Автосопоставление заявки с прайсом на тысячи позиций

Клиент присылает заявку на 14 строк, написанную так, как удобно ему: где-то стандарт и размер, где-то сокращение, где-то артикул из его собственного учёта. Менеджер открывает прайс на 3 800 позиций и ищет каждую строку вручную. Опытный сотрудник справится, новичок перепутает стандарт или диаметр, и ошибка всплывёт уже на отгрузке или возврате.

Если коротко: такую задачу не стоит целиком отдавать нейросети, она может уверенно назвать артикул, которого нет в каталоге. Рабочая схема другая: языковая модель разбирает свободный текст заявки на признаки (тип, размер, стандарт, материал), правила ищут кандидатов в реальном каталоге, а менеджер выбирает из трёх лучших вариантов и видит, почему они предложены. Его выбор запоминается, и следующая такая же строка подбирается сразу.

В статье:

Во что обходится ручной подбор по прайсу: условный расчёт
Почему нельзя просто «отдать заявку нейросети»
Как устроен подбор: от строки заявки до артикула
Какие разделы прайса доводить до точности первыми
Что показать до договора и что проверить на пилоте
Что не входит в первую версию и типичные ошибки
Что сделать сегодня: подготовка прайса и примеров заявок
Частые вопросы

Пример в статье взят из проекта для оптового поставщика промышленного инструмента, над которым мы сейчас работаем. Проект ещё не запущен, поэтому ниже нет результатов вроде «сэкономили столько-то часов». Есть устройство решения, принятые решения и то, что мы планируем проверить на пилоте. Название клиента и коммерческие условия опускаем: подход подходит любому бизнесу с большим прайсом.

Во что обходится ручной подбор по прайсу

Исходные данные в нашей задаче выглядят так:

основной прайс на около 3 800 позиций, разбитый на 89 разделов;
второй прайс на более 5 000 позиций с другим форматом артикулов, его планируется подключать отдельной фазой;
заявки приходят в произвольном виде: с сокращениями, стандартами, размерами, иногда с артикулами клиента, которых в каталоге нет вовсе.

Менеджер разбирает такую заявку строка за строкой. Проблема не только во времени, но и в том, что работа держится на знании номенклатуры. Пока сотрудник не выучил, чем один стандарт отличается от другого и как кодируются артикулы в каждом разделе, он работает медленно и с ошибками.

Условный расчёт: сколько времени уходит на подбор

Посчитайте на своих цифрах. Ниже пример с условными значениями, не данные клиента:

Параметр	Условное значение
Заявок в день	10
Строк в заявке	15
Минут на поиск одной строки	2
Итого на подбор в день	10 × 15 × 2 = 300 минут, то есть 5 часов

Подставьте свои значения: сколько заявок приходит, сколько в них строк и сколько минут менеджер реально тратит на строку (засеките на пяти заявках, не на глаз). Но помните, что освободившиеся часы ещё не деньги: как перевести их в выгоду, разобрано в статье «Окупаемость автоматизации с ИИ».

Вторая составляющая цены сложнее в подсчёте: ошибки. Неверный диаметр или стандарт означает неправильный заказ, возврат и клиента, который в следующий раз пойдёт к другому поставщику. Кажется, что всё это решается одним запросом к нейросети. Почему это опасный путь, разберём дальше.

Почему нельзя просто «отдать заявку нейросети»

Первая мысль: скопировать заявку и прайс в языковую модель и попросить подобрать позиции. В промышленном каталоге у этого подхода три проблемы:

Цена ошибки высокая. Похожий по названию, но другой по размеру артикул выглядит правдоподобно, и менеджер может его пропустить.
Модель выдумывает. Языковая модель склонна уверенно называть позиции и артикулы, которых в каталоге нет. Подробнее о том, где нейросети полезны, а где нет, в статье «Нейросети для бизнеса».
Нет объяснения. Менеджер должен видеть, почему предложена именно эта позиция. Без этого он либо перепроверяет всё вручную, либо слепо доверяет, и оба варианта плохие.

Поэтому мы разделяем работу: модель отвечает за понимание языка, правила и каталог отвечают за решение.

Задача	Только языковая модель	Модель + правила + каталог
Понять «8 мм, DIN 340, быстрорез»	Справляется	Модель разбирает текст на признаки
Найти позицию	Может назвать несуществующую	Ищет только среди реальных строк прайса
Объяснить выбор	Общими словами	Показывает, какие признаки совпали, а какие нет
Сказать «точного аналога нет»	Часто подгоняет ответ	Честно помечает строку
Повторная заявка	Каждый раз заново	Берёт подтверждённый ранее ответ

Строка «8 мм, DIN 340, быстрорез» здесь условный пример формулировки, а не цитата из заявки. По сути это не чат-бот, а инструмент, который делает работу внутри процесса и оставляет решение человеку. Разницу между ботом и агентом мы подробно разбирали в статье «ИИ-агент или чат-бот». Теперь посмотрим, как такой инструмент устроен по шагам.

Как устроен подбор: от строки заявки до артикула

Изнутри это не одна «умная кнопка», а цепочка из подготовки каталога и трёх шагов на каждую заявку. Плюс память и журнал, которые делают систему полезнее со временем.

Шаг 0. Каталог превращают в данные

Прайс для системы это данные, а не просто текст. У каждого раздела свой способ кодирования артикула, и без его описания ничего надёжно не подберётся. В нашей задаче 89 разделов сводятся к 74 уникальным типам кодирования: часть разделов повторяется под разными брендами, но кодируется одинаково, поэтому разметка для них делается один раз.

Для каждого типа описываем, как из артикула и названия достаются признаки: тип изделия, размер, стандарт, материал. Работу планируем по сложности разделов, а не «на глаз»: например, пластины и державки по ISO разбираются заметно дольше, чем оправки, патроны и цанги.

Шаг 1. Разбор строки заявки

Языковая модель превращает строку заявки в структуру: тип, размер, стандарт, материал, количество. На выходе не ответ клиенту, а набор признаков, который дальше проверяют правила. Например, размер должен быть числом и попадать в допустимый ряд, иначе строка помечается как неоднозначная и уходит человеку.

Шаг 2. Поиск и ранжирование кандидатов

Признаки сравниваются с каталогом. Для разделов, где настроены правила разбора, система считает процент совпадения по признакам. Для остальных работает текстовый поиск, который находит кандидатов по всему каталогу, но без процента. Менеджер получает три лучших варианта и объяснение: что совпало, а что нет.

Как это выглядит на экране (условный пример, артикулы вымышлены):

Строка заявки	Признаки	Кандидат	Совпадение	Что не так
сверло 8 DIN 340 HSS, 20 шт	сверло, Ø 8 мм, DIN 340, HSS, 20 шт	А-1001	все признаки	ничего
		А-1002	без материала	другой материал
		А-1050	без стандарта	другой стандарт
патрон для оправки 16	патрон, 16	Б-2210	частично	точного аналога нет, ближайший вариант

Шаг 3. Менеджер выбирает, система запоминает

Окно простое: вставил заявку, увидел строки с вариантами, выбрал, подтвердил. Выбор сохраняется как связка «наименование клиента → наш артикул». Когда тот же клиент напишет так же в следующий раз, система подставит ответ сразу, а менеджеру останется проверить.

Если точного аналога нет, система говорит об этом прямо и предлагает ближайшие варианты, а не подгоняет результат. Для менеджера это самое важное: он сразу видит строки, где нужно подумать самому.

Остаётся вопрос, с которого начинается почти каждый такой проект: какие из 89 разделов настраивать первыми. Ответ оказался не тем, что напрашивался.

Какие разделы прайса доводить до точности первыми

Изначально напрашивалось выбрать несколько «главных» разделов прайса и сделать для них точный разбор. Но разбор реальной заявки клиента из 14 позиций показал: заранее не угадать, какие разделы будут спрашивать чаще всего. Позиции в ней оказались разбросаны по разным частям каталога.

Поэтому схема поэтапная:

Этап	Что работает	Что получает менеджер
С первого дня	Поиск по всем разделам каталога сразу	Кандидаты по любой строке, процент совпадения пока не везде
После месяца работы	Журнал показывает, какие разделы спрашивают чаще	Эти разделы доводят до точного подбора с процентом и правилами разбора артикула
Дальше	Подключение второго прайса отдельной фазой	Поиск по обоим каталогам

Так деньги и время уходят не на разделы, которые кажутся важными, а на те, которые действительно запрашивают. Этот же принцип работает в любой автоматизации: сначала данные о реальном потоке, потом точная настройка. Подробнее о выборе первого шага в статье «С чего начать автоматизацию с ИИ».

Где живёт инструмент и кому он принадлежит

Сначала окно подбора работает на отдельном адресе: так быстрее запустить и начать пробовать. Встраивание в CRM (например, в Битрикс24) делаем отдельным шагом, если оно нужно, потому что это дороже и может зависеть от вашего тарифа.

Домен и сервер настраиваем мы, а затем передаём заказчику доступы и права на решение, чтобы он не зависел от подрядчика. Но до всего этого нужно убедиться, что подход вообще работает на ваших данных.

Что показать до договора и что проверить на пилоте

До подписания договора мы собрали рабочее демо на реальных данных прайса и показали его на двух примерах:

точное совпадение: заявка на свёрла по стандарту, система находит нужные позиции;
случай без точного аналога: заявка на патрон или оправку, где система показывает ближайшие варианты и прямо говорит, что точной позиции нет.

Второй пример важнее первого. Он показывает, что система не делает вид, будто знает ответ. Демо на ваших данных убеждает лучше любой презентации: видно, как система справляется именно с вашим прайсом и вашими формулировками.

Что планируем измерить на пилоте

Цифр результата у нас пока нет, проект не запущен. Критерии приёмки фиксируем заранее на реальных заявках:

Что проверяем	Как считаем
Попадание в топ-3	Доля строк, где нужный артикул оказался среди трёх предложенных
Честные «нет аналога»	Доля строк без точной позиции, которые система пометила, а не подогнала
Время на заявку	Сколько минут уходит на заявку с системой и без неё на одних и тех же примерах
Повторы	Как часто срабатывает память «наименование клиента → наш артикул»
Разделы-лидеры	Какие разделы журнал покажет как самые запрашиваемые

Целевые значения для этих показателей согласуются с заказчиком на его заявках. Обещать их заранее, без данных, было бы нечестно.

Что не входит в первую версию и типичные ошибки

Хорошая практика: сразу проговорить границы. В первую версию не входят:

распознавание чертежей, сканов и фотографий;
работа с артикулами конкурентов;
кабинет клиента на сайте.

Это возможные следующие шаги, их оценивают отдельно после запуска основной функции. Если заявки у вас часто приходят сканами или PDF, посмотрите статью «Автоматизация документооборота с ИИ»: там разобрано, как извлекают данные из документов.

Типичные ошибки

Доверить подбор модели целиком. Причина: модель выдумывает правдоподобные артикулы, а проверить их без объяснения нельзя.
Настраивать «главные» разделы наугад. Причина: реальный спрос часто разбросан по каталогу, точность тратится не туда.
Убрать человека из контура. Причина: цена ошибки в заказе выше, чем минута на подтверждение.
Не сохранять выбор менеджера. Причина: система каждый раз решает одну и ту же строку заново и не учится на потоке.
Начинать со встраивания в CRM. Причина: это дороже и дольше, а ценность подбора можно проверить в отдельном окне.

Кому подходит такой подход

Любому бизнесу, где менеджеры вручную сопоставляют запросы с каталогом: оптовым поставщикам и дистрибьюторам, магазинам запчастей и комплектующих, поставщикам строительных и электротехнических материалов, медицинскому и лабораторному снабжению. Чем больше прайс и сложнее номенклатура, тем больше ручной работы и выше риск ошибки. Если заявки к тому же приходят в разные мессенджеры и теряются, начните с порядка в каналах: об этом статья «Как не терять заявки из мессенджеров и звонков».

Что сделать сегодня: подготовьте прайс и примеры заявок

Даже если вы пока не готовы к разработке, эти шаги займут вечер и сделают любой разговор с подрядчиком предметным:

Выгрузите прайс в Excel или CSV: артикул, название, раздел, цена, остаток. Один файл, без объединённых ячеек.
Отметьте разделы с разной логикой артикулов: где код содержит размер, где стандарт, где только номер.
Соберите 10–20 реальных заявок за последний месяц, как они пришли: текст, файлы, скриншоты.
Для 3–5 заявок запишите правильный ответ: какие артикулы менеджер в итоге поставил. Это готовый тест для прототипа.
Выпишите заявки без точного аналога и что менеджер предложил взамен.
Засеките время подбора на пяти заявках, чтобы было с чем сравнивать.
Соберите частые сокращения клиентов и их собственные артикулы, если они встречаются.

С таким набором прототип можно проверять на ваших данных с первого дня, а не на придуманных примерах.

Как это делаем мы

Начинаем с бесплатного аудита: 30 минут, где смотрим на ваш процесс, примеры заявок и прайс и честно говорим, что можно автоматизировать, а что нет. Затем прототип на ваших данных за 1–2 недели за 25 000 ₽: вы видите, как система разбирает именно ваши заявки, до основных вложений. Оплата прототипа засчитывается в стоимость разработки, если решите продолжить. Разработка под ключ стоит от 150 000 ₽; из чего складывается цена, разобрано в статье «Сколько стоит разработка ИИ-агента».

Частые вопросы

Можно ли сопоставлять заявки с прайсом без ИИ?

Частично да: поиск и правила разбора артикулов решают многое. ИИ нужен там, где заявка написана свободно и надо понять, что имеется в виду. В нашем подходе он работает только на этом шаге, а подбор делают правила по реальному каталогу.

Сколько позиций должно быть в прайсе, чтобы автоматизация имела смысл?

Порог задаёт не размер прайса, а нагрузка на менеджеров. Если подбор занимает заметную часть рабочего дня или ошибки в заказах обходятся дорого, есть смысл считать. Сделайте условный расчёт из начала статьи на своих цифрах.

Что делать, если у клиента свои артикулы, которых нет в нашем каталоге?

Для этого хранится связка «артикул клиента → наш артикул». Первое сопоставление менеджер подтверждает вручную, дальше система применяет его сама.

Система будет подбирать позиции без менеджера?

Нет, и мы не обещаем полной автономности. Система предлагает три варианта с объяснением и помечает неоднозначные строки, а решение принимает менеджер. Со временем повторяющихся строк, которые он только подтверждает, становится больше.

Можно ли встроить подбор в Битрикс24 или другую CRM?

Можно, но отдельным шагом. Сначала подбор проверяют в отдельном окне, потому что так быстрее и дешевле. Встраивание зависит от CRM и иногда от тарифа, его оценивают после того, как подход доказал пользу.

Итог

Нейросеть не должна подбирать артикулы сама: она разбирает текст, а решение принимают правила по реальному каталогу.
Менеджер видит три варианта с объяснением и честные пометки «точного аналога нет».
Выбор менеджера запоминается, поэтому повторные заявки разбираются быстрее.
Точность доводят по журналу реальных запросов, а не по догадкам о «главных» разделах.
Результат проверяют на пилоте по заранее согласованным критериям, например попаданию в топ-3.

Следующий шаг: соберите 10–20 реальных заявок и выгрузку прайса по чек-листу выше и приходите на бесплатный аудит. За 30 минут станет понятно, как система справится именно с вашей номенклатурой.

Как автоматически сопоставить заявку клиента с прайсом на тысячи позиций