14.08.2026

«LADA Цифра» автоматизировала 76% обработки каталогов запчастей

«LADA Цифра» создала систему автоматического сопоставления каталогов автозапчастей. Сейчас без участия оператора обрабатывается 76% SKU, а накопленная экономия оценивается в 3,6 тыс. часов.

«LADA Цифра» разработала систему Golden Record для автоматического сопоставления автозапчастей из каталогов разных поставщиков с единой эталонной базой. За время работы система сформировала 1,29 млн успешных совпадений, а сейчас 76% поступающих уникальных товарных позиций обрабатываются без участия оператора.

Практическая задача системы хорошо знакома рынку автокомпонентов. Одна и та же деталь может присутствовать у разных поставщиков под отличающимися названиями, с разным написанием бренда или артикула. Раньше значительную часть такой информации приходилось сопоставлять вручную.

Одна запчасть — несколько вариантов названия

Данные в систему поступают из десятков каталогов, содержащих миллионы объектов номенклатуры. При этом единых правил оформления у поставщиков нет.

Например, один тормозной диск может фигурировать как «диск торм. LADA», «brake disc VAZ» или «тормозной диск 2110». Для человека связь между такими позициями может быть очевидной, но для информационной системы это изначально разные записи.

Ранее менеджеры «LADA Цифра» сопоставляли артикулы вручную через Яндекс Таблицы. При росте количества поставщиков и товарных позиций такой подход перестал масштабироваться как по скорости, так и по качеству обработки.

Решением стала собственная база Golden Record — набор эталонных записей, к которым привязываются данные, поступающие из внешних источников.

Как система распознает одинаковые товары

Перед поиском совпадения информация о товаре проходит несколько этапов автоматической нормализации.

Система приводит текст к нижнему регистру, удаляет пунктуацию и лишние пробелы, а также умеет учитывать различия в написании одного и того же бренда.

Например, KING TONY и KINGTONY после обработки воспринимаются как один вариант. Отдельно устраняются так называемые гомоглифы — визуально одинаковые кириллические и латинские символы.

Из названий брендов также удаляются юридические формы, географические приставки и другие слова, не влияющие на идентификацию производителя. Различные варианты написания названия компании приводятся к единой канонической форме.

После этого система ищет соответствующую позицию в эталонной базе и при успешном совпадении автоматически возвращает идентификатор нужного товара.

Если система не уверена, решение принимает человек

Полностью исключать ручную проверку разработчики сознательно не стали.

Архитектура Golden Record состоит из двух контуров. В «быстром» система автоматически находит совпадение и возвращает результат. Если однозначного соответствия нет, запись попадает в «медленный» контур — очередь MDM-менеджеров.

Специалист может отклонить поступившую запись, связать ее с существующей эталонной позицией или создать новую.

Такой подход позволяет не добавлять в эталонную базу непроверенные данные ради повышения процента автоматизации.

В «LADA Цифра» объясняют этот принцип просто: если алгоритм не уверен в результате на 100%, решение передается человеку.

76% SKU сопоставляются автоматически

За последние 30 дней система обработала 6,6 млн событий. Из них 972 тыс. относились к уникальным SKU, остальные представляли собой повторные запросы.

Текущая пропускная способность составляет 14,9 сообщения в секунду, или около 54 тыс. сообщений в час.

При этом 76% уникальных товарных позиций сопоставляются автоматически, без участия операторов.

За все время работы накоплено:

  • 1,29 млн успешных совпадений MATCH;
  • 449 тыс. записей NO_MATCH, для которых соответствие не найдено;
  • 250 тыс. записей NO_BRAND без определенного бренда;
  • около 43 тыс. SKU, прошедших ручную обработку.

Из вручную рассмотренных записей операторы создали около 20 тыс. новых эталонных позиций, 7,9 тыс. товаров связали с уже существующими, еще примерно 15 тыс. задач были отклонены.

Экономия ручной работы оценена в 3,6 тыс. часов

Авторы проекта рассчитали и экономический эффект автоматизации.

По их оценке, автоматическое сопоставление 1,29 млн позиций позволило избежать примерно 3,6 тыс. часов ручной работы.

Расчет сделан исходя из условной стоимости часа оператора в 1000 рублей и консервативной оценки в 10 секунд на принятие одного ручного решения.

При таких исходных данных экономия составляет около 3,6 млн рублей. В «LADA Цифра» отмечают, что при более реалистичном времени ручной обработки фактический эффект может быть выше.

При этом средний срок обработки тех записей, которые все-таки попали в очередь операторов, составляет пять дней от поступления задачи до принятия решения.

Ручные решения становятся обучающими данными

Каждое принятое оператором решение сохраняется в системе. Это позволяет не только быстрее обрабатывать повторно поступающие товары, но и постепенно расширять накопленные знания о каталогах автозапчастей.

Такие данные также используются как основа для дальнейшего развития алгоритмов машинного обучения.

Сейчас разработчики сознательно делают ставку прежде всего на детерминированные правила. Их преимущество состоит в воспроизводимости: одинаковые входные данные должны каждый раз давать одинаковый и объяснимый результат.

Машинное обучение при этом рассматривается как следующий этап автоматизации. Чем больше решений принимают операторы, тем больше появляется качественных размеченных данных для обучения будущих моделей.

Следующим этапом станут ML и большие языковые модели

Система создавалась около полугода — от прототипа на двух Jupyter Notebooks до полноценного сервиса с вычислительным движком, бэкендом и пользовательским интерфейсом.

Для потоковой обработки используется Apache Flink. Ручная часть реализована через отдельный интерфейс для MDM-менеджеров, а для мониторинга и бизнес-аналитики применяются Grafana и хранилище данных DWH.

Ближайшими направлениями развития разработчики называют совершенствование алгоритмов машинного обучения и внедрение больших языковых моделей — LLM.

Практический смысл этой работы для рынка автокомпонентов заключается в дальнейшем сокращении объема ручного труда при обработке больших каталогов. Чем больше поставщиков и товарных позиций подключается к системе, тем важнее становится возможность автоматически понять, какие записи фактически относятся к одной и той же запчасти.

В результате Golden Record превращается не просто в еще один каталог, а в механизм нормализации разрозненных данных рынка автокомпонентов — с автоматическим сопоставлением большинства позиций и передачей человеку только тех случаев, где однозначного решения пока нет.


Статьи по теме


>