Коротко: ИИ-модель сравнивает карточки контрагентов по ИНН/КПП, нормализованному названию, email-доменам, телефонам и адресу и оценивает вероятность того, что две карточки описывают одну компанию. Пары с вероятностью выше 95% объединяются автоматически, пары от 70 до 95% проверяет главбух, остальные отбрасываются. У дистрибьютора электротехники база сократилась с 38 400 до 24 100 карточек, а проект окупился за 5 месяцев.

Кейс: дистрибьютор электротехники на 1С

Клиент — региональный дистрибьютор электротехнической продукции. В отделе продаж работают 18 менеджеров, есть склад и бухгалтерия из 5 человек. Компания продаёт монтажным организациям, торговым сетям и частным мастерам. База контрагентов копилась 12 лет, и к моменту обращения в ней было 38 400 карточек, из которых за последний год активными были около 6 200.

Клиент описал задачу так: «Понимаем, что у нас бардак в базе. Но он уже стал управленческим: маркетинг шлёт акции дважды, скидки даются криво, а годовой оборот по ключевому клиенту видно только если бухгалтер вручную сводит четыре карточки».

Какие проблемы создавали дубли

Один клиент — пять карточек

«ООО ТД Энергомир», «ТД Энергомир ООО», «Энергомир», «Энергомир торг» и «ЭНЕРГОМИР» — это пять карточек одной компании, которые разные менеджеры заводили в разные годы. Одни записывали уставное название, другие бытовое, третьи делали опечатку. История продаж оказалась разбросана по всем карточкам, поэтому реальный годовой оборот по клиенту приходилось собирать вручную, а сводный отчёт показывал неверные цифры.

Скидки и условия применялись неправильно

По договору клиенту полагалась скидка 12%. Менеджер при выставлении счёта случайно выбрал не ту карточку из пяти, в которой скидка не была указана. Клиент получил счёт по полной цене и выставил претензию, а бухгалтеру пришлось переделывать документы. Таких случаев набиралось десятки в месяц.

Рассылки превращались в спам

Письмо о новинках уходило на все пять карточек «Энергомира». Клиент получал одно и то же письмо пять раз, иногда в разных вариантах текста, потому что карточки были заведены в разных категориях рассылки. В глазах клиента это выглядело так, будто компания даже не знает, что он у неё есть.

Дебиторская задолженность была не видна

В отчёте «Топ-должников» «Энергомир» не попадал в первую десятку, хотя суммарно по пяти карточкам был должен почти 4 миллиона. Реальную картину видел только финансовый директор, и то после ручного сведения. Решение о том, звонить ли «Энергомиру» по поводу долга, откладывалось, потому что никто не знал его реального размера.

Что сделали

Все 38 400 карточек прогнали через ИИ-модель сопоставления. Она использует комбинацию признаков:

  • точное совпадение по ИНН/КПП;
  • нечёткое совпадение по нормализованному названию с учётом транслитераций и сокращений;
  • email-домены;
  • телефоны;
  • фактический адрес.

Для каждой пары карточек модель рассчитывает вероятность того, что это один и тот же контрагент.

Три категории решений

Вероятность совпадения Что происходит
Выше 95% Карточки объединяются автоматически, в основном это дубли с идентичным ИНН
70–95% Пара попадает в очередь главбуха на подтверждение, ИИ показывает причины, например «совпадают ИНН и email, разные названия»
Ниже 70% Пара игнорируется

За неделю главбух разобрал очередь из 1 200 пар и подтвердил 870 объединений.

Объединение в 1С с переносом истории

При объединении карточек все связанные документы — счета, реализации, оплаты, акты — автоматически перепривязываются к мастер-карточке. Дочерние карточки помечаются как архивные, но не удаляются. Они остаются на случай аудита и для анализа того, как база выглядела раньше.

Подсказка при создании новой карточки

Когда менеджер заводит новую карточку, ИИ проверяет, нет ли в базе похожей. Если находится совпадение по ИНН или по сочетанию названия и телефона, менеджер видит окно «Возможно, вы имеете в виду эту карточку?». Так новые дубли не появляются.

Регулярная переоценка

Раз в месяц модель заново проверяет базу. Новые менеджеры всё равно иногда заводят дубли, поэтому свежие совпадения отправляются в очередь главбуха.

Результат

  • База контрагентов сократилась с 38 400 до 24 100 карточек (−37%): дубли объединены вместе с историей.
  • Дебиторская задолженность по топ-10 клиентам в отчётах выросла в среднем в 2,3 раза. Фактически долг всегда был таким, просто раньше его не было видно.
  • Скидки применяются корректно, и жалобы клиентов на счета «не по нашему договору» прекратились.
  • Каждый клиент получает одно письмо рассылки вместо пяти, а число отписок снизилось на 28%.
  • Встроенная проверка при заведении карточки блокирует 95% попыток создать дубль.
  • Доппродажи существующим клиентам выросли на 14%: маркетинг увидел, кто уже покупал у компании, и запустил кампанию «возврат».
  • Проект окупился за 5 месяцев. Окупаемость считали по экономии на ручной чистке базы и приросту повторных продаж.

Частые вопросы

Как ИИ решает, что две карточки контрагента в 1С являются дублями?

Модель учитывает точное совпадение ИНН/КПП, нечёткое совпадение нормализованного названия с учётом транслитераций и сокращений, email-домены, телефоны и фактический адрес. Каждой паре карточек она ставит оценку вероятности, что это один и тот же контрагент.

Что происходит с документами и старыми карточками при объединении дублей?

Счета, реализации, оплаты и акты автоматически перепривязываются к мастер-карточке. Дочерние карточки помечаются как архивные и не удаляются: они нужны на случай аудита и для анализа того, как база выглядела раньше.

Как не допустить появления новых дублей контрагентов?

Когда менеджер заводит новую карточку, ИИ ищет похожие по ИНН или по сочетанию названия и телефона и предлагает выбрать уже существующую. В кейсе такая проверка блокирует 95% попыток создать дубль, а раз в месяц модель заново проверяет всю базу и отправляет найденные дубли главбуху.