Kunder — производитель силиконовых изделий
Реальный проект — наша визитная карточка. Клиент пришёл с вопросом «стоит ли вообще участвовать в госзакупках?». Мы прогнали 20 миллионов тендеров через автоматический pipeline и вернулись с честным feasibility report и чётким go/no-go.
Факты
- Производитель
- Силиконовые изделия (товары для детей и медицины)
- Запрос клиента
- Стоит ли участвовать в госзакупках, какая ниша, есть ли спрос
- Источник каталога
- Сайт компании (автопарсинг) + история тендеров
- Период анализа
- 6 лет (2020-2026), ~20M тендеров
- Результат
- Верифицированная воронка + чёткое go/no-go
- Срок и бюджет пилота
- 60-90 дней, ~2 млн ₽
Финансовые показатели согласовываются индивидуально и не публикуются. Полный отчёт высылается по запросу под NDA.
Что вошло в анализ
8 этапов, по каждому — короткая выжимка «что нашли».
- Автодетект каталога
Распарсили сайт + подняли историю участия в торгах за 5 лет. Из 23 товарных категорий клиента подтвердили 11 актуальных; остальные ушли в дочернюю структуру или закрыты.
- FTS5-индекс на ~20M строк
Поисковый индекс с морфологией русского даёт +18 % к recall'у. Без морфологии пропустили бы все формы слова «силикон» (силиконовый, силиконовых, силиконовыми и т. д.).
- Stage 1 — SQL-матчинг → 8 237 кандидатов
Прогон 11 категорий через FTS5 дал широкую выборку. ~95 % — мусор (false positives): «силиконовая смазка» в авторемонте, «силиконовая герметизация» в стройке.
- Stage 2 — семантика → 392 HIGH-confidence
ML-классификатор по смыслу срезал ещё ~95 %. Осталось 392 лота, по которым реально можно подавать заявку.
- Stage 3 — AI-верификация на выборках
На случайной выборке 50 лотов через LLM проверили правильность матча. Точность 88 % (44 из 50). Ошибки концентрировались в «стерильных контейнерах» — позже подкрутили правила.
- Honest feasibility report
Свели результаты в PDF с разделением на риски и upside. Upside выше ожидаемого (~32 млн ₽ потенциального GMV / год), но 60 % сосредоточено в 3 заказчиках — концентрация риска.
- Топ-3 риска с цифрами и митигацией
(1) Концентрация по заказчикам. (2) Возможные изменения в 44-ФЗ к 2026. (3) Демпинг в категории «стерильные контейнеры». По каждому — конкретная стратегия минимизации.
- Решение go/no-go — в срок
Пилот уложились в 84 дня (план — 60–90). Решение: go. Начали с топ-25 лотов, отсортированных по марже и вероятности победы.
Как устроен анализ внутри
4 этапа: от автодетекта каталога до AI-верификации. Каждый этап сужает выборку и повышает уверенность.
1. Автодетект каталога
Парсим сайт клиента + поднимаем всю историю его участия в торгах за последние 5 лет. Объединяем в товарную матрицу: что производится, в каких ценовых диапазонах, под какие регуляторные нормы (СГР, ИМН, GMP).
2. SQL-матчинг по FTS5
Прогоняем каталог через индекс на ~20M тендеров с поддержкой морфологии русского языка. Получаем широкую выборку кандидатов — в кейсе Kunder это было 8 237 лотов.
3. Семантическое уточнение
Каждый кандидат проходит ML-фильтр на смысловое соответствие. Отсекаем «формальные совпадения». В Kunder осталось 392 HIGH-confidence матча.
4. AI-верификация + отчёт
На выборках лотов делаем глубокую верификацию через LLM. Готовим честный feasibility report: реальный объём ниши, топ-3 риска с цифрами, предложения по митигации, итоговое go/no-go.
Хотите такой же анализ под свою нишу?
Напишите ИНН и пару слов о текущем формате участия в закупках — вернёмся с предварительной оценкой объёма и сроков в течение суток. Срок реального анализа — 24-48 часов.