Главное Авторские колонки Пресс-релизы Промо Вакансии Вопросы
125 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

Почему автоматический поиск тендеров не заменяет решение об участии

Короткая сводка закупок ещё не доказывает качество отбора. На примере рабочего радара разбираем, как проверять фильтры, зачем сохранять отклонённые закупки и почему оценка ИИ не равна решению об участии.
Мнение автора может не совпадать с мнением редакции

Автоматизация поиска тендеров часто начинается с понятного желания: перестать читать всё подряд. Но короткий список ещё не означает, что отбор работает правильно. В нём могут остаться неподходящие закупки, а за его пределами — оказаться те, ради которых поиск и затевали.

В нашем радаре закупок это разделение видно на конкретном примере. В сводке за 4 сентября 2026 года из 13 новых закупок система выделила две для внимания человека, а 11 отнесла в отсев. При этом в рабочей таблице есть и другой эпизод: человек вернул в рассмотрение закупку, которую машина сочла неподходящей.

Оба результата важны. Первый показывает сокращение списка для разбора. Второй напоминает, почему право окончательного отказа нельзя незаметно передать алгоритму.

Фильтр проверяют не только по тому, что он нашёл

Для демонстрации мы настраивали поиск поставок теплообменников. Первоначальная выдача по корню слова содержала 11 227 закупок за двухлетний период. После уточнения предмета закупки, исключений и ценовых ограничений осталось 182.

Выглядит убедительно: список стал существенно короче. Но сама по себе эта разница ничего не говорит о качестве. Такой результат можно получить и чрезмерно жёсткими условиями, которые уберут нужные закупки вместе с ненужными.

Поэтому следующим действием была проверка на завершённых процедурах. В трёхлетнем окне их оказалось 424. Человек смотрел не только на лишние позиции, но и на наличие подходящих: попадает ли в выдачу то, что компания действительно стала бы рассматривать?

Это разные выборки и разные периоды. Числа 182 и 424 нельзя сравнивать как результат «до» и «после». Первая цифра описывает сужение поиска, вторая — материал для отдельной проверки.

Практический вывод: до запуска автоматического отбора стоит взять известные подходящие закупки и проверить, не теряет ли их фильтр. Иначе аккуратная короткая сводка может скрывать ошибку поиска.

Оценка без объяснения мало помогает

Совпадение названия оборудования с поисковым запросом не отвечает на вопрос, подходит ли заказ компании.

В нашей таблице одна закупка по первому впечатлению выглядела как отдельный аппарат. Из документации следовало, что речь идёт о комплектной установке нужного профиля. Система рекомендовала проверить изготовителя, стоимость и состав поставки. Другой ёмкостный аппарат был признан неподходящим: типовое изделие без инженерной части.

Разница не в наличии ключевого слова, а в содержании заказа. Поэтому рядом с категорией отбора записывается обоснование: что найдено в документах, почему это важно и что ещё предстоит проверить.

Число от 1 до 5 в такой таблице — оценка системы, а не измеренная вероятность победы в тендере. Четвёрка не означает 80-процентную вероятность получить контракт. Она помогает расставить приоритеты чтения, но не заменяет проверку условий.

Отказ должен оставаться обратимым

В одном из показанных эпизодов напротив машинного «не наше» человек оставил решение попробовать участие в тестовом порядке. Строка не исчезла, к ней можно было вернуться.

Если автоматически удалять всё отсеянное, проверить такие решения будет сложнее. Поэтому в этом процессе сохраняются и оценка машины, и замечание человека. Финальные статусы прошлых закупок хранятся отдельно и используются при последующих оценках.

Здесь важно не путать использование истории с гарантированным обучением модели. Система читает предыдущие решения как дополнительный контекст. Это не доказывает, что её точность растёт после каждой заметки: качество следующего отбора всё равно нужно проверять.

Две строки в сводке — не две готовые сделки

Утром 4 сентября сработали все 22 настроенных фильтра. Из 13 новых закупок одна получила категорию «углубиться», ещё одна — «на контроле». Кроме того, 117 ранее помеченных закупок не отправлялись на повторное чтение.

Такой результат показывает, сколько новой информации осталось для первичного внимания. Он не показывает ни количество выигранных тендеров, ни прибыль, ни долю ошибочного отсева. По одной утренней сводке эти показатели определить нельзя.

Дальше начинается отдельная работа. Человек выбирает закупку, запускает передачу в CRM и проверку документации. В нашем процессе актуальное ТЗ нужно брать с официальной площадки: версия в агрегаторе может отставать. Созданная карточка сделки подтверждает перенос данных, но не готовность компании подавать заявку.

Поэтому автоматический поиск стоит оценивать по двум вопросам: сколько ручного разбора он снимает и насколько хорошо сохраняет подходящие возможности. Первый эффект заметен сразу. Для второго нужны проверки, в том числе того, что ушло в отказ.

С чего начать до подключения ИИ

Из этого опыта получается короткая последовательность:

1. Описать, какие закупки компания рассматривает и по каким причинам отказывается от остальных.

2. Проверить поисковые условия на прошлых процедурах, включая заведомо подходящие.

3. Требовать от системы объяснения оценки, а не только балла или цвета строки.

4. Сохранять отсев доступным для просмотра и назначить человека, который разбирает спорные случаи.

5. Отделить первичный отбор от решения об участии и подготовки заявки.

Если закупок в нише немного и заказчики известны, такой радар может вообще не понадобиться. Если поток большой, но критерии участия никто не сформулировал, автоматизация не решит эту проблему за компанию.

Полезный результат здесь — не самостоятельный «тендерный директор», а подготовленный список с объяснениями и возможностью исправить ошибку. Решение, ради какого заказа тратить время инженеров и коммерческой команды, остаётся управленческим.

Михаил Ляпин, «Метод машин».

Записи работы радара и исходный кейс с цифрами.

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем
Комментарии
Выбрать файл
Блог проекта
Расскажите историю о создании или развитии проекта, поиске команды, проблемах и решениях
Написать
Личный блог
Продвигайте свои услуги или личный бренд через интересные кейсы и статьи
Написать

Spark использует cookie-файлы. С их помощью мы улучшаем работу нашего сайта и ваше взаимодействие с ним.