Роботизация мониторинга цен в закупках – как связка RPA и BI помогает ускорить расчет НМЦК и снизить ручную нагрузку

Направления: BI аналитика, RPA роботизация, Искусственный интеллект
Продукты: PIX BI platform, PIX RPA
Услуги: Аналитический сервис мониторинга цен
Бизнес-функции: Закупки

Дата публикации: 04.06.2026

В закупках, особенно в крупных организациях с широкой номенклатурой товаров и материалов, ручной контроль цен быстро становится сдерживающим фактором. Сотрудники тратят часы на поиск данных на сайтах, обработку прайс-листов из почты и расчет начальной максимальной цены контракта (НМЦК). Это не только замедляет работу, но и повышает риск ошибок – цены устаревают, а закупочные решения требуют точности.

Связка RPA и BI помогает снять эту нагрузку. Программные роботы берут на себя сбор и обновление данных, а аналитические инструменты превращают их в понятные таблицы и дашборды. На основе опыта внедрений в госсекторе и научных организациях разберем, как такой подход работает на практике и что именно он меняет в закупочной функции.

Далее рассмотрим, как такая автоматизация работает на примере типового закупочного процесса в крупной научной организации или государственном учреждении с номенклатурой в несколько сотен или тысяч позиций ТМЦ.

RPA в закупках и автоматизация мониторинга цен

Почему ручной мониторинг цен перестает справляться с объемом закупок?

В типичном закупочном процессе данные распределены по разным источникам. Реестр ТМЦ хранится в 1С, цены находятся на сайтах поставщиков, коммерческие предложения поступают в почту. При сотнях позиций и регулярных изменениях цен ручной подход перестает справляться с объемом. Если добавить периодичность обновлений и приоритеты для срочных закупок, процесс становится трудно управляемым.

RPA решает эту задачу за счет согласованной работы роботов, которые повторяют действия пользователя, но делают это быстрее и стабильнее. Обычно такая связка строится из двух ролей – Dispatcher и Performer.

Dispatcher формирует очередь задач на основе реестра ТМЦ. В нее попадают код, наименование, группа, ОКПД, КТРУ, цена, единица измерения, дата последнего обновления и перечень сайтов для поиска. Если запись устарела с учетом заданной периодичности, система включает ее в работу.

Performer обрабатывает элементы очереди. Он проверяет актуальность записи, формирует запросы к сайтам, получает страницы, очищает HTML и использует LLM-модель для извлечения данных – наименования, цены, единицы измерения и характеристик. После этого результаты записываются обратно в реестр.

Контроль качества данных при роботизации закупок

Корректность извлеченных данных контролируется многоуровневым механизмом.

Автоматически система применяет правила валидации: fuzzy-сопоставление наименований и характеристик, проверку цен на отклонение от исторических данных (флагирует изменения более 20–30 %), соответствие единиц измерения и confidence score LLM-модели. Записи с аномалиями автоматически направляются на обязательную ручную проверку. Сотрудник проводит выборочную верификацию (10–20 % записей плюс все приоритетные и высокостоимостные позиции). Перед использованием в расчете НМЦК все ключевые данные проходят финальное утверждение ответственным специалистом. Все действия логируются для прозрачности и аудита.

Элементы очереди могут поступать не только из реестра, но и из обработки коммерческих предложений или расчета НМЦК. За счет этого данные обновляются в единой логике, без постоянных ручных сверок между источниками.

Автоматическая обработка коммерческих предложений и расчет НМЦК

Как автоматизация работает с коммерческими предложениями и расчетом НМЦК?

Обработка коммерческих предложений добавляет в процесс оперативность. Робот отслеживает почтовый ящик, анализирует письма и вложения, формирует запрос к LLM-модели и извлекает ключевые параметры – цену, наименование, единицу измерения и характеристики. Если письмо относится к нужной номенклатуре, система создает элемент очереди с повышенным приоритетом. Это позволяет быстрее обновлять цены от поставщиков.

Расчет НМЦК запускается по триггеру – например, по письму или отдельному запросу. Робот проверяет номенклатуру в реестре, формирует срочные задачи на обновление данных, дожидается завершения обработки и рассчитывает НМЦК уже на основе актуальной информации. Затем результат возвращается инициатору.

Для типовых заявок система может дополнительно учитывать статусы планов распределения потребностей, историю заказов и расчет объемов. За счет этого закупочная функция получает не просто обновленные цены, а более полную основу для принятия решения.

Во многих организациях для таких задач используют скрипты или макросы. На небольшом объеме они работают, но быстро становятся нестабильными при изменении интерфейсов сайтов, форматов прайс-листов и структуры писем. Связка RPA и LLM дает более гибкий подход, поскольку помогает не только собирать данные, но и извлекать их из неструктурированных источников. Дополнительное преимущество связано с возможностью интеграции с отечественными платформами и адаптацией решения под отраслевую специфику.

BI-аналитика в закупках для контроля цен и НМЦК

Зачем подключать BI к роботизации и что это меняет для закупщика?

Чтобы использовать обновленные данные в работе закупщика, к роботизации подключают BI. В качестве аналитического слоя можно использовать PIX BI – инструмент, который позволяет строить дашборды, применять фильтры и настраивать отчеты под разные роли.

Один из рабочих вариантов архитектуры строится так. Данные из RPA или 1С загружаются в PostgreSQL, где хранятся метаданные и выполняются ETL-процессы. После преобразования витрины передаются в ClickHouse, который обеспечивает быструю агрегацию на больших объемах. PIX BI по API получает данные и строит дашборды по динамике цен, средней, минимальной и максимальной стоимости, изменениям за период, НМЦК и источникам данных.

Такой подход позволяет закупщику быстрее увидеть отклонения и принять решение на основе актуальной информации. Например, если по группе ТМЦ фиксируется резкий рост цен, это сразу отражается в аналитической панели и становится основанием для корректировки расчета или повторного запроса рынку.

Дополнительно BI-платформа поддерживает работу с Excel, CSV, JSON и различными СУБД через ODBC. Это упрощает масштабирование подхода на другие процессы компании, где тоже требуется регулярно собирать, сопоставлять и интерпретировать данные.

Эффект от роботизации закупок и ускорения расчета НМЦК

Какой эффект компания получает на практике?

По результатам внедрений такой подход позволяет заметно сократить объем ручной работы и ускорить подготовку закупочных решений. На практике компании получают следующие эффекты.

Сокращение ручного труда на 80-90% – с 4-6 часов в день на мониторинг до примерно 30 минут на проверку.
Ускорение расчета НМЦК в 4-5 раз – с недели до нескольких часов.
Снижение числа ошибок до 95% за счет более точного извлечения и сопоставления данных.
Экономия 500-1000 часов в квартал для команды из пяти человек.
Снижение переплат на 5-15% за счет работы с более актуальными ценами.
Рост актуальности данных до режима, близкого к реальному времени, против 50-60% при ручном подходе.

Приведенные оценки эффекта относятся к закупочным функциям среднего и крупного масштаба – с номенклатурой от 500 до более 5000 позиций ТМЦ, 20–100 и более поставщиков и источников, а также регулярной обработкой десятков и сотен коммерческих предложений в неделю. Для организаций с годовым объемом закупок от 200–500 млн рублей и выше такая автоматизация может давать ощутимую экономию – от нескольких миллионов рублей в квартал за счет снижения переплат и высвобождения фонда оплаты труда специалистов.

Главный эффект состоит не только в экономии времени. Закупочная команда меньше занята рутиной и может смещать внимание на анализ ценовых тенденций, переговоры с поставщиками и подготовку более обоснованных решений.

RPA, LLM и BI вместо скриптов для закупок

Чем такой подход отличается от простых скриптов и разрозненных инструментов?

Стандартные решения без интеллектуальной обработки данных нередко оказываются уязвимыми к изменениям интерфейсов, структуре сайтов и форматов входящих документов. В результате компании приходится постоянно поддерживать набор отдельных инструментов и вручную контролировать качество результата.

Связка RPA, LLM и BI закрывает задачу иначе. Она объединяет сбор данных, их извлечение, обновление реестра и последующую аналитику в одной логике. За счет этого процесс становится более прозрачным, устойчивым и масштабируемым.

Практический вывод прост. Такой подход особенно полезен там, где закупочная функция работает с широкой номенклатурой, несколькими источниками цен и высокой чувствительностью к срокам обновления данных. В этих условиях автоматизация помогает не просто сократить ручную нагрузку, но и повысить управляемость закупочного процесса.

Ручной и автоматизированный мониторинг цен – в чем разница

Критерий	Ручной мониторинг	Автоматизированный мониторинг
Время обновления цен	Обновление занимает часы или дни и зависит от загрузки сотрудника.	Данные обновляются по расписанию или по триггеру, а сотрудник подключается на этапе проверки результата.
Риск ошибок	Выше из-за ручного копирования, разрозненных источников и повторных сверок.	Ниже за счет автоматического сбора, сопоставления данных и контрольных проверок.
Устойчивость к изменению источников	Ниже, поскольку процесс сильно зависит от конкретного исполнителя и быстро усложняется при изменении сайтов, писем и прайс-листов.	Выше, поскольку логика обработки централизована и изменения вносятся в робота и правила обработки.
Скорость расчета НМЦК	Расчет начинается после ручного сбора и сверки цен и может занимать от нескольких часов до недели.	Расчет выполняется после автоматического обновления данных и обычно укладывается в несколько часов.
Прозрачность контроля	История действий распадается между файлами, письмами и ручными пометками.	Статусы, результаты и источники данных фиксируются в единой логике процесса и доступны для контроля.

FAQ: Часто задаваемые вопросы

Почему ручной мониторинг цен перестает работать при масштабировании закупок?

В типичном закупочном процессе данные распределены по разным источникам: реестр ТМЦ хранится в 1С, цены — на сайтах поставщиков, коммерческие предложения поступают в почту. При сотнях позиций и регулярных изменениях цен ручной подход перестает справляться с объемом. Добавьте сюда периодичность обновлений и приоритеты для срочных закупок — процесс становится трудно управляемым. Сотрудники тратят часы на поиск данных, обработку прайс-листов и расчет начальной максимальной цены контракта.

Как работает связка RPA и BI при мониторинге цен?

Программные роботы берут на себя сбор и обновление данных, а аналитические инструменты превращают их в понятные таблицы и дашборды. Связка обычно строится из двух ролей: Dispatcher формирует очередь задач на основе реестра ТМЦ, а Performer обрабатывает элементы очереди — проверяет актуальность записи, формирует запросы к сайтам, получает страницы, очищает HTML и с помощью LLM-модели извлекает данные (наименование, цену, единицу измерения). Данные загружаются в хранилище, а BI-платформа строит дашборды по динамике цен, средней стоимости, НМЦК и источникам данных.

Как контролируется качество данных при роботизированном сборе цен?

Корректность извлеченных данных контролируется многоуровневым механизмом. Система автоматически применяет правила валидации: fuzzy-сопоставление наименований, проверку цен на отклонение от исторических данных (флагирует изменения более 20-30%), соответствие единиц измерения и confidence score LLM-модели. Записи с аномалиями направляются на обязательную ручную проверку. Сотрудник проводит выборочную верификацию (10-20% записей плюс все приоритетные и высокостоимостные позиции). Перед использованием в расчете НМЦК все ключевые данные проходят финальное утверждение.

Какой экономический эффект дает роботизация закупок?

По результатам внедрений такой подход позволяет сократить ручной труд на 80-90% (с 4-6 часов в день на мониторинг до примерно 30 минут на проверку), ускорить расчет НМЦК в 4-5 раз (с недели до нескольких часов), снизить число ошибок до 95%, получить экономию 500-1000 часов в квартал для команды из пяти человек и сократить переплаты на 5-15% за счет работы с более актуальными ценами. Для организаций с годовым объемом закупок от 200-500 млн рублей такая автоматизация может давать экономию в несколько миллионов рублей в квартал.

Чем связка RPA и LLM лучше простых скриптов для мониторинга цен?

Стандартные решения без интеллектуальной обработки данных нередко оказываются уязвимыми к изменениям интерфейсов, структуре сайтов и форматов входящих документов. Скрипты или макросы быстро становятся нестабильными. Связка RPA и LLM дает более гибкий подход, поскольку помогает не только собирать данные, но и извлекать их из неструктурированных источников. Дополнительное преимущество — возможность интеграции с отечественными платформами и адаптации решения под отраслевую специфику.

Для каких закупочных функций такая автоматизация наиболее актуальна?

Подход особенно полезен там, где закупочная функция работает с широкой номенклатурой (от 500 до более 5000 позиций), несколькими источниками цен (20-100 и более поставщиков) и высокой чувствительностью к срокам обновления данных. Он подходит для госсектора, научных организаций, крупных предприятий с регулярной обработкой десятков и сотен коммерческих предложений в неделю. В этих условиях автоматизация помогает не просто сократить ручную нагрузку, но и повысить управляемость закупочного процесса.

В чем отличие автоматизированного мониторинга цен от ручного?

При ручном мониторинге данные обновляются часы или дни, высок риск ошибок из-за копирования и разрозненных источников, расчет НМЦК занимает от нескольких часов до недели, а история действий распадается между файлами и письмами. При автоматизированном данные обновляются по расписанию или триггеру, риск ошибок ниже благодаря автоматическому сбору и сопоставлению, расчет НМЦК выполняется за несколько часов, а статусы, результаты и источники фиксируются в единой логике и доступны для контроля.

Виктория более 8 лет работает в области программной роботизации, имеет практический опыт по развитию практики в крупных компаниях. Руководитель и куратор проектов в различных отраслях компаний и функциональных блоках по направлениям программной роботизации (RPA), анализа и обработки данных (BI).