Как работает предиктивная аналитика на ОТС

Дата: 28.03.2019

Подготовка к участию в тендере требует времени: поставщику нужно изучить документацию, составить план выполнения контракта, найти финансирование, проверить срок действия электронной подписи и т.д. Но поданная заявка не гарантирует того, что заказчик подпишет контракт именно с вами. При этом даже заключение сделки не всегда выгодно для компании: неопытный поставщик может зайти в тендер с высокой конкуренцией со слишком низкой ценой, и организация не получит прибыль.

Оценить свои шансы на победу и предсказать среднее снижение цены помогает предиктивная аналитика ОТС. Давайте разберемся, как она работает.

Зачем нужна предиктивная аналитика

Прогноз конкуренции помогает найти тендеры, в которых с большой вероятностью будет один участник или даже ни одного. Поставщику выгодно участвовать в таких закупках, так как при низкой конкуренции можно подавать заявку по максимальной цене.

Прогноз снижения цены предупредит поставщика о закупках с намеренным демпингом со стороны участников и поможет определить целесообразность торгов. Если контракт будут заключать по низкой цене, издержки на его исполнение могут перевесить прибыль. Рассчитывать затраты всегда лучше на берегу — если после победы в тендере вы уклонитесь от заключения сделки, то попадете в реестр недобросовестных поставщиков.

Как мы прогнозируем конкурентов в тендере

Аналитическая машина запускается, когда поставщик заходит в карточку тендера из личного кабинета на ОТС.ru. Платформа ищет поставщиков, которые работали с похожими лотами, на основе региона, цены, кода ОКПД2, текста, характеристик заказчика и множества других параметров.

Данные об участии поставщиков в тендерах за последние два года подгружаются с сайта ЕИС. Такой период выбрали, чтобы исключить из модели устаревшую информацию (например, три года назад фирма производила удобрения, а теперь занимается тротуарной плиткой).

Первичный отбор организаций происходит по региону закупки — если работы нужно проводить в Москве, логично в первую очередь анализировать поставщиков из столицы и ближайшего Подмосковья.

Следующий шаг — сравнить ОКПД2 закупки с ОКПД2 лотов, с которыми поставщик работал раньше. При этом учитываются только первые три цифры ОКПД2, обозначающие класс и подкласс, например, 03.2 — «Рыба и прочая продукция рыбоводства; услуги, связанные с рыбоводством».

Большинство поставщиков по этим фильтрам отсеиваются, и к получившейся выборке применяют алгоритм. На подбор конкурентов в заявке влияет частота их предыдущей работы с продукцией этого вида, опыт работы с заказчиком, а также параметры, не зависящие от тендера. Например, средняя цена предыдущих контрактов у поставщика. Лот может подходить по всем параметрам, но, если организация привыкла работать с суммами до миллиона, с закупкой на миллиард она вряд ли справится.

Алгоритм рассчитывает вероятность участия в тендере для каждого из поставщиков, отсекает организации, чьи результаты оказались ниже порогового значения, и сортирует получившийся список по убыванию вероятности участия.

Обладатели лицензии ОТС видят результаты работы рекомендательной модели в карточке закупки в таблице «Прогноз конкуренции».

Получившийся список показывает все организации, которые теоретически могли бы поучаствовать в тендере. Прогноз количества поданных заявок считает отдельная модель.

Прогноз снижения цены

По каждому поставщику ОТС рассчитывает цену, с которой он мог бы зайти на тендер, и сравнивает ее с начальной максимальной ценой контракта (НМЦК). Используются и другие параметры. Как правило, «исторические» снижения цены в заявках организации коррелируют с тем, как она поведет себя в будущем. Возможная сумма контракта и ее разница с НМЦК в процентах отображаются в столбце «Прогноз снижения цены».

Среднее значение суммы для всех вероятных участников тендера отображается над таблицей. На это число стоит ориентироваться при составлении своей заявки.

Построение модели

На подготовительном этапе специалисты по обработке данных собрали информацию об участии поставщиков в закупках и выделили параметры, которые легли в основу математической модели. Некоторые из них приведены в таблице ниже.

Параметры лота

Параметры поставщика

Параметры, связанные с заказчиком

  • ОКПД2 код, то есть вид продукции;
  • регион поставки;
  • текстовые признаки: название тендера, лотов и элементов лота
  • основной и дополнительные коды ОКВЭД, то есть виды экономической деятельности организации;
  • регион регистрации;
  • частота участия в закупках с разными ОКПД2;
  • средняя цена заключенных контрактов
  • работал ли поставщик с этим заказчиком ранее;
  • расстояние между регионами поставщика и заказчика

«Исторические» данные представляют в виде матрицы, которая отражает соотношение между поставщиком и заказчиком. Помимо множества параметров она содержит ответы: участвовал поставщик в закупках с такими лотами или нет.

Потом начинается процесс машинного обучения: модель учится на предоставленных ей данных и формирует алгоритм, по которому она будет предсказывать заинтересованность поставщика в тендере.

На этапе тестирования в модель закидывают тысячи примеров — теперь алгоритм сам должен определить, будет участвовать поставщик в тендере с такими лотами или нет. В дальнейшем реальные результаты (участие / неучастие) отправленных примеров сравниваются с рассчитанными моделью.

Если точность ответов хромает, аналитики ищут значимые признаки, упущенные на этапе построения модели, — например, текст. У «исторических» и тестируемых лотов могут быть одинаковые регионы, цена, ОКПД2, но, если текст закупки отличается от описания лотов, с которыми поставщик работал раньше, — не факт, что она ему подойдет. Второй способ сделать алгоритм умнее — вернуться на этап обучения и загрузить в него больше примеров. Чем больше данных, тем точнее предиктивная аналитика.

— Приведу пример. Мы хотим оценить, сколько в среднем Маша тратит на еду каждый день, — объясняет руководитель отдела машинного обучения ОТС Даниил Торопов. — Допустим, в первый день она потратила 200 рублей (поела на работе), а во второй у Маши был день рождения, и она купила торты и шампанское на 5000 рублей, чтобы угостить коллег. На основании двух дней модель будет считать, что средний чек Маши находится на уровне 2600 рублей. Однако если мы соберем статистику не за два дня, а за сто, мы гораздо ближе подойдем к определению настоящего среднего значения этой величины.

Участвуйте в закупках на ОТС, используйте все возможности предиктивной аналитики и наращивайте объемы продаж через тендеры!

В следующих публикациях мы расскажем о нашем поиске и алгоритме оценки заказчика.

Подписывайтесь на наши группы в фейсбуке и ВКонтакте, чтобы быть в курсе всех новостей.