Кейсы https://www.metamentor.pro ru Сервис кластеризации ответов для опросных исследований https://www.metamentor.pro/tpost/es5ido6r81-servis-klasterizatsii-otvetov-dlya-opros https://www.metamentor.pro/tpost/es5ido6r81-servis-klasterizatsii-otvetov-dlya-opros?amp=true Fri, 20 Mar 2026 17:00:00 +0300 Metamentor Маркетинг Реклама Клиент: OMI

Сервис кластеризации ответов для опросных исследований

Кто заказчик:

Проект «AI-кодировщик» для компаний OMI

Сегмент / отрасль:

B2B / маркетинговая аналитика и исследовательские услуги

Краткие бизнес-характеристики:

OMI (ООО «ОуЭмАй Аналитикс») — российская компания, специализирующаяся на маркетинговых исследованиях, сборе и обработке данных через онлайн-панели и аналитические платформы. Компания проектирует и проводит исследования, обеспечивает обработку и визуализацию результатов, а также предоставляет инфраструктуру для хостинга опросов и аналитики — одним из известных продуктов является сервис «МоёМнение» для проведения онлайн-опросов и визуализации данных.

Зачем заказчик обратился

OMI столкнулись с проблемой обработки открытых вопросов в маркетинговых исследованиях.

Ручное кодирование ответов респондентов занимало от нескольких часов, требовало участия аналитиков и кодировщиков, а при росте объёмов данных — время кодировки увеличивалось в разы и требовало больших ресурсов.

Заказчику требовалось предоставить универсальное решение, которое позволило бы значительно ускорить кодирование открытых вопросов и сократить затраты на ручную кодировку.

Проблема (боль клиента)

  • Ручная разметка: Открытые вопросы требовали ручной кластеризации и присвоения кодов, что замедляло выпуск отчётов.
  • Высокая стоимость обработки данных: Каждый проект требовал вовлечения кодировщиков и аналитиков, что увеличивало себестоимость исследований.
  • Масштабируемость ограничена человеческим ресурсом: При росте объёма ответов время обработки сильно увеличивалось.

Цель проекта

Что заказчик ожидал получить:

  • AI-сервис кодирования открытых вопросов
  • Возможность загрузки Excel-файлов и получения размеченного Excel на выходе
  • Поддержку сценариев:
  • генерация категорий,
  • загрузка готового кодификатора,
  • дополнение категориями готового кодификатора,
  • классификации категорий по брендам и ответам на открытые вопросы
  • Интерфейс для личного кабинета, с возможностями:
  • добавлять компании своих клиентов
  • создавать пользователей
  • смотреть статистику по обработанным ответам
  • скачивать обработанные файлы, их кодификатор и исходный файл

Условия успеха / KPI:

  • Точность классификации не ниже 96% на сопоставимых типах задач
  • Обработка файлов на 10 000 ответов и более
  • Формирование единого итогового файла с двумя листами: разметка + список категорий
  • Снижение времени обработки в 10 и стоимости обработки данных в 50 раз.

Решение

1) Анализ бизнес-процесса.

  • Детально проанализирован процесс кодирования открытых вопросов в маркетинговых исследованиях.
  • Формализованы два пайплайна:

  1. с генерацией категорий,
  2. с загрузкой готового кодификатора.

  • Определены обязательные технические категории (другое, нерелевантный ответ, ненормативная лексика и др.).
  • Учтены требования к биллингу, лимитам действий и промышленной эксплуатации.

2) Разработка моделей/алгоритмов.

  • Реализовано ML-ядро на базе моделей семейства GPT (основная модель — gpt-4.1).
  • Разработаны алгоритмы:
  • предкластеризации ответов,
  • генерации категорий батчами,
  • LLM-merge для схлопывания близких категорий,
  • гибридной классификации (классический матчинг + LLM),
  • повторной генерации категорий для ответов из «Другое».
  • Настроена батчевая обработка и контроль параметров temperature/top_p.
  • Добавлен функционал пропуска пустых ячеек без отправки в LLM (оптимизация себестоимости)

3) Интерфейс сервиса.

  • Реализован web-интерфейс сервиса:
  • загрузка и валидация файла,
  • выбор вопроса,
  • выбор сценария (генерация / загрузка категорий),
  • просмотр и редактирование категорий,
  • отображение прогресса,
  • скачивание итогового файла.
  • Реализован личный кабинет с разделами:
  • управление пользователями
  • управление компаниями
  • статистика системы
  • просмотр профиля

Технологии и инструменты

Архитектура:

сервис на Python, структура по шаблону BACKEND (директории apps, core, models, managers, agents, database, templates и отдельные файлы scheduler.py , utils.py )

Транспорт и очереди:

Redis + Celery (broker и backend на Redis, worker pool gevent)

Веб/ASGI‑слой:

FastAPI + Uvicorn

Хранилище:

PostgreSQL 12.2-alpine (основное) + Redis (Celery и кеши)

ML‑ядро:

gpt-4.1 через OpenAI API используется для генерации категорий и классификации ответов в задачах разметки

Инфраструктура:

Docker и docker-compose (dev/prod варианты), Traefik для роутинга

Результаты

Разработан и внедрён промышленный AI-кодировщик открытых вопросов, который:
  • классифицирует ответы по одной или нескольким категориям,
  • обрабатывает файлы на 10 000 ответов и более,
  • возвращает единый Excel-файл с разметкой и списком категорий.

Влияние на бизнес

  • В 10 раз сократилось время обработки результатов исследований
  • До 96% выросла точность кластеризации
  • В 50 раз стала дешевле обработка данных

Отзыв клиента

«Вместе с ИИ-помощником мы сократили стоимость обработки данных исследований в 50 раз, а время работы с ними — в 10. Точность кластеризации повысилась до 96%. Теперь мы можем довольно быстро анализировать опросы и группировать ответы, в то время как ИИ не упустит ни одну важную деталь. Если боитесь больших массивов данных — вам к Metamentor».
]]> Проект «Голосовой и текстовый ИИ-ассистент» для оператора наружной рекламы https://www.metamentor.pro/tpost/hozi2bf4a1-proekt-golosovoi-i-tekstovii-ii-assisten https://www.metamentor.pro/tpost/hozi2bf4a1-proekt-golosovoi-i-tekstovii-ii-assisten?amp=true Thu, 05 Mar 2026 16:04:00 +0300 Metamentor Маркетинг Реклама Клиент: NDA

Проект «Голосовой и текстовый ИИ-ассистент» для оператора наружной рекламы

Кто заказчик:

Сегмент / отрасль:

B2B / наружная реклама и цифровые медиа-решения.

Краткие бизнес-характеристики:

Российский оператор наружной рекламы с обширной сетью рекламных поверхностей по всей стране, охватывающей классические билборды, цифровые конструкции, transit и аэропортовые форматы.

Зачем заказчик обратился

Компания столкнулась с высокой нагрузкой на внутреннюю службу IT-поддержки. Количество обращений сотрудников существенно превышало пропускную способность специалистов, что приводило к:

  • увеличению времени реакции на инциденты;
  • росту очереди заявок;
  • снижению удовлетворённости внутренних пользователей;
  • отвлечению IT-специалистов от более сложных задач.

Заказчику требовалось решение, которое автоматизирует обработку типовых обращений и позволит масштабировать поддержку без пропорционального увеличения штата.

Проблема (боль клиента)

Перегруженность службы поддержки: большой поток типовых обращений («не работает компьютер», «не могу подключиться к VPN», проблемы с доступами и др.) обрабатывался вручную.
Перегруженность службы поддержки: большой поток типовых обращений («не работает компьютер», «не могу подключиться к VPN», проблемы с доступами и др.) обрабатывался вручную.
Низкая скорость обработки заявок: специалисты не успевали оперативно реагировать на все обращения, особенно в периоды пиковых нагрузок.
Отсутствие автоматизированного первичного фильтра: не было механизма, который бы:
  • классифицировал обращения;
  • отсекал некорректные/вредоносные запросы;
  • автоматически решал типовые инциденты без участия инженера.
Недостаточная прозрачность метрик: отсутствовала централизованная система мониторинга эффективности работы ИИ-сервиса и сценариев обработки.

Цель проекта

Что заказчик ожидал получить:

  • Голосового и текстового ИИ-ассистента для автоматизации внутренней IT-поддержки.
  • Возможность взаимодействия через два канала:

  1. Звонок — голосовой бот отвечает и ведёт диалог.
  2. Веб-чат — текстовое взаимодействие.

  • Набор преднастроенных сценариев, например:
  • не работает компьютер;
  • не могу подключиться к VPN;
  • проблемы с доступами и др.
  • Возможность редактирования промптов и логики сценариев без полной переработки системы.
  • Интеграцию с LDAP-авторизацией.
  • Автоматическое создание тикетов в Jira от имени авторизованного пользователя.
  • Масштабируемую архитектуру, готовую к росту нагрузки.

Условия успеха / KPI:

  • Время отклика интерфейса — не более 2 секунд при стандартной нагрузке.
  • Доля ошибок в детерминированных сценариях — не более 0,5%.
  • Отсутствие критических ошибок (обрывов диалога).
  • Поддержка многодиалоговости и хранения истории.
  • Стабильная работа при пиковых нагрузках (масштабирование до кластера из 8 GPU).
  • Полная интеграция с внутренним контуром безопасности компании.

Решение

1) Переработка логики сценариев

  • Оптимизированы логические блоки текстового и голосового бота для масштабирования.
  • Добавлен классификатор вредоносных запросов.
  • Реализован механизм предварительной проверки наличия сценария.

2) Доработка API и авторизации:

  • Реализована многосессионность.
  • Внедрена LDAP-авторизация с ролевой моделью доступа.
  • Обеспечено логирование и маршрутизация запросов.

3) Интеграция с Jira:

  • Передача данных авторизованного пользователя в систему Jira.
  • Создание тикета с указанием реального пользователя (через LDAP).
  • Безопасная передача данных.

4) RAG-модель и администрирование базы знаний:

  • Разработан веб-интерфейс администрирования RAG-модели.
  • Реализовано ручное добавление и редактирование инцидентов.
  • Контроль версий и журналирование изменений.

5) Персонализация бота:

  • Использование атрибутов LDAP (ФИО, подразделение, роль).
  • Индивидуальные сценарии и приветствия.
  • Fallback-режим при недоступности LDAP.

6) Система метрик и мониторинг:

  • Интеграция с Grafana.
  • Дашборды: время отклика, ошибки, активность пользователей, использование сценариев.
  • Обновление данных в реальном времени.

7) Масштабирование голосового сегмента:

  • Нагрузочное тестирование на 2–3 GPU.
  • Перенос на кластер из 8 GPU.
  • Балансировка воркеров и оптимизация распределения нагрузки.

8) Контроль качества логики:

  • Полное покрытие сценариев тест-кейсами.
  • Логирование всех ошибок.
  • Минимизация тупиков и некорректных переходов.

Технологии и инструменты

Архитектура:

Микросервисная архитектура с разделением голосового и текстового сегментов.

Транспорт и очереди:

Внутренние API и механизмы маршрутизации запросов между сервисами.

Веб / API-слой:

REST API, поддержка многосессионности.

Авторизация:

LDAP с ролевой моделью доступа.

Интеграции:

  • Jira (создание тикетов);
  • Grafana (дашборды);
  • Внутренние корпоративные сервисы.

ML‑ядро:

RAG-модель (Retrieval-Augmented Generation) для работы с базой инцидентов.

Инфраструктура:

  • Развёртывание во внутреннем контуре;
  • Кластер до 8 GPU;
  • Оптимизация воркеров;
  • Нагрузочное тестирование.

Результаты

Внедрён голосовой и текстовый ИИ-ассистент, который:
  • Обрабатывает типовые обращения сотрудников без участия инженера.
  • Автоматически классифицирует запросы.
  • Создаёт тикеты в Jira от имени пользователя.
  • Персонализирует общение на основе LDAP.
  • Поддерживает масштабирование при росте нагрузки.
  • Предоставляет прозрачную аналитику через систему метрик.

Влияние на бизнес

  • Снижение нагрузки на IT-службу за счёт автоматизации типовых инцидентов.
  • Сокращение времени реакции на обращения сотрудников.
  • Повышение SLA внутренней поддержки.
  • Возможность масштабирования без пропорционального роста штата.
  • Прозрачность операционных метрик через систему дашбордов.
  • Повышение удовлетворённости внутренних пользователей.
]]> Проект «Теги» для компании Росэлторг https://www.metamentor.pro/tpost/vs6xgjg921-proekt-tegi-dlya-kompanii-roseltorg https://www.metamentor.pro/tpost/vs6xgjg921-proekt-tegi-dlya-kompanii-roseltorg?amp=true Thu, 05 Mar 2026 16:53:00 +0300 Metamentor Тендеры Клиент: Росэлторг

Проект «Теги» для компании Росэлторг

Кто заказчик:

Сегмент / отрасль:

B2G / B2B электронная коммерция, национальный оператор электронных торгов.

Краткие бизнес-характеристики:

АО «Единая электронная торговая площадка» (Росэлторг) — крупнейший в России оператор электронных торгов для государственных заказчиков и госкомпаний. Обслуживает сотни тысяч процедур ежегодно с многомиллиардным оборотом.

Зачем заказчик обратился

В условиях огромного объема закупок (от канцелярии до сложного промышленного оборудования) критически важно, чтобы поставщик и заказчик «нашли друг друга». Текущие механизмы поиска по названию или кодам ОКПД2 часто не отражают реальную суть закупки, спрятанную внутри документации. Поставщики тратят кучу времени на просмотр закупочной документации, чтобы найти и проверить что конкретно требуется поставить.

Проблема (боль клиента)

Информационный шум: Названия процедур могут быть общими (например, «Поставка расходных материалов»), что заставляет поставщика вручную открывать десятки вложений для поиска конкретного товара.
«Скрытые» данные: Суть закупки часто зашита в неструктурированных файлах (PDF, Excel-таблицы, спецификации), которые не индексируются стандартным поиском.

Потеря конверсии: Поставщики тратят слишком много времени на пре-скрининг и могут пропускать релевантные торги, что снижает конкуренцию в процедурах.

Цель проекта

Что заказчик ожидал получить:

  • Систему автоматической генерации меток (тегов), которые визуализируют ключевые параметры закупки и лотов прямо в поисковой выдаче.

Условия успеха / KPI:

  • Сокращение времени поставщика на поиск нужной закупки
  • Повышение точности поисковых фильтров
  • Увеличение среднего количества заявок на лот.

Решение

1) Анализ текущих данных и построение бизнес-логики

Проведен аудит структуры данных: выделены ключевые формализованные поля (регионы, суммы, коды классификаторов) и определены типы вложений, содержащие наиболее ценную информацию (технические задания, спецификации, сметы).

2) Разработка моделей/алгоритмов

Создан гибридный алгоритм экстракции данных:
  • Для формализованных полей — логические фильтры и нормализаторы.
  • Для неструктурированных файлов — система парсинга табличных данных в текстовых документах (OCR для сканов, извлечение сущностей через NLP). Алгоритм «выцепляет» конкретные наименования товаров и их характеристики, превращая их в компактные теги.

3) Интеграция в рабочие процессы/инструменты

  • Разработано API для автоматического обогащения каждой новой процедуры тегами в отложенном режиме.
  • Настроено отображение тегов в интерфейсе карточки процедуры и лота на витрине закупок «Росэлторг».

4) Тестирование и приемочные этапы.

Проведена валидация точности извлечения данных на контрольной выборке процедур.

Технологии и инструменты

Архитектура:

Микросервис на Python, оформленный по шаблону BACKEND (директории apps, core, models, utils, logs, schedulers).

Транспорт и очереди:

RabbitMQ

Веб/ASGI‑слой:

FastStream + FastAPI/Starlette

Хранилище:

Redis для вспомогательных задач и кешей

Интеграции:

  • Jira (создание тикетов);
  • Grafana (дашборды);
  • Внутренние корпоративные сервисы.

ML‑ядро:

Qwen3‑4B + gpt 5 + T5

Инфраструктура:

Docker и docker‑compose

Результаты

  • Технологический охват: Автоматизирована обработка 100% входящего потока закупочных процедур. Система извлекает данные из спецификаций, которые ранее были «невидимы» для поисковых алгоритмов.
  • Качество данных: Достигнута высокая точность распознавания (Precision) ключевых атрибутов из неструктурированных таблиц (Excel/PDF) на уровне 90%+, что минимизирует количество «мусорных» тегов.
  • Обогащение поискового индекса: Количество доступных для фильтрации и поиска атрибутов по каждой процедуре увеличилось в среднем в 3–5 раз за счёт извлечения данных из вложений.
  • Масштабируемость: Система спроектирована с учетом пиковых нагрузок площадки, обеспечивая генерацию тегов в течение нескольких секунд после публикации процедуры заказчиком.

Влияние на бизнес

  • Снижение барьера входа: Поставщикам (особенно представителям МСП) теперь не нужно вручную просматривать сотни страниц документации, чтобы понять, подходит ли им лот. Это напрямую влияет на лояльность пользователей к площадке.
  • Рост конкуренции в торгах: За счет более точного мэтчинга (совпадения) интересов поставщика и специфики закупки, на «сложные» лоты со скрытыми параметрами начинает приходить больше участников.
  • Цифровизация документации: Площадка перешла от модели «хранилище файлов» к модели «база структурированных данных», что закладывает фундамент для внедрения рекомендательных систем и умных ассистентов.
]]> Чат-ассистент для крупной консалтинговой компании https://www.metamentor.pro/tpost/d2dkepckz1-chat-assistent-dlya-krupnoi-konsaltingov https://www.metamentor.pro/tpost/d2dkepckz1-chat-assistent-dlya-krupnoi-konsaltingov?amp=true Wed, 18 Mar 2026 15:56:00 +0300 Metamentor Консалтинг Клиент: NDA

Чат-ассистент для крупной консалтинговой компании

Кто заказчик:

Сегмент / отрасль:

B2B, стратегический и управленческий консалтинг для корпоративных и государственных клиентов.

Краткие бизнес-характеристики:

Международная консалтинговая компания, базирующаяся в Москве, фокусирующаяся на управленческом консалтинге, стратегии, операционной эффективности, цифровой трансформации и реализации комплексных бизнес‑инициатив в различных отраслях экономики. Организация возникла в результате объединения опытных партнёров из крупных международных консалтинговых фирм, и с тех пор работает с корпоративными клиентами, государственными организациями и международными проектами, предоставляя аналитическую поддержку, доступ к международным базам данных и экспертные решения для устойчивого развития бизнеса. Компания обслуживает клиентов в энергетике, промышленности, финансовом секторе, IT и других ключевых сегментах экономики.

Зачем заказчик обратился

  • Компания столкнулась с проблемой низкой доступности и скорости поиска информации в своей обширной внутренней базе знаний (Elastic Search).
  • Рутинные запросы сотрудников и клиентов, требующие анализа множества документов, проектных отчетов и экспертных материалов, занимали значительное время. Специалисты тратили часы на поиск вручную и анализ вместо решения сложных задач.
  • Заказчику требовалось современное, интуитивно понятное решение, которое позволит быстро находить нужную информацию, обобщать её в требуемом формате (например, табличном) и вести диалог на естественном языке с корпоративной базой данных, обеспечивая при этом высокий уровень информационной безопасности и интеграции с существующей ИТ-инфраструктурой

Проблема (боль клиента)

Низкая скорость доступа к экспертизе: поиск и анализ информации по конкретному проекту, технологи или запросу клиента занимал непропорционально много времени, замедляя рабочие процессы.
«Запертые» знания: ценная информация была разрознена и не имела единой точки интеллектуального доступа, что снижало операционную эффективность и скорость принятия решений.

Высокая нагрузка на экспертов: ключевые специалисты постоянно отвлекались на разовые консультации и поиск информации для коллег.

Отсутствие стандартизированного интерфейса: не было единого, удобного инструмента для работы с внутренней базой знаний, что требовало от сотрудников владения специализированными навыками поиска.

Цель проекта

Что заказчик ожидал получить:

  • Интеллектуальный чат-ассистент с интерфейсом, аналогичным современным AI-сервисам (по типу ChatGPT), но работающий исключительно с внутренней, защищенной базой знаний компании.
  • Возможность быстрого поиска информации и генерации контента (таблиц, сводок) на основе корпоративных данных. Полную интеграцию с системами безопасности компании (Active Directory/ADFS для аутентификации, Vault для управления секретами, ролевое управление доступом).
  • Масштабируемую и отказоустойчивую архитектуру, готовую к промышленной эксплуатации.

Условия успеха / KPI:

  • Сокращение времени поиска информации по внутренним базам с нескольких часов до нескольких минут.
  • Успешное прохождение приемочных испытаний по полному циклу проверок: функциональность, безопасность, интеграция, документация.
  • Готовность системы к работе в промышленном контуре (PROD) с поддержкой одновременной работы нескольких пользователей.
  • Полное соответствие разработанного решения утвержденным «Требованиям к AI-ассистенту».

Решение

1) Анализ текущих данных и построение бизнес-логики

На основе ТЗ была спроектирована архитектура системы, включающая фронтенд (диалоговое окно, история чатов), бэкенд (RESTful API, интеграция с Elastic Search и LLM) и подсистемы безопасности.

2) Разработка и интеграция AI-модели

Реализовано ядро ассистента, способное понимать естественно-языковые запросы, осуществлять семантический поиск в Elastic Search, извлекать релевантные фрагменты и генерировать связные ответы или структурированные данные (суммаризацию) с помощью языковых моделей.

3) Внедрение и настройка инфраструктуры

Система развернута в выделенных контурах (DEV, ПРЕПРОД, ПРОД). Обеспечена интеграция с корпоративной системой аутентификации ADFS, настроено ролевое управление доступом, внедрено управление секретами через HashiCorp Vault.

4) Тестирование и приемочные испытания

Проведен полный цикл испытаний в соответствии с разработанной «Программой и методикой приемочных испытаний». Система протестирована на комплектность, функциональность, безопасность и производительность, что завершилось подписанием Акта о приемке в промышленную эксплуатацию.

Технологии и инструменты

Архитектура:

FastStream + FastAPI/Starlette

Инфраструктура:

Docker и docker‑compose

Результаты

Разработан и внедрен в промышленную эксплуатацию защищенный корпоративный чат-ассистент «Know 2.0», который:
  • Обеспечивает мгновенный семантический поиск по всей внутренней базе знаний компании.
  • Генерирует сводки, ответы и структурированный контент (таблицы) на основе найденных данных.
  • Обладает удобным веб-интерфейсом с историей диалогов, управлением чатами.
  • Полностью интегрирован в ИТ-контур компании с соблюдением всех требований информационной безопасности.
  • Прошел приемочные испытания и принят заказчиком.

Влияние на бизнес

  • Снижение барьера входа: Поставщикам (особенно представителям МСП) теперь не нужно вручную просматривать сотни страниц документации, чтобы понять, подходит ли им лот. Это напрямую влияет на лояльность пользователей к площадке.
  • Рост конкуренции в торгах: За счет более точного мэтчинга (совпадения) интересов поставщика и специфики закупки, на «сложные» лоты со скрытыми параметрами начинает приходить больше участников.
  • Цифровизация документации: Площадка перешла от модели «хранилище файлов» к модели «база структурированных данных», что закладывает фундамент для внедрения рекомендательных систем и умных ассистентов.
]]> Проект «Автоматизация продаж в тендерном канале» для компании Атомсервис https://www.metamentor.pro/tpost/0738m5ljv1-proekt-avtomatizatsiya-prodazh-v-tendern https://www.metamentor.pro/tpost/0738m5ljv1-proekt-avtomatizatsiya-prodazh-v-tendern?amp=true Wed, 18 Mar 2026 16:09:00 +0300 Metamentor Тендеры Промышленность Клиент: Атомсервис

Проект «Автоматизация продаж в тендерном канале» для компании Атомсервис

Кто заказчик:

Сегмент / отрасль:

B2G / B2B, поставки и техническое обслуживание промышленного и электрического оборудования, участие в государственных и коммерческих тендерах.

Краткие бизнес-характеристики:

ООО «Атомсервис» — российская компания, специализирующаяся на поставках оборудования и оказании услуг по техническому обслуживанию для государственных и коммерческих заказчиков. Участвует в тендерных процедурах по 44‑ФЗ и 223‑ФЗ, обеспечивает исполнение контрактов с соблюдением государственных требований. Компания имеет устойчивую историю участия в закупках и небольшой, но высококвалифицированный штат сотрудников, что позволяет обрабатывать значительный поток закупочных документов и успешно конкурировать на рынке.

Зачем заказчик обратился

Заказчик работает в среде высокой конкуренции и высокой нагрузки по анализу тендеров и участию в закупочных процедурах, при этом значительная часть входящего потока закупок требует детального изучения и фильтрации под собственные критерии релевантности.

Проблема (боль клиента)

Высокая зависимость от ручного анализа тендерной документации и ограниченных ресурсов команды: автоматизировать разбор и классификацию тендерных закупок, поступающих из ЭТП в CRM-систему
Поток нерелевантных закупок перегружает команду и повышает риск пропуска перспективных тендеров: обеспечить автоматическое отсечение нерелевантных тендеров и фокус на приоритетных закупках

Из-за высокой доли ручного труда ограничены возможности масштабировать работу с тендерами: дать заказчику инструмент, позволяющий обрабатывать больше тендеров без увеличения нагрузки на команду

Цель проекта

Что заказчик ожидал получить:

  • Автоматизировать проверку тендеров

Решение

1) Анализ текущих данных и построение бизнес-логики

  • Изучение потока входящих тендерных закупок с ЭТП «Контур.Закупки».
  • Определение критериев релевантности закупок на основе бизнес-требований заказчика.
  • Формализация правил фильтрации и подготовки данных для дальнейшей обработки ИИ.

2) Разработка моделей/алгоритмов

Создание ИИ-модуля для анализа тендерной документации с использованием облачных языковых моделей.Разработка алгоритмов prompt-based классификации закупок на релевантные и нерелевантные.

3) Интеграция в рабочие процессы/инструменты

  • Подключение сервиса к CRM PlanFix через REST API для автоматического обновления статусов закупок.
  • Обеспечение работы сервиса с существующими процессами команды без увеличения нагрузки.
  • Настройка ежедневной обработки лотов (раз в 4 часа).

4) Тестирование и приемочные этапы.

  • Проверка точности классификации на исторических и текущих тендерах.
  • Приемочное тестирование совместно с командой заказчика.

Технологии и инструменты

Архитектура размещения:

  • сервис развёрнут на стороне Исполнителя;
  • возможна передача контейнера для самостоятельного развёртывания Заказчиком

Язык разработки:

Python

Интеграция:

REST API

CRM-система:

PlanFix (интеграция через API)

Источник данных:

государственная электронная торговая площадка (Контур.Закупки → CRM PlanFix)

ИИ-модуль:

облачная языковая модель (LLM) для анализа текстовой информации тендеров

Подход к ИИ:

prompt-based классификация закупок

Контейнеризация:

prompt-based классификация закупок

Подход к ИИ:

Docker (передача исполняемого кода в виде контейнера)

Обработка данных:

автоматическая обработка входящих лотов не реже 1 раза в 24 часа

Надёжность:

доступность сервиса — не ниже 95% в рабочие часы

Используемые ИИ-технологии:

облачные языковые модели, включая OpenAI (gpt-4)

Результаты

  • 98,5% точность классификации тендерных закупок: ИИ корректно определяет релевантность закупок по заданным бизнес-критериям
  • 85% закупок обрабатываются без участия специалиста: значительное снижение ручной нагрузки на команду
  • 18,33 ₽ себестоимость обработки одной закупки: снижение операционных затрат на анализ тендерной документации

Влияние на бизнес

  • Сокращение времени анализа тендерной документации в 6 раз
  • Автоматизация первичного отбора закупок
  • Снижение операционных затрат
  • Рост операционной эффективности команды
  • Ускорение управленческих решений
«Вместе с ИИ-помощником мы сократили стоимость обработки данных исследований в 50 раз, а время работы с ними — в 10. Точность кластеризации повысилась до 96%. Теперь мы можем довольно быстро анализировать опросы и группировать ответы, в то время как ИИ не упустит ни одну важную деталь. Если боитесь больших массивов данных — вам к Metamentor».
]]> Проект «Суммаризация» для издательства ЭКСМО https://www.metamentor.pro/tpost/bz5x8hi191-proekt-summarizatsiya-dlya-izdatelstva-e https://www.metamentor.pro/tpost/bz5x8hi191-proekt-summarizatsiya-dlya-izdatelstva-e?amp=true Wed, 18 Mar 2026 16:22:00 +0300 Metamentor Издательство Клиент: Эксмо

Проект «Суммаризация» для издательства ЭКСМО

Кто заказчик:

Сегмент / отрасль:

B2C / книжное издательство, издательская и дистрибьюторская деятельность в сегменте потребительского книжного рынка.

Краткие бизнес-характеристики:

Издательство «Эксмо» — одно из крупнейших универсальных издательств в России и Европе, лидер коммерческого книжного рынка с ежегодным выпуском десятков миллионов экземпляров и тысяч наименований книг по широкому спектру жанров и направлений. Предоставляет полный цикл издательских услуг, поддерживает обширный авторский портфель и развитую сеть региональной дистрибуции в России и СНГ.

Зачем заказчик обратился

  • Издательство ЭКСМО столкнулось с высокой нагрузкой на редакционный контур при первичной оценке рукописей.
  • Ручной анализ каждой книги занимал значительное время, при этом большая часть текстов не проходила отбор и не попадала в тираж. Это приводило к высоким затратам на рецензирование, замедляло принятие редакционных решений и ограничивало масштабирование издательского процесса.
  • Заказчику требовалось автоматизированное решение, способное быстро анализировать большие объёмы текста, выделять ключевое содержание, оценивать стиль и выявлять потенциально проблемные фрагменты ещё до этапа глубокой редакторской работы.

Проблема (боль клиента)

Перегруженность редакционного процесса: ручное чтение и первичный анализ каждой рукописи занимали до 1 месяца, что делало процесс отбора медленным, дорогим и плохо масштабируемым.
Низкая эффективность первичного отбора: большое количество рукописей не соответствовало издательским критериям, однако на их оценку затрачивались те же ресурсы, что и на перспективные тексты.

Отсутствие структурированной аналитики по тексту: ключевые характеристики книги (сюжетное ядро, стиль, жанровые особенности, наличие спорных или цензурных фрагментов) не были формализованы и выявлялись только в ходе полного прочтения.


Потери на этапе принятия решений: из-за длительного цикла анализа и ограниченных ресурсов редакторов снижалась конверсия рукописей в публикации и замедлялся вывод книг в тираж.

Цель проекта

Что заказчик ожидал получить:


  • Автоматизированный инструмент первичной обработки рукописей: суммаризация содержания, подробное изложение, стилистическая оценка и проверка спорного/цензурного контента.
  • Сокращение времени на анализ рукописей до минут, а не недель.
  • Снижение затрат на рецензирование за счёт интеллектуальной автоматизации.
  • Инструмент, который поддерживает редакторов на этапе отбора книг и подготовки ТЗ для команды редактирования, оформления и маркетинга.

Условия успеха / KPI:

  • Время анализа одной рукописи сократилось от месяца до 20 минут.
  • Снижение стоимости рецензирования более чем в 5 раз.
  • Высокое качество саммари и аналитических данных, достаточное для принятия решений редакторами.
  • Устойчивость и стабильность работы системы в рабочем рабочем процессе издательства.

Решение

1) Анализ текущих данных и построение бизнес-логики

Исследованы процессы оценки книг, ключевые требования к содержанию, стиль и юридические аспекты маркировки спорных фрагментов.

2) Разработка моделей/алгоритмов

Построены модели генеративного ИИ для извлечения текста, структурирования содержания, оценочного анализа стиля, лексики, синтаксической сложности и выявления тем, требующих возрастной маркировки или редактирования. В основе — собственные алгоритмы и генеративные языковые модели, адаптированные под специфику издательских текстов.

3) Интеграция в рабочие процессы/инструменты

Сервис внедрён в цепочку предварительной оценки рукописей для редакторов «ЭКСМО», заменив часть ручной работы автоматизированным анализом за счёт ИИ.

4) Тестирование и приемочные этапы.

Проведено финальное использование на реальных рукописях: эффективность сервиса подтверждена тиражом более 1 тыс. саммари.

Технологии и инструменты

Архитектура:

Инфраструктура:

Docker и docker‑compose

Результаты

Внедрён сервис интеллектуальной суммаризации и анализа рукописей, который автоматически:
  • формирует краткое и подробное содержание книги;
  • оценивает стиль и особенности текста;
  • выявляет наличие спорных и цензурно чувствительных фрагментов;
  • предоставляет редактору структурированное саммари для принятия решения.
Система обрабатывает рукопись в среднем за 20 минут и успешно используется в рабочем процессе издательства. За время эксплуатации было сформировано более 1 000 саммари, что подтвердило стабильность и прикладную ценность решения.

Влияние на бизнес

  • Снижение затрат на первичное рецензирование более чем в 5 раз.
  • Сокращение времени анализа рукописей с ~1 месяца до 20 минут.
  • Повышение операционной эффективности редакторов за счёт фокуса на перспективных текстах.
  • Ускорение принятия решений о запуске книг в тираж и подготовке сопутствующих процессов (редактура, обложки, маркетинг).
  • Масштабируемость обработки входящего потока рукописей без пропорционального роста затрат.
«За первые 4 месяца Metamentor оптимизировал стоимость рецензирования в издательстве более чем в 5 раз. А ещё помог сильно сократить срок анализа текста: ИИ-помощник справляется за 20 минут, когда рецензент читает рукопись около месяца. В результате редактор получает саммари с ключевой информацией. После тысячи таких саммари мы можем с уверенностью утверждать, что решение доказало свою эффективность».
]]> Проект «Маркетплейсы» для издательства ЭКСМО https://www.metamentor.pro/tpost/788kai0co1-proekt-marketpleisi-dlya-izdatelstva-eks https://www.metamentor.pro/tpost/788kai0co1-proekt-marketpleisi-dlya-izdatelstva-eks?amp=true Wed, 18 Mar 2026 16:35:00 +0300 Metamentor Издательство Маркетинг Клиент: Эксмо

Проект «Маркетплейсы» для издательства ЭКСМО

Кто заказчик:

Сегмент / отрасль:

B2C / книжное издательство, издательская и дистрибьюторская деятельность в сегменте потребительского книжного рынка.

Краткие бизнес-характеристики:

Издательство «Эксмо» — одно из крупнейших универсальных издательств в России и Европе, лидер коммерческого книжного рынка с ежегодным выпуском десятков миллионов экземпляров и тысяч наименований книг по широкому спектру жанров и направлений. Предоставляет полный цикл издательских услуг, поддерживает обширный авторский портфель и развитую сеть региональной дистрибуции в России и СНГ.

Зачем заказчик обратился

  • На маркетплейсах ЭКСМО ежедневно поступает большое количество вопросов и отзывов от покупателей.
  • Специалисты поддержки и контент-команды физически не успевали обрабатывать весь поток вручную, что приводило к задержкам ответов и снижению качества коммуникации с пользователями.
  • Ответы требовали учёта данных по конкретным книгам (аннотации, характеристики, серии, авторы), а также соблюдения единых коммуникационных гайдлайнов ЭКСМО.
  • Заказчику было необходимо решение, которое автоматизирует первичную обработку обращений, снизит нагрузку на специалистов и обеспечит единый стандарт ответов.

Проблема (боль клиента)

Перегруженность операционного контура: тысячи вопросов и отзывов ежедневно обрабатывались вручную, что приводило к очередям и пропущенным обращениям.
Низкая масштабируемость процесса: рост продаж на маркетплейсах напрямую увеличивал нагрузку на команду поддержки.

Неоднородность ответов: без автоматизации было сложно гарантировать единый стиль и соответствие гайдлайнам.

Неоднородность ответов: без автоматизации было сложно гарантировать единый стиль и соответствие гайдлайнам.

Цель проекта

Что заказчик ожидал получить:

  • Автоматизированный сервис, принимающий все вопросы и отзывы пользователей маркетплейсов.
  • Интеллектуальную классификацию обращений (тип вопроса, необходимость участия человека).
  • Генерацию ответов на основе:
  • данных по конкретным книгам из БД ЭКСМО и DWH,
  • шаблонных формулировок и коммуникационных гайдлайнов ЭКСМО.
  • Маркировку ответов ИИ с флагом: требуется ли дополнительная проверка или помощь ассистента.

Условия успеха / KPI:

  • Существенное снижение ручной нагрузки на специалистов.
  • Стабильная генерация корректных и релевантных ответов.
  • Возможность обработки всего входящего потока без пропорционального роста команды.

Решение

1) Анализ текущих данных и построение бизнес-логики

Изучены типы пользовательских вопросов на маркетплейсах, сценарии ответов, требования к стилю и юридические ограничения. Сформирована логика классификации обращений.

2) Разработка моделей/алгоритмов

Разработка GenAi-сервисов:

  • Сервис классификации вопросов пользователей.
  • Сервис генерации ответов с использованием:
  1. данных по SKU и книгам из DWH ЭКСМО,
  2. шаблонов и формулировок по гайдлайну издательства.
  • Проставление флага ИИ и признака необходимости участия ассистента

3) Интеграция в рабочие процессы/инструменты

  • Разработан REST API для загрузки CSV-файлов с вопросами маркетплейсов.
  • Интеграция с DWH ЭКСМО для получения атрибутов книг.
  • Формирование итогового CSV-файла с классификацией и ответами.

4) Тестирование и приемочные этапы.

Проведено тестирование на реальных данных маркетплейсов. MVP-версия сервиса была принята и внедрена в рабочий процесс.

Технологии и инструменты

Архитектура:

Backend:

  • Язык программирования: Python. Используется для реализации логики обработки данных, а также для работы с ML-слоем.
  • Фреймворк: FastAPI. Обеспечивает высокопроизводительный REST API для приёма и обработки JSON-файлов с вопросами, а также возврата ответов. Поддерживает асинхронную обработку запросов.

Очередь сообщений:

RabbitMQ. Используется для асинхронной обработки задач.

База данных:

PostgreSQL

Инфраструктура:

Docker. Весь проект упакован в контейнеры Docker для упрощения развёртывания, масштабирования и обеспечения консистентности окружения. Контейнеры включают сервисы для FastAPI, RabbitMQ, PostgreSQL и ML-модели.

ML-слой:

ChatGPT 4.1

Результаты

Внедрён сервис, который автоматически:
  • принимает вопросы и отзывы пользователей маркетплейсов;
  • классифицирует обращения по типам;
  • генерирует ответы на основе данных по книгам и гайдлайнов ЭКСМО;
  • помечает ответы ИИ и указывает необходимость участия ассистента.
Сервис позволил обрабатывать весь входящий поток обращений без потери качества и стал частью операционного контура ЭКСМО.

Влияние на бизнес

  • Существенное снижение нагрузки на специалистов поддержки и контент-команды.
  • Ускорение обработки вопросов и отзывов пользователей.
  • Повышение качества и единообразия коммуникации на маркетплейсах.
  • Масштабируемость процесса без линейного роста затрат.
]]>