Jak pomogliśmy VielfaltMenü prognozować przetargi publiczne przed ich oficjalnym ogłoszeniem

Większość zespołów deweloperskich uznałaby model operacyjny VielfaltMenü za wyzwanie logistyczne, a nie sprzedażowe. Ciepłe posiłki są dostarczane w promieniu około 50 kilometrów od każdej kuchni, podczas gdy dania mrożone oraz przygotowywane w technologii cook-and-chill mogą być transportowane na odległość do 150 kilometrów. Pięć regionalnych oddziałów firmy na terenie Niemiec zarządza własnymi kuchniami, flotą dostawczą i lejkami sprzedaży. Każdy z nich mierzy się z własnymi ograniczeniami geograficznymi i operacyjnymi.

W tym złożonym modelu operacyjnym tempo wzrostu firmy zaczęło jednak wyhamowywać. Odpływ dotychczasowych klientów następował szybciej, niż udawało się pozyskiwać nowych, a zespoły handlowe nie dysponowały narzędziami do wczesnego wykrywania szans sprzedażowych. W realiach niemieckiego cateringu dla sektora publicznego pojęcie „odpowiednio wcześnie” ma kluczowe i bardzo konkretne znaczenie.

Szybsze czytanie już opublikowanych przetargów nie buduje przewagi konkurencyjnej. Wszyscy rynkowi gracze dowiadują się o nich w tym samym momencie. Prawdziwa przewaga powstaje o krok wcześniej – w analizie planów budżetowych, protokołów z posiedzeń rad samorządowych i notatek zakupowych, które wyprzedzają oficjalne ogłoszenie przetargu o wiele miesięcy.

Mając pełną świadomość tego problemu firma VielfaltMenü zgłosiła się do Pragmatic Coders. Klient potrzebował dwóch systemów. Pierwszy z nich, MealPilot, miał ujednolicić proces planowania, produkcji i wyceny posiłków przez menedżerów regionalnych (to temat na osobne case study). Niniejsze opracowanie skupia się na drugim rozwiązaniu: dedykowanej platformie AI, która przetwarza publiczne dokumenty i wczesne sygnały rynkowe w spriorytetyzowane, gotowe do podjęcia leady sprzedażowe.

Wyzwania

Wyszukiwanie wczesnych sygnałów w krajowym gąszczu dokumentów

Niemiecki sektor publiczny generuje tysiące dokumentów tygodniowo, z których zdecydowana większość jest bezużyteczna z punktu widzenia pojedynczego dostawcy. Dla firmy cateringowej kluczem jest wyłuskanie tych dziesięciu dokumentów, które niosą realną wartość biznesową, bez konieczności ręcznego przedzierania się przez tysiące pozostałych.

Dokumenty te są tworzone z myślą o precyzji prawnej, a nie pod kątem analizy sprzedażowej. Pakiety dokumentacji przetargowej liczą często setki stron, niejednokrotnie przekraczając okno kontekstowe nawet największych modeli LLM. Wczesne sygnały rynkowe są jeszcze trudniejsze do zidentyfikowania – kluczowe wzmianki o usługach cateringowych mogą być ukryte np. na dnie kilkusetstronicowego budżetu gminy lub planu rozwoju miasta. Ich wykrycie wymaga skanowania ogromnych wolumenów danych, operowania zupełnie innymi wskazówkami semantycznymi oraz klasyfikowania intencji zakupowych na podstawie języka urzędowego, który bywa celowo niejednoznaczny.

Ochrona przed halucynacjami i generowaniem spamu

W procesie sprzedaży granica między wczesnym wykrywaniem szans a zalewaniem handlowców spamem jest bardzo cienka. To właśnie podatność modelu AI na halucynacje decyduje o tym, po której stronie się znajdziemy.

Jeśli system z dużym poziomem “pewności” (high confidence) przedstawi błędną wartość kontraktu lub przypisze lead do niewłaściwego regionu, zespół handlowy zacznie marnować czas na puste przebiegi lub przegapi realne okazje. Poziom zaufania do danych musi być na tyle wysoki, aby handlowcy natychmiast podejmowali działania na podstawie spriorytetyzowanych leadów, zamiast traktować system jako kolejny dashboard do zignorowania. W tym ujęciu precyzja ekstrakcji danych staje się kluczową metryką biznesową, a nie tylko technicznym parametrem oceny modelu AI.

Przypisywanie leadów do pięciu regionalnych kuchni o różnej przepustowości

Lead, który w teorii wygląda atrakcyjnie, dla konkretnej kuchni może być bezużyteczny. Rentowność i wykonalność kontraktu zależą od promienia dostaw, mocy produkcyjnych, rodzaju posiłków oraz bieżącego obłożenia lokalnego zespołu.

Każdy z pięciu oddziałów VielfaltMenü dysponuje własnym zapleczem kuchennym, określonym obszarem dostaw oraz unikalną specjalizacją produktową. Błędne przypisanie leada marnuje czas handlowców i podkopuje ich zaufanie do technologii. Platforma musiała automatycznie korelować wyekstrahowane dane przetargowe z technicznymi parametrami każdego regionu, filtrując wyniki tak, aby handlowcy otrzymywali wyłącznie te szanse, które są w stanie realnie obsłużyć i wygrać.

Projektowanie jednej bazy kodu dla różnych sektorów B2G

Już na etapie wstępnych warsztatów projektowych VielfaltMenü postawiło kluczowe pytanie: czy platforma będzie w stanie obsługiwać również inne branże działające w modelu B2G? Architektura musiała wspierać taką elastyczność bez konieczności tworzenia osobnych wersji kodu (forkowania bazy) dla każdego nowego sektora.

Cała logika specyficzna dla danej branży (słowa kluczowe, reguły scoringu, kategorie, struktura oddziałów) musiała być w pełni konfigurowalna z poziomu interfejsu. Dzięki temu wdrożenie platformy w zupełnie nowym sektorze nie będzie wymagało zaangażowania deweloperów ani wydawania nowej wersji oprogramowania.

Nasze podejście

Sześcioetapowy proces z PostgreSQL jako jedynym źródłem prawdy

Patrząc z ogólnej perspektywy systemu jest celowo uproszczona i obejmuje sześć etapów: źródła, import, przechowywanie, ekstrakcję, wzbogacanie oraz prezentację danych. Cała złożoność została zamknięta wewnątrz poszczególnych kroków, a nie w połączeniach między nimi.

Dane wejściowe pochodzą z publicznych API zamówień publicznych oraz systemu CRM klienta. Cykliczne procesy importujące pobierają je co godzinę i zapisują surowe oraz ustrukturyzowane rekordy w bazie PostgreSQL, która stanowi jedyne źródło prawdy (Single Source of Truth) dla całej platformy. Warstwa ekstrakcji oparta na LLM odczytuje znormalizowane dokumenty z bazy i zapisuje w niej ustrukturyzowane pola danych. Następnie warstwa odpowiedzialna za cykliczne wzbogacanie danych (enrichment) oblicza scoring, odległości od kuchni oraz kontekst relacji z klientem. Frontend stworzony w React prezentuje wyniki na pulpitach dostosowanych do ról użytkowników, komunikując się z backendem w FastAPI i automatycznie przesyłając zakwalifikowane leady do systemu Salesforce.

Użycie LLM jako ekstraktora, a nie kwalifikatora leadów

Kluczową decyzją architektoniczną było całkowite oddzielenie zadań AI od logiki biznesowej.

Model LLM analizuje dokument i wypełnia ustrukturyzowany schemat danych: czas trwania kontraktu, termin składania ofert, rodzaj posiłków, wolumen zamówienia, lokalizację, prawdopodobieństwo ogłoszenia przetargu oraz zestaw pól z uzasadnieniem. Model nie ocenia jednak, czy dany lead jest wartościowy. Scoring odbywa się w osobnym kroku, w oparciu o deterministyczne, w pełni konfigurowalne reguły biznesowe. Flagi logiczne (boolean) dodają stałą liczbę punktów, pola numeryczne przydzielają punkty w zdefiniowanych przedziałach, a zbyt duża odległość od najbliższej kuchni skutkuje punktami ujemnymi. Osobno punktowana jest także dotychczasowa historia relacji pobrana z CRM.

Dzięki temu zespoły handlowe dokładnie widzą, z czego wynika ocena każdego leada. Jeśli biznes chce zmienić wagę danej kategorii, wystarczy edycja konfiguracji w panelu administratora. Aby przetestować nowe reguły, administrator duplikuje szablon i wdraża go jednym kliknięciem. Zmiana sposobu priorytetyzacji nie wymaga modyfikacji promptów ani dotrenowywania modeli AI.

Takie podejście gwarantuje pełną przewidywalność kosztów operacyjnych. Zapytania do LLM są wykonywane tylko raz – podczas pierwszej ekstrakcji dokumentu. Każda późniejsza zmiana reguł, przeliczenie punktacji czy filtrowanie odbywa się na ustrukturyzowanych danych w bazie PostgreSQL, bez generowania dodatkowych kosztów API.

Normalizacja PDF do Markdown przed analizą przez LLM

O jakości ekstrakcji decyduje proces przygotowania danych, zanim jeszcze trafią one do LLM. Dlatego pierwszym krokiem jest normalizacja wszystkich plików do formatu Markdown.

Dokumenty przetargowe najczęściej mają postać plików PDF (zarówno edytowalnych, jak i skanów), rzadziej HTML lub innych formatów. Nasz parser konwertuje je do spójnego formatu Markdown, z którego interpretacją modele LLM radzą sobie nieporównywalnie lepiej niż z surowym kodem HTML czy nieustrukturyzowanym tekstem z PDF. W przypadku dokumentów przekraczających okno kontekstowe system przetwarza je partiami, a następnie agreguje ustrukturyzowane wyniki w jeden spójny rekord. Rozmiar kontekstu, liczba fragmentów oraz wybór samego modelu są w pełni konfigurowalne z poziomu panelu administratora – dzięki temu system jest gotowy na przyszłe, bardziej wydajne modele AI.

Wczesne sygnały i opinie klientów z jednego strumienia dokumentów

Równolegle do monitorowania oficjalnych przetargów platforma przetwarza drugi, niezwykle cenny strumień danych: wczesne sygnały rynkowe oraz opinie o obecnych klientach.

Precyzyjnie dobrany zestaw słów kluczowych filtruje napływające dokumenty pod kątem branży cateringowej, a następnie model LLM klasyfikuje każde dopasowanie. Część z nich wskazuje na przyszłe zamówienia publiczne – np. plany zakupowe rad gminnych, alokacje budżetowe na wyżywienie w szkołach na kolejny rok czy uchwały o rewizji obecnych umów. Te informacje automatycznie generują wczesne leady i trafiają do działu handlowego.

Pozostałe dopasowania zawierają opinie o aktualnych dostawcach usług, co działa w dwie strony. Jeśli wymieniony w dokumencie podmiot to konkurencja, alert staje się szansą na przejęcie kontraktu. Wskazuje bowiem na niezadowoloną gminę lub placówkę, z którą warto nawiązać kontakt, zanim urzędnicy ogłoszą formalny przetarg. Jeśli dostawcą jest samo VielfaltMenü, alert działa jako wczesne ostrzeżenie przed odejściem klienta. Stopień krytyczności waha się od rutynowych wzmianek po tzw. „bomby” – czyli bezpośrednie, poważne skargi, które zagrażają utrzymaniu kontraktu. W takich przypadkach dział Customer Success musi reagować natychmiast. Oba typy alertów trafiają na dedykowany pulpit CS, automatycznie przefiltrowane według regionu przypisanego do danego agenta. Dodatkowo, analiza powtarzających się wzorców z wielu alertów daje zarządowi unikalny, bieżący wgląd w trendy i kierunek, w którym zmierza cały rynek.

Przypisywanie powiadomień do konkretnego konta w CRM to jedyny etap procesu, w którym celowo zachowaliśmy nadzór człowieka (human-in-the-loop). Model LLM wyodrębnia tekst opinii i sugeruje, którego rekordu w bazie dotyczy sprawa, ale ostateczne dopasowanie musi ręcznie zatwierdzić pracownik działu Customer Success. Ryzyko związane z błędnym przypisaniem skargi do niewłaściwego klienta było zbyt wysokie, by powierzyć tę decyzję w pełni autonomicznej sztucznej inteligencji.

Dedykowane panele dla poszczególnych ról z Salesforce jako centralnym rejestrem danych

Specyfika pracy w sprzedaży, obsłudze klienta i administracji wymaga zupełnie innych narzędzi, co znalazło odzwierciedlenie w interfejsie użytkownika. Nasza platforma nie zastępuje dotychczasowego systemu CRM – ona go zasila.

Dedykowany widok dla działu sprzedaży (Sales View) wyświetla spriorytetyzowane leady z możliwością filtrowania według klasyfikacji, oddziału, zakresu dat i źródła, wraz ze szczegółowym rozbiciem punktacji oraz bezpośrednimi odnośnikami do rekordów w Salesforce. Widok dla zespołu Customer Success prezentuje sklasyfikowane alerty o opiniach klientów, automatycznie zawężone do regionu operacyjnego danego agenta, oferując szybki dostęp do powiązanych kont Salesforce po zatwierdzeniu dopasowania. Panel Administratora to serce elastyczności systemu. Z tego poziomu administratorzy zarządzają strukturą oddziałów, aktualizują listy słów kluczowych, tworzą i aktywują szablony scoringowe, konfigurują parametry integracji oraz analizują logi audytowe. Każda zmiana w konfiguracji jest automatycznie wersjonowana.

Przed przesłaniem leada do CRM system umożliwia jego podgląd na żywo z uwzględnieniem list wyboru pobranych bezpośrednio z Salesforce. Gwarantuje to, że dane trafiające do bazy CRM są w 100% spójne z aktualnym modelem danych klienta. Ponadto algorytm scoringowy odczytuje dane o kontach i szansach sprzedaży bezpośrednio z Salesforce w czasie rzeczywistym, sprawdzając, czy nowy lead dotyczy obecnego klienta, i odpowiednio modyfikując jego priorytet.

Zgodność i zarządzanie wbudowane od pierwszego dnia

Dla niemieckich odbiorców z sektora publicznego i korporacyjnego zgodność z przepisami to kluczowe, samodzielne kryterium zakupowe. Dlatego potraktowaliśmy je jako fundamentalny wymóg architektoniczny już na etapie pierwszych szkiców projektowych. Pełna audytowalność, nadzór ludzki oraz precyzyjna kontrola dostępu stały się integralnymi cechami platformy.

• Sztuczna inteligencja ekstrahuje dane, ale nigdy nie podejmuje decyzji. Scoring, routing i priorytetyzacja opierają się na deterministycznych, konfigurowalnych regułach biznesowych. Dzięki temu każda decyzja systemu jest w pełni powtarzalna i wyjaśnialna (explainable AI).
• Każda operacja systemowa jest szczegółowo logowana. Aktywności użytkowników, zapytania do LLM, kalkulacje punktowe oraz procesy importu dokumentów są zapisywane z uwzględnieniem typu zdarzenia, użytkownika, dokładnego znacznika czasu oraz statusu wykonania – włącznie z liczbą zużytych tokenów i precyzyjnym kosztem każdego wywołania API.
• Konfiguracja podlega pełnemu wersjonowaniu. Zmiany w słowach kluczowych, szablonach scoringowych czy wagach poszczególnych kategorii są zapisywane jako wersjonowane pliki konfiguracyjne z poziomu panelu admina (a nie w kodzie źródłowym). Każda modyfikacja reguł ma więc swoją historię i przypisanego autora.
• Uprawnienia są ściśle ograniczone do roli i regionu. Przypisywanie leadów do oddziałów odbywa się automatycznie na podstawie kodów pocztowych i promienia dostaw danej kuchni. Dzięki temu użytkownicy mają dostęp wyłącznie do tych szans i alertów, które dotyczą ich obszaru odpowiedzialności.
• Kluczowe powiązania wymagają zatwierdzenia przez człowieka. Przypisanie negatywnej opinii publicznej do konkretnego konta klienta w CRM musi zostać potwierdzone przez agenta Customer Success – model AI pełni tu wyłącznie rolę doradczą.

Wyniki

Wdrożenie produkcyjne we wszystkich pięciu jednostkach regionalnych

System wchodzi w fazę produkcyjną we wszystkich pięciu oddziałach regionalnych VielfaltMenü. W ramach zamkniętego wdrożenia prawdziwi użytkownicy, realne szanse sprzedaży i rzeczywiste alerty o opiniach klientów przepływają przez platformę każdego dnia.

• W pełni funkcjonalna platforma AI do detekcji przetargów. Zespoły handlowe pracują wyłącznie na spriorytetyzowanych szansach sprzedaży zawężonych do ich regionu, specjaliści Customer Success otrzymują sklasyfikowane alerty z opiniami przypisanymi do ich kont, a administratorzy mają pełną kontrolę nad konfiguracją systemu bez konieczności angażowania inżynierów oprogramowania.
• Pełna elastyczność bez modyfikacji kodu. Listy słów kluczowych, szablony scoringowe, struktura oddziałów, lokalizacje kuchni, wagi poszczególnych kategorii oraz reguły powiadomień są edytowalne z poziomu panelu admina. Analityk biznesowy może samodzielnie dostroić system bez otwierania pull requestu.
• Audytowalne koszty infrastruktury AI. Kadra zarządzająca może na bieżąco monitorować koszty i zużycie tokenów bezpośrednio w logach audytowych, bez konieczności angażowania działu IT.
• Architektura zaprojektowana pod kątem wymogów compliance. Platforma oddziela ekstrakcję danych przez AI od deterministycznych decyzji biznesowych, zachowuje nadzór człowieka przy kluczowych powiązaniach, wersjonuje zmiany konfiguracji i rejestruje każdą akcję systemu. Zapewnia to klientowi bezpieczny i audytowalny model zarządzania procesami sprzedaży i obsługi klienta wspieranymi przez AI.
• Standaryzacja procesów handlowych w Salesforce. Realizacja tego projektu zredefiniowała procesy sprzedażowe klienta – Salesforce stał się centralnym repozytorium danych zarówno dla sprzedaży, jak i opinii klientów. Kategorie domenowe (źródło danych, typ kontraktu, region) zostały precyzyjnie odwzorowane w systemie, a zespoły handlowe oraz Customer Success przeszły kompleksowe szkolenie z nowych procedur. System CRM wspiera teraz planowanie budżetu i raportowanie dla zarządu, wykraczając daleko poza zwykłe śledzenie leadów.
• Platforma, która przerosła pierwotne założenia. VielfaltMenü wydzieliło produkt do osobnej spółki technologicznej, aby licencjonować oprogramowanie w modelu SaaS innym podmiotom startującym w przetargach publicznych – zarówno w branży cateringowej, jak i w innych sektorach B2G. Sukces ten był możliwy wyłącznie dzięki temu, że od pierwszego dnia projektowaliśmy system jako uniwersalną platformę.

Trzy lekcje z wdrażania produktów AI, które budują zaufanie

Wszystkie trzy wnioski wynikają bezpośrednio z doświadczeń przy budowie tej platformy i stanowią uniwersalne zasady wdrażania systemów AI klasy enterprise.

• W erze AI uniwersalność wygrywa z rozwiązaniami szytymi na miarę. Konfigurowalny scoring, elastyczne zarządzanie słowami kluczowymi i wyodrębnienie logiki oddziałów wymagają większych nakładów na starcie, ale inwestycja ta zwraca się już w pierwszych miesiącach. Gdy klient chce dostroić punktację, przetestować nowe słowa kluczowe lub dodać region, platforma przyjmuje te zmiany natychmiast, bez konieczności uruchamiania cyklu wydawniczego.
• Wykorzystuj LLM jako ekstraktor danych, a nie narzędzie kwalifikacji leadów. Niech model AI odpowiada wyłącznie za wypełnianie ustrukturyzowanego schematu danych. Scoring i routing powinny opierać się na deterministycznych, konfigurowalnych regułach biznesowych. Dzięki temu każda decyzja systemu pozostaje w pełni audytowalna, a zmiana wag czy kryteriów to kwestia zwykłej konfiguracji, a nie ponownego trenowania modeli.
• Zgodność z przepisami (compliance) to kluczowy feature produktu. W środowiskach B2G i enterprise logi audytowe, kontrola dostępu oparta na rolach (RBAC), nadzór człowieka oraz konfigurowalna logika decyzyjna to fundamenty budujące zaufanie do systemu. To właśnie te elementy decydują o tym, czy działające demo technologiczne przekształci się w system produkcyjny, który pomyślnie przejdzie audyt bezpieczeństwa i compliance u klienta.

Podsumowanie

VielfaltMenü zgłosiło się do nas z wyzwaniem w obszarze retencji i akwizycji klientów. Choć na pierwszy rzut oka problem wydawał się czysto sprzedażowy, w rzeczywistości dotyczył on asymetrii informacji i braku dostępu do wczesnych sygnałów rynkowych. Zaprojektowaliśmy i wdrożyliśmy system, który automatyzuje ten proces od początku do końca. Platforma pobiera dane z publicznych źródeł, przechowuje surowe rekordy, a następnie ekstrahuje kluczowe informacje do ustrukturyzowanych pól za pomocą precyzyjnie sprofilowanego modelu LLM. Dane te są wzbogacane o deterministyczny scoring oraz routing, a ostateczne wyniki trafiają na dedykowane pulpity dostosowane do ról użytkowników. Rola sztucznej inteligencji została celowo zawężona, logika biznesowa pozostaje w 100% przejrzysta i audytowalna, a pełna kontrola nad konfiguracją reguł spoczywa w rękach klienta. Platforma jest obecnie wdrażana we wszystkich pięciu oddziałach regionalnych VielfaltMenü. Klient dostrzegł w niej tak ogromny potencjał komercyjny, że zdecydował o wydzieleniu projektu do osobnej, niezależnej spółki technologicznej.