Алгоритм автоматического подбора товара для промышленного маркетплейса
ИИ-алгоритм, который сопоставляет позиции из закупочных заявок предприятий с товарами в каталоге маркетплейса. Разбирает текстовое описание промышленной номенклатуры в различных вариациях написания — арматура, трубы, электрооборудование, метизы, КИПиА — извлекает технические характеристики и находит точное или допустимое соответствие в каталоге поставщиков. Работает как ядро подбора маркетплейса: получает заявку, возвращает подобранные товары с ценами и сроками.
Зачем это нужно?
Проблема
- Ручной подбор товара оператором маркетплейса занимает от нескольких минут до 15 минут на позицию в зависимости от сложности номенклатуры; при потоке 100 000 позиций/месяц трудозатраты достигают 20 000+ часов
- Хаос номенклатуры: например, одна и та же задвижка 30с41нж Ду150 Ру16 встречается в заявках как «задв. клин. ст. фл. DN150 PN16 30с41нж», «Задвижка стальная 150мм 16атм ГОСТ 8437», «Gate valve 30с41нж 6"» — десятки вариантов написания
- Ошибки ручного подбора приводят к возвратам, простою производства, потере доверия к маркетплейсу
- Каталог маркетплейса — миллионы SKU от сотен поставщиков с разной детализацией описания: от полной спецификации до «труба 100 мм»
- Масштабирование при текущем уровне автоматизации ограничено: рост потока заявок требует пропорционального роста штата операторов
Решение
Алгоритм использует трехуровневую архитектуру подбора:
- Парсинг заявки: NLP-разбор свободного текста позиции — извлечение структурированных параметров (тип изделия, материал, DN/PN, ГОСТ/ТУ, марка стали, класс точности)
- Каскадная фильтрация: многоэтапный пайплайн отбора кандидатов — bi-encoder для быстрого векторного поиска по всему каталогу → cross-encoder для точного переранжирования топ-K → LLM-reranker для семантической оценки → LLM-expert для финального обоснования выбора SKU
- Контроль уверенности: confidence scoring для каждого подбора; автоматическая передача на ручную проверку при уверенности ниже порога
Основные функции
-
(01)
Интеллектуальный парсинг позиций заявки
Извлечение из текстового запроса: тип продукта, типоразмер (DN/PN, сечение, длина), материал/марка стали, стандарт (ГОСТ, ТУ, ISO), исполнение, дополнительные требования. Обработка аббревиатур, жаргонизмов, опечаток: «задв.» → задвижка, «нж» → нержавеющая сталь, «10атм» → PN10. Работа с составными позициями: «Комплект: задвижка + ответные фланцы + крепеж» → 3 отдельные позиции. Определение обязательных и желательных параметров для каждого типа продукта.
-
(02)
Нормализация каталога и кросс-референсинг
Единая таксономия промышленных товаров: 12 000+ категорий, 850+ нормализованных атрибутов. Автоматический маппинг между стандартами: ГОСТ 8732 ↔ ISO 9329, ГОСТ 9544 ↔ EN 12266. Справочник взаимозаменяемости: эквиваленты по материалам (09Г2С ↔ P355NL1), по типоразмерам (Ду → DN → NPS). Нормализация каталогов поставщиков при онбординге — приведение к единой структуре атрибутов.
-
(03)
Каскадный алгоритм подбора
Bi-encoder: быстрый векторный поиск по всему каталогу — формирование широкого пула кандидатов за миллисекунды; эффективно масштабируется на миллионы SKU. Cross-encoder: точное попарное переранжирование топ-K кандидатов с учетом технических параметров (DN, PN, материал, стандарт) — отсев несоответствий по «hard»-характеристикам. LLM-reranker: семантическая оценка соответствия с учетом отраслевого контекста, норм взаимозаменяемости и неявных требований — ранжирование по «soft»-параметрам (производитель, наличие, срок поставки, цена). LLM-expert: финальное обоснование выбора SKU, генерация предложений функциональных аналогов с указанием отличий при отсутствии точного соответствия.
-
(04)
Confidence scoring и маршрутизация
Каждый подбор получает score 0–100% с декомпозицией по параметрам. Автоподбор (score ≥ 95%) — позиция передается в заказ без участия оператора. Проверка оператором (score 70–95%) — алгоритм предлагает топ-3 варианта, оператор подтверждает. Экспертная обработка (score < 70%) — позиция передается в ручную обработку с контекстом парсинга. Обратная связь: решения операторов и экспертов используются для дообучения модели.
Ключевые характеристики
| Параметр | Значение |
|---|---|
| Точность подбора (precision на автоподборе) | 92-96% на промышленной номенклатуре |
| Доля позиций, обрабатываемых автоматически (без оператора) | 70-85% на этапе зрелой эксплуатации |
| Доля позиций на ручной проверке оператора | 10–25% |
| Доля позиций на экспертной обработке | 5–10% |
| Время подбора одной позиции | менее 2 секунд |
| Размер каталога | до 12 000 000 SKU |
| Число нормализованных категорий | 12 000+ |
| Кросс-стандарты | ГОСТ, ТУ, ISO, DIN, ANSI, EN |
| Обработка новых каталогов поставщиков | менее 48 часов на онбординг |
| Самообучение | Дообучение по решениям операторов, цикл — 1 неделя |
| Пропускная способность | до 500 000 позиций/месяц на инстанс |
Сценарии применения
-
(01)
Массовый подбор стандартной номенклатуры (трубы, метизы, кабель)
Цель:Автоматизация подбора для типовых позиций с однозначной спецификацией
Эффект:85–92% позиций подбираются автоматически за менее чем 1 секунду; обработка десятков тысяч позиций в день одним инстансом без участия оператора
-
(02)
Подбор сложной промышленной арматуры и оборудования
Цель:Корректный подбор задвижек, клапанов, насосов, КИПиА с учетом ГОСТ/ТУ, материала, исполнения, климатического класса
Эффект:Точность 92–96% при 65–75% автоподбора; оператор подтверждает нетривиальные случаи — экономия 60–70% времени на сложных позициях
-
(03)
Обработка заявок с неполной спецификацией
Цель:Работа с заявками, где указано «насос центробежный 50 м³/ч» без ГОСТ, марки, исполнения
Эффект:LLM-reranker и LLM-expert предлагают топ-5 подходящих вариантов с ранжированием и обоснованием; заказчик уточняет выбор — цикл подбора сокращается с нескольких дней переписки до минут
-
(04)
Подбор аналогов при отсутствии позиции в каталоге
Цель:При отсутствии запрошенного товара — автоматическое предложение функциональных аналогов с указанием отличий
Эффект:Часть заявок, ранее уходивших «в никуда», конвертируется в заказы; рост выполнения заявок в сегменте составляет несколько процентных пунктов
Ценность для заказчика
Операционная эффективность
Расчет приведен для маркетплейса с потоком 100 000 позиций/месяц (1,2 млн/год). Эффект пропорционален объему.
| Статья эффекта | База расчета | Допущение | Оценка |
|---|---|---|---|
| Сокращение трудозатрат операторов на подбор | 20 000 ч/год × средний ФОТ оператора ~760 руб./ч | Автоматизация 75% объема | 11 400 000 руб. |
| Снижение ошибок подбора → меньше возвратов и простоев у заказчиков | Текущая доля ошибок 5–8%, снижение до 1–2% | Средняя стоимость возврата в портфеле | 2 500 000 – 4 800 000 руб. |
| Ускорение обработки заявки → рост конверсии | Текущий цикл 1–2 дня → минуты; конверсия ускоренной заявки выше | Рост конверсии маркетплейса на 8–12% | 5 000 000 – 8 500 000 руб. |
| Подбор аналогов → рост выполнения заявок | Доля заявок с отсутствующей позицией — 5–10% | Конверсия аналогов 25–35% | 1 500 000 – 3 200 000 руб. |
| Удержание заказчиков за счет скорости и точности | LTV заказчиков платформы | Снижение оттока на 5–10% | 1 500 000 – 2 500 000 руб. |
Итого:
22 000 000 – 30 500 000 руб.
Главный эффект
Масштабирование маркетплейса без пропорционального роста штата операторов: рост потока заявок в несколько раз не требует пропорционального роста команды.
Стратегические преимущества
Системные эффекты
- Нормализованная база товаров и заявок — фундамент для предиктивной аналитики, ценового мониторинга и автозакупок.
- Данные о паттернах спроса: какие товары запрашиваются чаще, какие категории растут — ценность для поставщиков и расширения каталога.
- Сетевой эффект: с ростом объема обработанных заявок качество подбора растет — барьер для конкурентов.
Экономика проекта
| Показатель | 1-й год | 2-й год и далее |
|---|---|---|
| Затраты | 12 млн руб. (внедрение) | 4 млн руб. (поддержка) |
| Ожидаемая экономия | 22 – 30,5 млн руб. | 22 – 30,5 млн руб. |
| Чистый эффект | 10 – 18,5 млн руб. | 18 – 26,5 млн руб. |
Срок окупаемости:
5–7 месяцев при указанных параметрах потока заявок. При меньшем объеме — пропорционально дольше.
