Сопоставление номенклатуры с ИИ: прайсы и каталог 1С

Сопоставление номенклатуры с ИИ — это поиск соответствия между строкой поставщика и существующей карточкой товара в учётной системе. Модель помогает разобрать сокращения, названия и характеристики, а решение о соответствии опирается на идентификаторы, обязательные свойства и проверяемые правила. Результат должен содержать найденную карточку, основания выбора и статус проверки.

Задача возникает у дистрибьюторов, производственных компаний, интернет-магазинов и закупочных подразделений. В одной системе товар называется «Фильтр масл. X-120», в другой — «Элемент фильтрующий X120, 12 шт/уп». Сходство названий ещё не доказывает, что можно провести документ или заказать замену.

Ключевой принцип: система должна различать точное соответствие, допустимый аналог, новую позицию и недостаток данных. Если всё свести к ответу «похожесть 96%», сотрудник не поймёт, какую операцию разрешено выполнить.

Материал подготовлен 8 сентября 2026 года с использованием ИИ и проверкой первичных источников. Он адресован владельцам каталогов, руководителям закупок и ИТ. Примеры и расчёты учебные; статья описывает проектирование сопоставления, а не сертификацию взаимозаменяемости оборудования.

Сопоставление, нормализация и дедупликация: в чём разница

Нормализация приводит описание к согласованной структуре: бренд, модель, размер, материал, единица измерения, упаковка. Она делает записи удобными для сравнения, но не устанавливает их тождество. Две строки могут быть идеально нормализованы и описывать разные изделия.

Сопоставление связывает внешнюю позицию с внутренним идентификатором. Дедупликация ищет несколько карточек одного товара внутри каталога. Подбор аналогов решает ещё одну задачу: определяет допустимую замену с учётом требований применения. Эти процессы можно объединить технически, но смешивать их решения опасно.

Задача	Вход	Результат	Кто отвечает за правило
Нормализация	Свободное название	Структурированные характеристики	Владелец справочника
Сопоставление	Позиция поставщика	Внутренний ID и основание связи	Закупки и учёт
Дедупликация	Внутренние карточки	Кандидаты на объединение	Владелец мастер-данных
Подбор аналогов	Требования к изделию	Кандидаты на замену	Технический специалист

Например, две карточки с разными кодами могут относиться к одному товару, но иметь историю движений на разных складах. Нельзя удалять одну из них просто потому, что модель нашла совпадение. Перенос остатков и связей документов — отдельная управляемая операция.

Для проекта полезно сформулировать цель без общего слова «очистка»: «сократить ручной подбор внутренней карточки при загрузке прайсов». Такая формулировка позволяет измерить результат и сохранить границы ответственности.

Когда нужен ИИ, а когда достаточно справочника

Сначала используйте устойчивые идентификаторы и уже подтверждённые связи. Если поставщик присылает одни и те же артикулы, таблица соответствий может решить большую часть задачи. Привлечение модели к каждому повторному документу увеличивает стоимость и создаёт новые варианты ответа без дополнительной пользы.

В документации 1С-ЭДО описано сохранение соответствия номенклатуры для дальнейшего заполнения документов. Поэтому перед разработкой стоит выяснить, какие связи уже накоплены в вашей конфигурации, а не начинать их построение с нуля.

Сервис 1С:Номенклатура также предусматривает работу с описаниями, характеристиками и сопоставлением товаров из документов контрагентов. Наличие такого сервиса не означает, что он покрывает конкретный отраслевой каталог: это нужно проверить на ваших позициях и версиях программ.

ИИ становится полезен там, где идентификаторы отсутствуют, названия сильно различаются или значимые параметры спрятаны в тексте. Например, размер указан внутри комментария, материал — сокращением, а бренд написан с ошибкой. Модель может предложить структурированное представление и список кандидатов, который затем проходит проверки.

Разумный порядок выбора: штатный механизм учётной системы, словарь соответствий, правила нормализации, поиск кандидатов и только затем модель для неоднозначных описаний. Пилот должен показать вклад каждого компонента. Если сложная нейросеть не улучшает результат относительно простого поиска по артикулу, её применение не обосновано.

Какие данные подготовить до разработки

Выгрузите ограниченную товарную группу с внутренними кодами и актуальными характеристиками. Внешний прайс нужен в исходном виде: переименование строк вручную перед тестом скроет реальную сложность задачи. Сохраните поставщика, дату файла и номер строки, чтобы результат можно было проверить.

Для каждой группы определите обязательные признаки. Для крепежа это могут быть размер, резьба, материал и класс прочности; для электроники — модель, корпус и электрические параметры; для упаковки — габариты, материал и число единиц. Нельзя использовать единый список проверок для всех категорий.

Согласуйте, какой источник считается основным при конфликте. Технический паспорт производителя, подтверждённая карточка и сокращённое название из прайса имеют разную доказательную силу. Если в карточке отсутствует важный параметр, правильное действие — запросить его, а не автоматически довериться самому подробному тексту.

Поле реестра	Для чего нужно
ID поставщика и его артикул	Отличать одинаковые коды разных поставщиков
Исходное название	Проверять преобразования
Внутренний ID	Ссылаться на конкретную карточку
Единица и количество в упаковке	Корректно пересчитывать количество и цену
Критичные характеристики	Отбрасывать несовместимые товары
Версия и дата источника	Обнаруживать изменения
Статус решения и проверяющий	Понимать, можно ли применять связь

Отдельно соберите известные неверные пары. Например, почти одинаковые названия двух деталей с различным рабочим напряжением. Такие пары особенно полезны для проверки: система, которая хорошо узнаёт очевидные совпадения, может ошибаться именно на опасных соседях.

Как построить алгоритм сопоставления

Шаг 1. Проверить точные идентификаторы

Начните с подтверждённой связки «поставщик + артикул», кода производителя и применимых стандартных идентификаторов. GTIN в системе GS1 предназначен для идентификации торговых единиц. При этом наличие числа, похожего на штрихкод, ещё не доказывает корректность данных поставщика.

Проверяйте формат, источник и уровень упаковки. Нельзя сравнивать идентификатор коробки с идентификатором отдельного изделия, игнорируя структуру поставки. Если одинаковый код сопровождается несовместимыми характеристиками, конфликт нужно показать сотруднику, а не разрешать в пользу кода автоматически.

Шаг 2. Нормализовать описания

Очистите технический мусор: лишние пробелы, повторные разделители, разные способы записи единиц. Приведение регистра обычно безопасно для поиска, но исходную строку сохраняйте. Изменение символов в артикуле требует осторожности: латинская C и кириллическая С могут быть ошибкой ввода, а могут принадлежать разным кодам.

Извлекайте характеристики в отдельные поля и храните происхождение каждого значения. Если модель прочитала «20» как длину, должен быть виден фрагмент, в котором это указано. При отсутствии единицы число остаётся неполным признаком, а не автоматически превращается в 20 миллиметров.

Шаг 3. Найти несколько кандидатов

Поиск кандидатов сокращает большой каталог до списка возможных соответствий. Поиск по словам и артикулам хорошо сохраняет точные совпадения, семантический поиск помогает при разных формулировках. Векторное представление текста кодирует смысловую близость, но не устанавливает техническую совместимость.

В документации Elastic по гибридному поиску описано объединение разных поисковых подходов. Для номенклатуры это полезная архитектурная идея: не терять точный артикул ради смысловой похожести. Конкретный поисковый движок выбирают по объёму, инфраструктуре и результатам теста.

Шаг 4. Применить обязательные ограничения

До выбора результата отфильтруйте несовместимые категории, размеры, материалы и другие критичные свойства. Если запрос требует сталь определённой марки, красивое совпадение названия товара из другого материала не должно попадать в автоматическую запись.

Технически ограничения можно реализовать через фильтры по структурированным атрибутам. Например, Qdrant документирует фильтрацию по метаданным. Сам факт наличия фильтра не решает проблему неполных данных: неизвестное значение нужно обрабатывать отдельно от подтверждённого совпадения.

Шаг 5. Объяснить решение и определить действие

Финальный результат должен отвечать на три вопроса: какая карточка выбрана, на основании каких признаков и какое действие разрешено. Вместо одного процента покажите совпавшие идентификаторы, проверенные характеристики, противоречия и недостающие данные.

Используйте четыре статуса: «подтверждённое соответствие», «кандидат на проверку», «совпадение не найдено», «данных недостаточно». Аналог храните отдельным типом связи. Это позволяет сотруднику понять решение без чтения длинного объяснения модели.

Учебный пример: похожее название, разные товары

Поставщик прислал строку «Фильтр X120, уп. 12, 6 уп.». Во внутреннем каталоге есть «Фильтр X-120, штука», «Фильтр X-120A, штука» и «Комплект фильтров X-120, 10 шт». Названия близки, но буквенный суффикс и упаковка требуют отдельной проверки.

Если подтверждено, что X120 и X-120 — один код производителя, а упаковка содержит 12 одинаковых изделий, шесть упаковок соответствуют 72 штукам. Это детерминированный пересчёт после подтверждения связи. Модель не должна сама придумывать коэффициент упаковки по похожему названию.

Кандидат	Основание	Решение
X-120, штука	Совпадает подтверждённый код, требуется пересчёт	Возможное соответствие после проверки упаковки
X-120A, штука	Отличается суффикс модели	Не считать точным соответствием
Комплект X-120, 10 шт	Другой состав торговой единицы	Проверить состав, не подставлять автоматически

Предположим, цена поставщика указана за упаковку: 2 400 рублей. При 12 штуках расчётная цена за единицу равна 200 рублям, а стоимость шести упаковок — 14 400 рублей. Если ошибочно трактовать цену как цену штуки, итог завысится в 12 раз. Именно поэтому упаковки — часть модели данных, а не декоративный текст названия.

Рассмотрим обратную ситуацию: число единиц в упаковке отсутствует. Даже при точном совпадении модели система должна запросить уточнение. Самостоятельный поиск числа в старом прайсе допустим только как подсказка с датой источника, поскольку фасовка могла измениться.

Как связать результат с 1С

В начале запуска сохраняйте результат в промежуточный реестр, а не сразу меняйте основной справочник. Сотрудник видит строку поставщика, кандидатов, объяснение и кнопку подтверждения. Подтверждённая связь становится доступна для последующих загрузок с учётом версии и области применения.

Реестр должен учитывать организацию и поставщика. Артикул «1001» у двух контрагентов может обозначать разные товары. Подстановка связи без контекста поставщика приводит к ошибкам, которые трудно заметить, потому что карточка формально существует и документ успешно проводится.

Вопросы подключения подробно разобраны в материале об интеграции ИИ с 1С. Для конкретного проекта нужно проверить конфигурацию, доступные интерфейсы, объём обмена и права сервисной учётной записи. Универсальной команды, безопасно изменяющей любую базу 1С, нет.

Перед каждой записью проверяйте актуальность карточки: она могла быть помечена на удаление, объединена или изменена после выгрузки. Повторная доставка результата не должна создавать новую связь. Журнал должен хранить старое и новое значение, основание, пользователя и время применения.

Не включайте автоматическое создание товаров в первый этап по умолчанию. Статус «не найдено» может означать ошибку поиска или неполное описание. Новая карточка должна проходить собственную проверку обязательных атрибутов и дублей, иначе автоматизация ускорит накопление мусора.

Как проверить качество сопоставления

Сформируйте эталон из подтверждённых пар и заведомо разных товаров. Разделяйте выборки по поставщикам, категориям и времени. Если одинаковые строки одного прайса попали и в настройку, и в контроль, результат будет завышен: система уже видела почти тот же пример.

Измеряйте отдельно поиск кандидатов и окончательное решение. Если правильная карточка отсутствует в списке кандидатов, улучшение финального промпта не поможет. Если карточка найдена, но система выбирает соседнюю модификацию, проблема в сравнении и ограничениях.

Удобные показатели: доля случаев с правильным кандидатом в списке, точность автоматически принятых соответствий, доля автоматической обработки и среднее время ручной проверки. Для критичных категорий ошибки считайте отдельно: одна неверная замена важнее десятка лишних запросов сотруднику.

Учебный тест: из 500 строк система автоматически сопоставила 300, из них 297 правильно. Точность автоматических решений равна 99%, покрытие автоматизацией — 60%. Оставшиеся 200 строк не являются автоматически ошибками: среди них могут быть новые товары и корректные отказы из-за нехватки данных.

Такой результат ещё не подтверждает приемлемость проекта. Нужно разобраться в трёх неверных соответствиях: это косметические различия описания или другой товар? Порог выпуска выбирают по стоимости и последствиям ошибок, а не по привлекательности общего процента.

Почему нельзя доверять одной оценке уверенности

Модель может уверенно объяснить неправильную пару. Оценка сходства векторного поиска, уверенность распознавания текста и вероятность корректного бизнес-решения — разные величины. Их нельзя без проверки объединять в один показатель качества.

Если входом служат сканы, ошибки возникают ещё до сопоставления. Microsoft Document Intelligence отдельно рассматривает интерпретацию accuracy и confidence. Для проекта это означает необходимость собственного набора проверок полей и порогов, соответствующих документам компании.

Калибруйте правила на отложенной выборке. Для группы с надёжными артикулами может работать один маршрут, для свободных названий — другой. Значение порога без описания выборки, категории и допустимой ошибки практически бесполезно для приёмки.

Как оценить экономику

Возьмём условный поток 8 000 строк в месяц. При 45 секундах ручного сопоставления на строку трудоёмкость составляет 100 часов. Если полная стоимость часа равна 800 рублям, денежный эквивалент работы — 80 000 рублей в месяц.

Предположим, после пилота 65% строк проходят автоматически, остальные 2 800 проверяются по 30 секунд. Это 23,3 часа. Добавим 10 часов выборочного контроля и обслуживания справочника: всего около 33,3 часа, или 26 667 рублей. При условных технических расходах 15 000 рублей общая регулярная стоимость — около 41 667 рублей.

Разница с исходным процессом составляет примерно 38 333 рубля в месяц. Если разовые вложения равны условным 300 000 рублям, простое отношение даёт около 7,8 месяца. Эти числа нужны для демонстрации формулы; они не являются ценой услуги и прогнозом результата для другой компании.

Теперь уменьшите поток до 2 000 строк при тех же условных накладных затратах. Экономика станет значительно слабее: обслуживание справочника и инфраструктуры не сокращается строго пропорционально объёму. Поэтому стоит оценить, выгоднее ли отдельная система, встроенная функция 1С или ограниченный помощник оператора.

В финансовую модель добавьте ожидаемую стоимость неверных соответствий, возвратов и исправления документов. Если автоматизация экономит часы, но увеличивает дорогие ошибки, проект может быть невыгоден при высокой скорости обработки. Отдельно учитывайте эффект улучшения каталога для поиска и аналитики, не записывая его в доход без измерений.

Как организовать пилот и дальнейшее сопровождение

Начните с одной категории, где есть понятные характеристики и сотрудник, способный подтвердить эталон. Согласуйте статусы и подготовьте набор сложных пар. Затем сравните простую таблицу соответствий, поиск по тексту и вариант с ИИ на одних данных.

Следующий этап — режим рекомендаций. Система предлагает связь, сотрудник подтверждает или отклоняет её с причиной. Причины стоит делать структурированными: другая упаковка, неверная модель, недостаток данных, товар отсутствует. Это даёт материал для улучшения правил, а не просто набор отрицательных оценок.

Автоматическую запись включайте только для проверенных классов. Нового поставщика сначала пропускайте через усиленный контроль. Изменения формата прайса, состава упаковки и справочника должны быть поводом пересмотреть ранее подтверждённые связи.

В сопровождение включите владельца мастер-данных, историю версий, контроль отклонений и способ отмены ошибочной связи. Нужен отчёт о том, какие документы использовали спорное соответствие. Удаление записи из словаря не исправляет уже проведённые операции задним числом.

Перед приёмкой проверьте повторную загрузку файла, изменение ранее подтверждённого артикула, отсутствие критичного признака, новую категорию и отказ 1С при записи. Результат пилота — не только процент совпадений, но и понятная работа на исключениях.

Частые вопросы

Можно ли просто загрузить два Excel-файла в нейросеть?

Для небольшого предварительного сравнения это возможно при допустимом режиме обработки данных. Для регулярной работы понадобятся источники значений, устойчивые идентификаторы, правила упаковок, журнал и проверка результатов. Один файл с ответом модели не заменяет этот процесс.

Нужна ли дообученная модель?

Не обязательно. Начните с качества справочника, поиска и ограничений. Дообучение стоит рассматривать после анализа повторяющихся ошибок и наличия размеченных примеров. Оно не исправит отсутствующий размер или неверный коэффициент упаковки в исходных данных.

Может ли ИИ выбирать аналоги самостоятельно?

Он может готовить кандидатов. Допустимость замены зависит от применения и обязательных характеристик, поэтому её правила утверждает профильный специалист. Связь «аналог» нужно хранить отдельно от связи «тот же товар».

Что делать, если у товаров нет артикулов?

Извлекайте характеристики и ищите кандидатов по комбинации признаков. При недостатке сведений оставляйте решение на проверку. Отсутствие идентификаторов повышает требования к качеству описаний, но не оправдывает угадывание.

Можно ли автоматически объединять дубли в 1С?

Поиск кандидатов на объединение допустим как отдельный этап. Само объединение затрагивает документы, остатки и аналитику, поэтому требует специального процесса и восстановления. Нельзя считать его обычным продолжением сопоставления прайса.

Как понять, что пора расширять автоматизацию?

Когда на новых данных устойчиво выполняются согласованные критерии, очередь проверки управляемая, а стоимость исключений измерена. Расширять лучше по категориям и поставщикам, сохраняя возможность вернуться к ручному подтверждению.

Как AIrassvet помогает работать с номенклатурой

В рамках автоматизации бизнес-процессов и интеграции LLM AIrassvet может выстроить работу вокруг подготовки данных, проверки извлечённых характеристик и подключения согласованных результатов к учётному процессу.

Первый шаг — выбрать товарную группу и собрать подтверждённые правильные и неправильные пары. Это позволяет определить, где достаточно правил, а где нужен ИИ, и согласовать критерии пилота. Обсудить задачу.

Что должно получиться в результате

Полезная система сопоставления выдаёт проверяемую связь с конкретной карточкой и объясняет, где остаётся неопределённость. Она сохраняет единицы, упаковки и различия модификаций, а подтверждённые решения использует повторно. Начните с качества эталона и правил одной категории: именно они определяют, станет ли ИИ помощником оператора или источником новых ошибок в каталоге.