеллектуальные технологии в закупках

Не так давно под новыми технологиями преимущественно понимали необходимость автоматизации тех или иных операций бизнес-процесса. На протяжении многих лет отделы закупок используют в своей работе автоматизированные системы управления закупками различной степени сложности. Большинство рутинных задач успешно автоматизированы, и постепенно идет переход к роботизации наиболее простых операций.

Cегодня Минцифры и российское бизнес-сообщество активно продвигают повестку цифровой трансформации. В отличие от автоматизации и роботизации, ориентированных на замену ручного труда, цифровизация опирается на кратное повышение количества и качества доступных для бизнеса данных. Например, для повышения эффективности закупок уже сегодня есть возможность автоматизированного сбора и обработки следующих данных:

• данные о потребностях бизнеса (для формирования плана закупок),
• данные о рыночной конъюнктуре,
• данные о поставщиках, в том числе:
• номенклатура товаров/услуг
• исторические расценки
• опыт поставщиков
• сертификаты
• отзывы контрагентов
• данные о надежности
• данные о собственных запасах/НВИ/НЛИ,
• данные о исполнении договорных обязательств и прочее.

Колоссальные объемы новых данных требуют применения передовых подходов к их обработке и анализу. Алгоритмы искусственного интеллекта позволяют в кратчайшие сроки извлечь максимум практической ценности из обширных информационных массивов, обеспечивая своевременную аналитическую поддержку для принятия обоснованных управленческих решений.

Из всех шагов закупочного процесса наиболее критичным для итоговой эффективности закупки является тщательный анализ рынка. Качественно проведенный анализ поставщиков и их ценовых предложений помогает существенно снизить 3 ключевых закупочных риска:

• купили не совсем то,
• купили не у тех,
• купили по завышенной (или заниженной) цене.

Согласно мировой практике, закупочный цикл состоит из 13 ключевых этапов. При этом 4 из них напрямую связаны с анализом рынка и тщательным отбором участников закупки. Качественная проработка этих этапов существенно снижает риски признания закупки несостоявшейся из-за недостаточного числа участников или отсутствия приемлемых предложений. Расширение круга потенциальных поставщиков повышает уровень конкурентности закупки. Увеличение конкуренции напрямую способствует повышению качества отбора поставщиков и, зачастую, снижению итоговой стоимости.

Несмотря на высокую значимость анализа рынка, существует проблема в его активном применении. Этот процесс довольно сложно поддается автоматизации, требует сбора и анализа огромного количества информации, а возможности ручного поиска по доступным информационным ресурсам очень ограничены.

Зачастую компании ограничиваются ожиданием откликов на закупку, опубликованную в рамках электронной торговой площадки (ЭТП), отбирая поставщиков из ограниченного круга участников. Такой подход, безусловно, менее трудозатратный для организаторов, но компания упускает возможность повысить качество проводимых закупок.

Сами поставщики также неохотно откликаются на запросы предварительных коммерческих предложений. Это связано как с высокими трудозатратами на заполнение разнообразных форм и шаблонов, так и с тем, что значительная часть обращений оказывается нерелевантной из-за недостаточного анализа опыта и компетенций потенциального подрядчика.

В то же время, именно этапы анализа рынка и подготовки к закупке обладают большим потенциалом для интеграции перспективных интеллектуальных технологий. Рассмотрим некоторые успешные примеры их внедрения в закупочную деятельность «Газпром нефти».

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 отличие 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 определяется перечень наиболее популярных расценок 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 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

Сегодня интеллектуальные цифровые сервисы Effect, использующие описанные передовые технологии сбора и обработки данных, уже внедрены и активно используются в более чем 100 обществах «Газпром нефти». За прошедший год сервисы продемонстрировали высокую эффективность и ощутимый практический результат для тысяч сотрудников компании.

Опыт «Газпром нефти» наглядно демонстрирует потенциал применения интеллектуальных цифровых технологий для трансформации закупочной функции и достижения существенного повышения ее эффективности и конкурентоспособности компании в целом.