Описание
Клиент — крупная компания из сферы лёгкой промышленности, регулярно участвующая в тендерных процедурах для расширения рынков сбыта. Основная цель проекта заключалась в автоматизации анализа и отбора подходящих тендерных процедур, а также в интеллектуальном подборе наилучшего товара из собственного ассортимента для участия в каждом тендере. К важнейшим задачам относились:
- Существенное сокращение времени на ручной анализ тендерных условий и формирование пакета предложений;
- Повышение качества рекомендаций за счёт самообучающихся алгоритмов;
- Централизация данных и прозрачность процесса принятия решений в тендерном отделе.
Для решения поставленных задач была выбрана интеграция UiPath / PIX RPA и технологий машинного обучения, что позволило соединить роботизацию рутинных процессов с интеллектуальным анализом данных. В качестве внешнего источника информации о тендерах была использована система Seldon, а для формирования и принятия решений — автоматизированное рабочее место с графическим интерфейсом и внутренней CRM.
После поступления списка подходящих тендерных процедур в Систему из Seldon, система автоматически выгружает весь пакет документов по тендеру и разбирает таблицу спецификации на конкретные позиции, сопоставимые с номенклатурным рядом компании, заранее подготовленным и помещённым в базу данных.
Затем происходит сравнение двух таблиц с помощью подключенного модуля машинного обучения и система подбирает релевантные товары из номенклатуры Компании. Если подходящих товаров несколько, то система выбирает тот, который будет приоритетнее в алгоритме, например – более дорогой.
В качестве результата сравнения система выводит пользователю таблицу.
Используя графический интерфейс системы, сотрудник:
- подтверждает корректный выбор системы - в таком случае может быть запущен другой внутренний процесс компании, посвящённый подготовке и подаче документов на тендерную процедур;
- указывает, что товар был выбран неправильно и из справочника номенклатуры компании выбирает подходящий по его мнению.
И в том, и в другом случае система получает обратную связь от пользователя, что позволяет совершенствовать работающую модель машинного обучения, увеличивая с каждым разом точность предложений системы.
