Tarjouslaskennan automatisointi tekoälyllä

Tekoälyn tehtävä ei välttämättä ole laskea koko tarjousta itsenäisesti.
Usein suurin hyöty saadaan jo siitä, että AI-avusteinen työkalu tekee tarjouslaskentaa edeltävän käsityön.
Prosessi voi toimia esimerkiksi näin:

AI-avusteisessa tarjouslaskennassa tekoäly on vain yksi osa kokonaisuutta.

Tekoälystä on erityisesti hyötyä silloin, kun tarjousaineisto tulee vaihtelevassa muodossa ja dokumenttien sisältöä pitää tulkita. Se voi esimerkiksi tunnistaa dokumentista, mitä tietty sarake, merkintä tai tekninen tieto tarkoittaa.
Selkeisiin laskutoimituksiin, tiedonsiirtoon ja tarkistuksiin kannattaa puolestaan käyttää tavallista ohjelmistologiikkaa ja automaatiota aina kun mahdollista.

Esimerkiksi:

Monessa yrityksessä tarjouslaskennan ympärille on vuosien aikana rakennettu toimiva Excel-pohja.

Sitä ei välttämättä tarvitse korvata uudella järjestelmällä.

AI-avusteinen automaatio voidaan rakentaa käsittelemään asiakkaalta saapuvat dokumentit ja tuottamaan massalaskennan tulokset suoraan yrityksen nykyiseen Excel-pohjaan.

Esimerkiksi:

Näin tekoäly tulee osaksi nykyistä tarjousprosessia sen sijaan, että koko prosessi pitäisi rakentaa uudelleen tekoälyn ympärille.

Jos tarjouslaskenta on yrityksessä toistuva ja liiketoiminnan kannalta tärkeä prosessi, ratkaisusta voidaan rakentaa yrityksen oma AI-avusteinen työkalu.

Valmiin yleiskäyttöisen tekoälypalvelun sijaan työkalu rakennetaan tuntemaan juuri kyseisen yrityksen tarjousprosessi.

Työkalu voi hyödyntää esimerkiksi yrityksen omia:

Yrityksen ohjeistukset voidaan ottaa huomioon jo aineiston käsittelyssä.

Jos yrityksellä on esimerkiksi määritelty tapa tulkita tiettyjä tuotteita, käsitellä puuttuvia tietoja, pyöristää määriä tai merkitä epävarmoja havaintoja, nämä toimintatavat voidaan rakentaa osaksi työkalun logiikkaa.

Tekoälyn ei siis tarvitse vain vastata kysymykseen "mitä tässä PDF:ssä lukee?"
Sen tehtävä voidaan rajata paljon tarkemmin:

"Poimi tästä tarjousaineistosta ne tiedot, joita meidän tarjouslaskentamme tarvitsee, ja käsittele ne yrityksemme määrittelemien ohjeiden mukaisesti."

Tämän jälkeen automaatio voi viedä tiedot yrityksen käyttämään muotoon ja nostaa epäselvät kohdat ihmisen tarkistettavaksi.

Kaikkia tarjousprosesseja ei kannata automatisoida.

Hyvä käyttökohde löytyy usein silloin, kun:

Tarjouslaskennan automatisoinnin hyötyä kannattaa tarkastella myös tätä kautta.

Tarjouksen valmisteluun käytetty työ tehdään ennen kuin yritys tietää, syntyykö kaupasta liikevaihtoa.

Jos yhden tarjouspyynnön massalaskentaan kuluu useita tunteja ja yritys tekee suuren määrän tarjouksia vuodessa, merkittävä määrä asiantuntijatyötä voi kulua myös tarjouksiin, joita yritys ei voita.

Massalaskennan automatisointi voi lyhentää yhden tarjouksen valmisteluun käytettyä aikaa.

Samalla vaikutus voi näkyä laajemmin: yritys voi pystyä käsittelemään samalla henkilöstöllä enemmän tarjouspyyntöjä.
Silloin automaation arvo ei synny ainoastaan säästetyistä työtunneista, vaan myös tarjousprosessin kapasiteetista.

Toteutimme valmistavan teollisuuden yritykselle automaation, jossa arkkitehdeilta saapuvat rakennuskohteiden tuoteluettelot käsitellään automaattisesti tarjouslaskennan käyttöön.

Aiemmin satojen rivien tuoteluettelot siirrettiin PDF-tiedostoista käsin yrityksen omaan Excel-pohjaan.
Rakennetussa ratkaisussa automaatio tunnistaa tunnetut arkkitehtiasettelut ja käsittelee niiden tiedot sääntöpohjaisesti. Kun vastaan tulee uusi asettelu, tekoäly auttaa tunnistamaan kenttien merkityksen. Tulos tarkistetaan luettelon omia summia vasten ennen kuin uusi tulkinta hyväksytään käyttöön.

Kymmensivuinen ja 253-rivinen tuoteluettelo käsiteltiin 49 sekunnissa. Uuden arkkitehtiasettelun tulkinta muodostettiin ja tarkistettiin 58 sekunnissa, kun vastaavan tulkintapohjan rakentaminen oli aikaisemmin vaatinut 1–3 tuntia asiantuntijatyötä.

Testissä puretut määrät täsmäsivät 409 kappaleen loppusummaan ja kaikkiin 20 välisummaa.