Задача
В компании 8 продуктовых направлений, и в каждом продакт-менеджер тратит около недели в месяц на анализ ценовой конкуренции и поиск аналогов у конкурентов. Специфика отрасли: сантехнические изделия уникальны, количественных параметров для сравнения мало, а ключ к сопоставлению — визуальные признаки (форма излива, форма ручки, цвет, фактура). Нужно было автоматизировать когнитивно сложную работу, сохранив качество на уровне эксперта.
Как мы это решили
Задача не сводится ни к матчингу по характеристикам, ни к чисто визуальному сходству — нужно сочетание. Мы построили трёхэтапный пайплайн поверх парсера товаров клиента и конкурентов.
1. Категоризация
В админ-панели на Filament настраиваются категории и промпты. LLM (GPT-4.1) анализирует описания, изображения и чертежи и определяет категорию. Итеративная отладка вывела точность на 100%.
2. Определение свойств
Для каждой категории задаётся набор свойств: название, значения, промпт определения, при необходимости — визуальные примеры. LLM по описанию и фото заполняет матрицу свойств.
3. Сопоставление товаров
Настраиваются веса свойств и правила ультимативности: золотой смеситель сравнивается только с золотым — даже идеально похожий хромированный аналог попадёт другому покупателю.
Ключевая ставка — на качество промптов вместо дорогих моделей и кастомного ML.
Результаты
- Категоризация без ошибок — товаров не в своей категории нет
- Полное совпадение с экспертом-человеком в определении свойств и поиске аналогов
- Высвобождено ~неделя работы продакт-менеджера в месяц по каждому из 8 направлений
- Архитектура переиспользуется на остальные направления без доработки кода
- Обсуждается переиспользование ядра под распознавание изделия по фото в гарантийных заявках