Как мы выявляем ненадежных подрядчиков ещё до начала работы 🫢

Работа с ненадежными подрядчиками — это задержки, перерасход бюджета и головная боль для всех. Чтобы всего этого избежать, мы решили пойти другим путем и создали предиктивную модель, которая с помощью Data Science и машинного обучения может заранее сказать, кто может подвести!

Как модель работает 🏙
Модель анализирует разные данные — от истории работы подрядчика, суммы договора, актов выполнения, платежах и финансовой отчётности до его текущей активности, включая даже динамику  посещаемости стройплощадки и заказа материалов. На основе этого она выдает вероятность выполнить работы в срок.

Модель использует градиентный бустинг — метод машинного обучения для анализа большого количества данных. Она работает на двух этапах:

1. Выбор подрядчика: анализирует подрядчиков на этапе тендера и помогает исключить ненадёжных.

2. Мониторинг текущей работы: каждую неделю проверяет активность подрядчиков (акты, платежи, посещения стройплощадки) и сигнализирует о любых проблемах.

Как всё устроено? 🌱
Все данные поступают из корпоративного хранилища и визуализируются в BI-системе (например, Табло). Это позволяет в реальном времени видеть ситуацию, связываться с подрядчиками или, если нужно, начать поиск их замены заранее.

Что мы получаем ♻️
В результате мы можем исключить потенциально ненадежных подрядчиков ещё на этапе тендера, минимизируя финансовые потери. У нас есть возможность вовремя среагировать, если кто-то из текущих подрядчиков начинает «проседать».

Сейчас модель в пилоте, но уже видно, что она реально работает. Поделимся с вами более точными результатами в следующем году ☺️

#строим