Автоматическая обработка заказов в DIY-ритейле: 70% заявок разбираются без LLM

До сих пор обработка неструктурированных заказов в строительном ритейле оставалась ручной задачей: клиент присылает таблицу на 150 позиций в одном файле, текстовое сообщение в другом, а менеджер собирает из этого коммерческое предложение (КП) вручную. Александра, Data Scientist компании «Рафт», описала на Хабре, как команда построила сквозной конвейер (end-to-end pipeline, цепочку последовательных этапов обработки), который делает это автоматически и при ограниченном бюджете на вызовы языковых моделей. Это первая часть разбора: от входящего письма до извлечения товарных позиций.

Что умеет система и чем это отличается от ручного процесса?

• Читает любой входящий формат. Excel, многостраничные PDF с таблицами, Word-документы, текстовые сообщения из WhatsApp, Telegram, Max и почты. Заранее неизвестно, в каком именно вложении спрятана заявка.

• Классифицирует без языковой модели. Вместо дорогого вызова LLM (большая языковая модель, например ChatGPT или YandexGPT) команда написала собственный классификатор на регулярных выражениях и эвристиках (наборах правил). Он работает за миллисекунды и не тратит токены (единицы текста, за которые платят при каждом запросе к модели).

• Ищет товары, а не ключевые фразы. Первая версия классификатора ловила слова вроде «выставьте счёт», но пропускала заявки, где клиент просто перечислял товары без просьбы. Вторая версия ищет паттерны «название, количество, единица измерения»: «гипсокартон 2500х1200х12,5 мм 10 листов», «5 м³», «10 мешков».

• Подключает LLM только в сложных случаях. По оценке команды «Рафт», классические методы справляются примерно с 70% заявок. Остальные 30%, где формулировки нетипичные, уходят на разбор языковой моделью. Это экономит бюджет на инференс (вычисления при генерации ответа моделью).

• Оставляет человека в цепочке. Всё, что классификатор отнёс к категории «не заявка», попадает к менеджеру на ручную проверку. Система не заменяет человека, а убирает рутину.

Показатели классификатора на тестовом наборе данных, по данным публикации «Рафт» на Хабре: F1 0,908, recall (полнота, доля найденных заявок) 0,944, precision (точность, доля верных срабатываний) 0,876. Команда сознательно приоритизировала полноту: лучше пропустить лишнее вложение к модели, чем потерять реальную заявку клиента.

Как устроен конвейер изнутри?

Конвейер работает в шесть последовательных этапов:

1. Загрузка и чтение файлов или сообщений.
2. Классификация: заявка это или нет.
3. Извлечение позиций: парсинг (автоматический разбор) наименований, количества и единиц измерения.
4. Поиск и сопоставление с каталогом магазина.
5. Расчёт фасовки и пересчёт единиц измерения.
6. Формирование готового коммерческого предложения.

Первая часть публикации охватывает этапы с первого по третий. Подбор товаров, расчёт фасовки и формирование КП обещаны во второй части.

Принципиальное решение команды: не отправлять каждый запрос в LLM, а комбинировать классические методы (регулярные выражения, словари брендов, эвристики для табличных форматов) с языковой моделью только там, где правила не справляются. Для российского DIY-ритейла это практично: запросы приходят на русском языке, с русскоязычными единицами измерения и специфическими формулировками вроде «пару рулонов» или «10 от 15 мешков».

Как попробовать подобный подход у себя?

1. Соберите образцы реальных заявок. Выгрузите 50 от 100 входящих сообщений и вложений из вашего рабочего мессенджера или почты. Разметьте вручную: где заявка, где нет.

2. Начните с правил, не с модели. Напишите регулярные выражения под ваши типичные паттерны: «число + единица измерения», «бренд + размер». По опыту «Рафт», это покроет основную массу случаев и не потребует бюджета на API языковой модели.

3. Добавляйте LLM только на остаток. Для нетипичных формулировок подключите вызов YandexGPT, GigaChat или другой доступной в России модели. Так вы платите токенами только за сложные случаи.

4. Не убирайте человека. Автоматическая обработка заказов в DIY-ритейле, от входящего письма до готового коммерческого предложения, работает как помощник менеджера, а не как замена. Финальная проверка обязательна, особенно на старте.

Есть ли аналоги в России?

Публикация «Рафт» описывает не готовый SaaS-продукт, а внутреннюю разработку. Готовых коробочных решений для автоматической обработки заказов в DIY-ритейле на российском рынке команда не называет.

Из доступных в РФ языковых моделей, которые можно использовать для аналогичного конвейера: YandexGPT (облачный API от «Яндекса») и GigaChat (API от «Сбера»). Обе поддерживают русский язык и работают с текстовыми запросами. Однако сам классификатор «Рафт» построили без LLM, на правилах, и это повторяемо на любом стеке без привязки к конкретной модели.

Частые вопросы

Нужен ли платный доступ к GPT или другой модели, чтобы повторить подход?

Не обязательно. Классификатор «Рафт» работает без языковой модели, на правилах и регулярных выражениях. LLM подключается только для сложных случаев (около 30% заявок, по оценке команды). Для этих случаев подойдёт любая доступная модель с API, включая YandexGPT и GigaChat.

Подходит ли система только для строительных магазинов?

Публикация описывает кейс из DIY-ритейла, но сам принцип, «разбери входящее сообщение, найди в нём список позиций с количеством и единицей, сопоставь с каталогом», применим к любому оптовому бизнесу, где клиенты присылают заявки в свободной форме: от запчастей до канцтоваров.

Когда выйдет вторая часть?

Дату выхода второй части команда «Рафт» не назвала. В ней обещан разбор поиска по каталогу, расчёта фасовки и формирования итогового коммерческого предложения с ценами и степенью уверенности в подборе.

Автоматическая обработка заказов в DIY-ритейле, от входящего письма до готового коммерческого предложения, пока выглядит как рабочий инструмент для конкретной боли конкретной отрасли. Без громких заявлений, зато с метриками и честным описанием того, что не сработало. Вторая часть покажет, выдержит ли экономия на токенах проверку качеством подбора.