Автоскоринг тендеров для генподрядов
Автоматизированный pipeline, который ежедневно собирает тендеры с 5 площадок, извлекает ключевые параметры из документации с помощью ИИ, оценивает соответствие профилю компании и формирует приоритизированный тир-лист. Команда тратит 15-20 минут утром вместо 6+ часов на ручной скрининг.
←свайп→
Охват тендеров
×9
Время скрининга
-91%
Заявок подано
×2.5
FTE на рутине
-80%
Качество побед
×1.4
marke.tel · tender-qualifier · rev. 01
С чем столкнулись
Строительная компания мониторит 200+ тендеров ежемесячно на 5 площадках. Из-за ручного процесса анализа успевают качественно проработать только 15-20 — остальные либо пропускаются, либо подаются «на удачу» без расчёта. Несколько раз находили нужные тендеры, когда времени на подачу заявки уже не оставалось.
200+
тендеров в месяц на 5 площадках
15-20
успевают качественно проработать
6+ часов
ежедневно на ручной скрининг
2-3 дня
теряется до передачи в ПТО
Исходная ситуация до внедрения
Что болит каждый день
- 01
Невозможно обработать все тендеры вовремя
Из 200+ тендеров успевают посмотреть 15-20, остальные пропускаются или подаются без расчёта
- 02
Упущенная выгода от неучастия
Маржинальные тендеры обнаруживаются когда времени на подачу уже не осталось
- 03
Выигрыш низкомаржинальных контрактов
Без системы скоринга участвуют в тендерах с отрицательной маржой
- 04
Перегруженный отдел и ПТО
ПТО получает заявки на расчёт за 3 дня до дедлайна — не успевают качественно посчитать
«Мы несколько раз находили нужные тендеры, когда времени на подачу заявки уже не оставалось. А сколько таких мы не находили — даже боюсь представить. Надоело каждый раз понимать, что контракт был у нас перед носом, но мы его просто не увидели вовремя.»
Боли по результатам интервью с командой
Бизнес-задача
Что нужно построить
Построить систему, которая автоматически собирает тендеры с нужных площадок, извлекает ключевые параметры из документации, оценивает соответствие профилю компании и выдаёт приоритизированный список, чтобы тендерный отдел тратил 20 минут утром на просмотр готовых рекомендаций вместо 6 часов на ручной скрининг, а ПТО получал заявки с запасом времени.
Что мы сделали
Разработан автоматизированный pipeline, который ежедневно собирает тендеры с 5 площадок, извлекает ключевые параметры из документации с помощью ИИ, оценивает соответствие профилю компании и формирует приоритизированный тир-лист. Интеграция с Telegram для утренних сводок и с Битрикс24 для автосоздания задач ПТО.
marke.tel · tender-qualifier · задача и решение
С чем к нам обратились
Заказчик
Генеральный директор
«Видеть ВСЕ релевантные тендеры, а не только те, что успели просмотреть»
«Тратить время на проработку, а не на скрининг»
«Получать заявки в ПТО с запасом времени на качественный расчёт»
«Исключить «мусорные» победы с отрицательной маржой»
Требования заказчика
Исходный процесс
Заход на 5 площадок
Госзакупки, B2B-Center, Сбербанк-АСТ, Фабрикант, РТС-тендер
Фильтрация по словам
Получает 50-80 позиций в день, большинство — нерелевантные
Скачивание документов
ТЗ, проект контракта, сметы — руками по каждому тендеру
Чтение ТЗ
15-40 минут на один тендер, пытается понять объём и сроки
Сверка с загрузкой
В голове / в чате с РОПом — нет системы
Решение
«интересно / не интересно / надо посчитать»
Передача в ПТО
К этому моменту уже 2-3 дня потеряно
Тендер «протух»
Часть тендеров пропущена — дедлайн подачи прошёл
←свайп→
Типичный путь обработки тендера до внедрения
Автоматизированный pipeline
Сбор тендеров
- Ежедневный парсинг 5 площадок
- Фильтры: регион, ОКПД2, цена
Парсинг документов
- Скачивание документации
- Извлечение текста из PDF/Word/архивов
Извлечение параметров
- Объект, объём, сроки
- Требования к участнику (СРО, опыт)
- Существенные условия контракта
Оценка соответствия
- Матчинг с профилем компании
- Наличие требуемых допусков
- Географическая доступность
Выявление red flags
- Демпинговая НМЦК
- Нереальные сроки
- «Заточка» под конкурента
- Кабальные условия контракта
Скоринг и тир-лист
- Скоринг 0-100
- A — Приоритет, B — Рассмотреть, C — Отклонить
Контроль
- Просмотр тир-листа: 15-20 мин утром
- Апрув / корректировка
Интеграции
- Telegram-бот: утренняя сводка
- Битрикс24: задачи для ПТО с дедлайнами
Полный цикл: от парсинга до задач в ПТО
Что делает AI
Извлечение
Структурирование параметров из ТЗ
объект: "Капремонт кровли" площадь: "2400 м²" срок: "45 дней"
Классификация
Матчинг с профилем компании
соответствие: 87% требуется: СРО — есть опыт 3+ лет — есть
Red flags
Детекция рисковых условий
[!] НМЦК на 23% ниже рынка [!] Пени 1%/день
Примеры решений по тендерам
←свайп→
| Тендер | Вердикт | Причина |
|---|---|---|
| #1 | Нет | Требуется допуск СРО на ОПО — у компании отсутствует |
| #2 | Да, приоритет A | Профильный объект, маржинальность >15%, дедлайн через 12 дней |
| #3 | Доработать | Нужна субподрядная кооперация на электрику |
Функции AI и примеры работы
Данные и интеграции
rev. 01 · data flow schematic · tender-qualifier
С чем столкнулись при внедрении
←свайп→
Тендерная документация — ад для парсинга
ПроблемаНа практике тендерная документация часто содержит: сканы с перекошенным текстом, таблицы-картинки, смета в Excel вложенная в Word сконвертированный в PDF. Стандартный подход извлечения работает на 35-40% документов.
РешениеПостроили цепочку с fallback-логикой и дообучением. Сначала пытаемся извлечь текст напрямую...
- Если текст извлекается чисто — идём дальше
- Если нет — прогоняем через OCR
- Если OCR даёт низкий confidence — vision-модель "смотрит" на документ как картинку
- Самые сложные случаи (~3-5%) размечаем вручную для улучшения pipeline
Покрытие выросло с 35-40% до 95%+ документов.
Срок решения — 6 рабочих дней
Нет единого формата ТЗ
ПроблемаКаждый заказчик пишет техническое задание как хочет. Один указывает сроки в первом абзаце, другой — в приложении на последней странице. Требования к СРО могут быть закопаны в проекте контракта. Общая LLM "из коробки" путает сроки, вытаскивает не те цифры.
РешениеFew-shot дообучение на данных конкретной компании. Собрали 50+ тендеров из их истории...
- Собрали 50+ тендеров из истории компании
- Разметили вручную: где сроки, где объёмы, что — red flag
- Модель научилась понимать специфику строительных ТЗ
- При расширении на новые типы объектов — доразмечаем примеры
Каждое дообучение занимает дни, не недели.
Срок решения — 5 рабочих дней
Ключевые проблемы и их решения
Сравнительная таблица
←свайп→
| Метрика | Было | Стало | Δ | Примечание |
|---|---|---|---|---|
| Охват тендеров / мес | 20 из 200 (10%) | 180 из 200 (90%) | ×9 | Все релевантные тендеры видны |
| Скорость попадания в ПТО | 2-3 дня | < 1 дня | −70% | Запас времени на расчёт |
| Время на скрининг / мес | ~80 ч | ~7 ч | −91% | 15-20 мин утром вместо 6 ч |
| FTE на скрининге | 1.5 | 0.3 | −80% | Освобождение ресурсов |
| Заявок подано / мес | 12 | 25-30 | ×2-2.5 | Больше качественных заявок |
| Пропуски профильных | 5-10 / мес | < 2 / мес | −80% | Почти нет упущенных |
| Качество побед | ~70% | ~98% | ×1.4 | Доля с маржой ≥ целевой |
Метрики до и после внедрения
Техническая карточка кейса
Отрасль
Строительство (генподряд, субподряд)
Тип решения
AI-pipeline + интеграции
Входной поток
200+ тендеров/месяц с 5 площадок
Выходной поток
180+ качественно проработанных/месяц
Ключевые эффекты
- • Охват тендеров: ×9
- • Время скрининга: −91%
- • Подано заявок: ×2-2.5
- • FTE на рутине: −80%
Срок внедрения
до 30 дней
Интеграции
Госзакупки, B2B-Center, Сбербанк-АСТ, Фабрикант, РТС-тендер, Telegram, Битрикс24/Планфикс
marke.tel · tender-qualifier · техническая карточка