Анализ закупок с ИИ: автоматическая классификация и поиск экономии
Анализ закупок с ИИ классифицирует каждую строку счёта и заказа по таксономии категорий, нормализует названия поставщиков и строит куб расходов — поставщик × категория × подразделение × период, — с которого начинается вся работа закупок. Как n8n-процесс он обновляется ежемесячно, а не раз в год, а ИИ-агент пишет краткие обоснования возможностей, на которые категорийный менеджер иначе потратил бы неделю.
Проблема
У большинства компаний 30–60% расходов не классифицированы или лежат в «прочем». Поставщики дублируются между системами. Анализ закупок делает консультант раз в год, к презентации он уже устарел, а найденная экономия никем не отслеживается.
Что меняется
Каждый месяц куб расходов обновляется автоматически: 95%+ расходов классифицировано до третьего уровня, поставщики дедуплицированы, а короткий список возможностей — расходы вне контрактов, дробление поставщиков, разница цен на один и тот же товар — с цифрами. Категорийные менеджеры начинают со списка, а не с выгрузки.
Триггер и 8 шагов
Триггер
Расписание (ежемесячно, после закрытия кредиторки)
Запуск после закрытия месяца в AP. Еженедельный инкрементальный прогон классифицирует новые счета, чтобы куб отставал не больше чем на неделю.
Выгрузить строки счетов и заказов
PostgresСтроки счетов и заказов из ERP и корпоративных карт: поставщик, описание, счёт учёта, ЦФО, сумма, валюта, дата. На уровне строк, не шапок — шапки прячут категории.
Нормализовать поставщиков
CodeОчистка юридических суффиксов и пунктуации, нечёткое сопоставление с мастер-списком плюс ИНН, где есть. Несопоставленные — в очередь на проверку.
Классифицировать каждую строку
Information ExtractorLLM-классификация присваивает строке категорию уровня 1/2/3 по вашей таксономии (UNSPSC или своя) с оценкой уверенности. Уверенные строки принимаются; остальные — на проверку.
Учиться на правках
Google SheetsПроверяющие правят строки с низкой уверенностью в таблице. Правки становятся примерами и правилами для следующего запуска — точность растёт месяц от месяца.
Собрать куб расходов
PostgresАгрегация по поставщику, категории, подразделению, ЦФО и месяцу в таблицу, которую читает BI.
Найти возможности
CodeДетерминированные проверки: один товар у разных поставщиков по разным ценам, категории с множеством мелких поставщиков, расходы вне контрактных поставщиков, расходы без заказа, истекающие контракты.
Написать обоснования
AI AgentПо каждой найденной возможности агент готовит полстраницы с цифрами, поставщиками и предложением действия. Категорийный менеджер правит и берёт ответственность.
Опубликовать и отслеживать
SlackМесячная сводка и обоснования. У каждой возможности — владелец и статус, чтобы реализованная экономия сверялась с оценкой.
Ограничители
- Классификация ниже порога уверенности проверяется человеком до попадания в куб.
- Слияния поставщиков логируются и обратимы; автоматически — только по совпадению ИНН.
- Агент пишет обоснования; экономия считается реализованной только после подтверждения финансов.
- Исходные строки не меняются — куб производная таблица с id запуска.
Почему анализ закупок всегда устаревал
Классификация была ручной. Средняя компания генерирует 20–100 тысяч строк счетов в месяц, а человек классифицирует несколько сотен в час. Машинное обучение изменило экономику: классификатор читает описание, поставщика и счёт учёта и присваивает категорию за миллисекунды — и становится лучше с каждой правкой. При ежемесячном запуске куб перестаёт быть снимком и становится живым набором данных.
Как работает классификация
Два подхода вместе. Правила: поставщик, который продаёт одно (юрфирма, электросети), напрямую отображается в категорию; счёт учёта часто сужает до первого уровня. Модель для остального: читает строку — «Тонер HP 26A чёрный» — и возвращает категорию с уверенностью. Современная LLM-классификация с несколькими сотнями размеченных примеров даёт 90–95% совпадения с людьми на втором уровне и 85–92% на третьем, и цикл проверок поднимает эти цифры за первые три месяца.
Нормализация поставщиков — незаметная половина работы: «Amazon Web Services», «AWS EMEA SARL» и «Amazon Web Svcs» — один поставщик, а без нормализации куб покажет три.
Хотите, чтобы это работало без сборки?
Готовая автоматизация
$297/мес
Настраиваем, размещаем и поддерживаем процесс на n8n, подключаем к вашим инструментам. Настройка включена, отмена помесячно, JSON остаётся у вас.
Кастомная сборка
$6,000–12,000 разово
Ваши системы, правила и особые случаи. Разовая сборка на Claude и n8n с документацией и разбором.
Подписка покрывает один источник ERP и до 50 000 строк в месяц со стандартной таксономией. Несколько ERP, своя таксономия или проверка соблюдения контрактов — кастомная сборка.
Частые вопросы
Насколько точна классификация?
При зафиксированной таксономии и цикле проверок — 90–95% расходов на втором уровне и 85–92% на третьем в первые месяцы, с ростом по мере правок. Строки ниже порога проверяет человек.
С какими ERP это работает?
SAP, Oracle, NetSuite, Dynamics, 1С (через выгрузку), Sage, QuickBooks для строк счетов и заказов; корпоративные карты и банковские выписки. Подойдёт любой источник, который отдаёт строки с поставщиком, описанием, суммой и счётом.
Сколько стоит?
$297 в месяц как подписка для одного источника и до 50 000 строк в месяц. Несколько источников, своя таксономия или контрактный контроль — разовая сборка от $6 000.