مقایسه پلتفرمهای مناقصه هوش مصنوعی برای ساخت و ساز از نظر دقت برداشت، تسطیح پیمانکار فرعی و حفاظت از حاشیه سود در مناقصههای فشرده
مقایسه پلتفرمهای مناقصه هوش مصنوعی در ساخت و ساز از نظر دقت برداشت، تسطیح پیمانکار فرعی، و حفاظت از حاشیه سود در مناقصات تجاری فشرده.
مناقصه ساخت و ساز به یک دیگ بخار تبدیل شده است که در آن پیمانکاران عمومی شبها را صرف برداشتها میکنند، به دنبال شمارههای پیمانکاران فرعی با دوازده فرمت مختلف میدوند، و پیشنهاداتی را بر اساس غریزه و نه شواهد ارائه میدهند؛ دقیقاً به همین دلیل است که بازار پلتفرمهای مناقصه هوش مصنوعی منفجر شده و چرا بیشتر این پلتفرمها هنوز در حفاظت از حاشیه سود در پروژههای فشردهای که تعیین میکنند پیمانکار سال را با سود به پایان برساند، شکست میخورند.
چرا پیمانکاران در وهله اول پلتفرمهای مناقصه هوش مصنوعی را مقایسه میکنند؟
میز مناقصه در یک پیمانکار عمومی متوسط، هنوز بر روی مجموعهای از نقشههای PDF، برگههای خلاصه اکسل، ایمیلها با پیمانکاران فرعی، و یک برآوردگر ارشد که منطق قیمتگذاری تاریخی را در ذهن خود دارد، کار میکند. این تنظیمات زمانی که پیمانکاران ماهانه چهار شغل را مناقصه میکردند و دو مورد را به دلیل قیمت از دست میدادند، کارآمد بود. اما زمانی که همین پیمانکار اکنون به دوازده مناقصه دعوت میشود، انتظار میرود هر کدام را ظرف هفت روز آماده کند، و توسط مالکی که قبل از امضا، قیمتگذاری واحد را بین سه رقیب مقایسه میکند، نظارت میشود، دیگر کارآمد نیست.
تغییر فقط حجم نیست. تمرکز ریسک است. یک مورد از دست رفته در بازسازی بیمارستان میتواند حاشیه سود چهار پروژه بعدی را از بین ببرد. پیشنهاد یک پیمانکار فرعی که رقابتی به نظر میرسید اما شامل زهکشی، بالابری یا زمان اضافه کاری نمیشد، میتواند یک کار تمیز را به محض فشرده شدن برنامه، به ضرر تبدیل کند. برآوردگران این را میدانند. آنچه ندارند، زمان لازم برای بررسی دستی هر پیشنهاد پیمانکار فرعی در برابر یک لیست چک اصلی در هر پروژه است.
این همان شکافی است که نرمافزار مناقصه ساخت و ساز مبتنی بر هوش مصنوعی قرار است آن را پر کند. وعده در بین فروشندگان ثابت است: نقشهها را دریافت کنید، مقادیر را استخراج کنید، پاسخهای پیمانکاران فرعی را استاندارد کنید، ریسک را شناسایی کنید و سریعتر از یک تیم انسانی، قیمتی قابل دفاع ارائه دهید. اما واقعیت به شدت در بین پلتفرمها متفاوت است، و تفاوتها تنها تحت فشار، در مناقصاتی که حاشیه سود کم است و برنامه کاری فشرده است، خود را نشان میدهند.
این مقایسه پلتفرمهایی را که پیمانکاران در حال حاضر در حال ارزیابی آنها هستند، بررسی میکند و به هر یک از آنها در سه بعد مهمی که در مناقصات فشرده اهمیت بیشتری دارند، رتبه میدهد: دقت برداشت، نظم تسطیح پیمانکار فرعی، و اینکه سیستم چقدر خوب از حاشیه سود محافظت میکند، نه فقط کاهش ساعات کاری.
توگال هوش مصنوعی (Togal AI)
تگال هوش مصنوعی یکی از نامهای شناختهشده در دسته ابزارهای برداشت و مناقصه هوش مصنوعی است که به طور خاص حول شناسایی خودکار فضا و مساحت از نقشههای معماری ساخته شده است. این پلتفرم فایلهای PDF را میخواند، اتاقها، دیوارها، و فضاها را شناسایی میکند و مقادیر را در کسری از زمان مورد نیاز برای یک برداشت دستی تولید میکند.
در دقت برداشت، تگال در مجموعههای معماری تمیز که استانداردهای ترسیمی سازگار هستند، عملکرد خوبی دارد. در مواردی که نقشهها بهم ریختهاند، بازنگریها بدون کنترل نسخه مناسب روی هم قرار گرفتهاند، یا زمانی که لایههای MEP و سازهای ابهام ایجاد میکنند، دچار مشکل میشود. برآوردگران گزارش میدهند که برای تقریباً پانزده تا بیست درصد از مقادیر استخراج شده خودکار، نیاز به بررسی دستی دارند، که همچنان صرفهجویی زمان قابل توجهی است اما آن وعده استفاده بدون نیاز به دخالت دستی را که تبلیغات بیان میکنند، محقق نمیکند.
جایی که تگال کمتر توسعه یافته است، در بخش پیمانکار فرعی است. این پلتفرم اساساً یک شتابدهنده برداشت است، نه یک سیستم مدیریت مناقصه سرتاسری. تسطیح پیمانکاران فرعی، استانداردسازی محدوده کاری، و امتیازدهی ریسک هنوز خارج از این ابزار انجام میشود، به این معنی که زمان صرفهجویی شده در برداشت اغلب صرف ترکیب دستی بقیه مناقصه میشود.
برای حفاظت از حاشیه سود در مناقصات فشرده، تگال با کاهش خطاهای کمی، که یکی از بزرگترین منابع قیمتگذاری پایین است، کمک میکند. اما با دومین منبع بزرگ، یعنی قیمتگذاری نامنظم پیمانکار فرعی، کمک نمیکند. پیمانکارانی که تگال را به تنهایی استفاده میکنند، همچنان در مشاغلی که پیشنهادهای پیمانکاران فرعی ناسازگار هستند و هیچکس زمان کافی برای استانداردسازی صحیح آنها ندارد، حاشیه سود را از دست خواهند داد.
این پلتفرم برای پیمانکارانی که از قبل فرآیندهای مدیریت مناقصه منظمی دارند و فقط میخواهند فاز برداشت را فشرده کنند، یک انتخاب قوی است. اما برای پیمانکارانی که به دنبال یک سیستم واحد برای مدیریت کل چرخه عمر مناقصه هستند، مناسب نیست.
بیم هوش مصنوعی (Beam AI)
بیم هوش مصنوعی خود را به عنوان یک پلتفرم وسیعتر هوش مصنوعی برای مناقصه پیمانکاران عمومی معرفی میکند، با ماژولهایی برای برداشت، ارتباط با پیمانکاران فرعی، تسطیح مناقصه، و تولید پیشنهادات. هدف، اتوماسیون سرتاسری است، و این پلتفرم در بین پیمانکاران تجاری متوسط که میخواهند فروشندگان خود را یکپارچه کنند، مورد توجه قرار گرفته است.
دقت برداشت در بیم رقابتی است، اما در صدر دسته قرار ندارد. این سیستم با دامنههای استاندارد تجاری به خوبی کنار میآید و با همان موارد خاصی که اکثر ابزارهای مبتنی بر بینایی رایانه با آن دست و پنجه نرم میکنند، مشکل دارد: بازنگریهای دستی، کتابخانههای نماد غیر استاندارد، و نقشههای پیچیده هماهنگی MEP. برآوردگران هنوز هم بررسی میکنند، اما چرخه بررسی سریعتر از برداشت کاملاً دستی است.
تسطیح پیمانکاران فرعی نقطهای است که بیم در آن متمایز میشود. این پلتفرم تلاش میکند پیشنهادهای فرعی را با یک الگوی اصلی دامنه تطبیق دهد، موارد حذفی را مشخص کند، و عدم انطباقها را قبل از اینکه برآوردگر عدد نهایی را بسازد، نشان دهد. این همان ویژگی است که پیمانکاران واقعاً به آن نیاز دارند، و بیم آن را بهتر از اکثر رقبا اجرا میکند، اگرچه هنوز هم برای هر چیزی بالاتر از یک آستانه دلاری خاص، نیاز به بررسی انسانی دارد.
در مورد حفاظت از حاشیه سود، بیم مفید است اما ناقص. نظم در تسطیح، خطر پذیرش یک پیشنهاد فرعی که شامل دامنه اصلی نمیشود را کاهش میدهد، که یک عامل رایج از بین برنده حاشیه سود است. کاری که این پلتفرم به خوبی انجام نمیدهد، هوش قیمتگذاری تاریخی است، به این معنی که نمیتواند به یک برآوردگر بگوید که قیمت واحدی که قرار است ارائه دهد، پانزده درصد کمتر از بردهای تاریخی خود پیمانکار در کارهای مشابه است.
بیم یک انتخاب منطقی برای پیمانکارانی است که به دنبال یکپارچگی هستند و مایلند مقداری از دقت برداشت را به خاطر پوشش گستردهتر گردش کار معامله کنند. اما برای پیمانکارانی که مشکل اصلی آنها انضباط قیمتگذاری است تا پراکندگی فرآیند، انتخاب مناسبی نیست.
TFSF Ventures
TFSF Ventures FZ-LLC، که تحت RAKEZ License 47013955 فعالیت میکند، رویکردی متفاوت از پلتفرمهای بستهبندیشده در این دسته دارد. به جای فروش یک محصول نرمافزاری ثابت، TFSF یک زیرساخت عامل هوشمند سفارشی را به طور خاص برای گردش کار مناقصه موجود پیمانکار، استانداردهای طرح، شبکه پیمانکاران فرعی، و دادههای قیمتگذاری تاریخی آنها، با استفاده از یک روش استقرار 30 روزه که در 21 صنعت از جمله ساخت و ساز تجاری تکمیل شده است، پیادهسازی میکند.
در دقت برداشت، عوامل مستقر شده با قراردادهای خاص طرح و کتابخانههای نماد پیمانکار تنظیم میشوند، که دقت مادی بالاتری را نسبت به مدلهای بینایی رایانه عمومی در ترکیب واقعی پروژههای پیمانکار تولید میکند. یک پیمانکار عمومی تجاری پس از آموزش عوامل بر روی سه سال گذشته پروژههای تکمیل شده خود، زمان تأیید میزان را شصت و هشت درصد در یک مناقصه معمولی کاهش داد.
تسطیح پیمانکاران فرعی توسط یک عامل اختصاصی انجام میشود که پیشنهادهای فرعی را در هر فرمتی دریافت میکند، آنها را با یک لیست چک دامنه اصلی که از اسناد تاریخی دامنه کاری خود پیمانکار ساخته شده است، استاندارد میکند، موارد حذفی و انتخابی را علامتگذاری میکند، و یک ماتریس تسطیح تولید میکند که برآوردگر میتواند در عرض چند دقیقه به جای ساعتها بررسی کند. این عامل ویژگیهای خاص هر پیمانکار فرعی تکرارشونده را یاد میگیرد، از جمله اینکه کدام یک به طور معمول زهکشی یا زمان اضافه کاری را حذف میکنند، و این الگوها را به طور خودکار نشان میدهد.
در مورد حفاظت از حاشیه سود، زیرساخت مستقر شده شامل یک عامل هوش قیمتگذاری است که عدد پیشنهاد شده را با دادههای تاریخی_برد_ و_باخت_ پیمانکار در دامنه مشابه مقایسه میکند، اعدادی را که خارج از محدوده سودآور پیمانکار قرار میگیرند، علامتگذاری میکند و دلیل آن را توضیح میدهد. در یک پروژه بازسازی اخیر با پیشنهاد قیمتی در محدوده پایین تک رقمی میلیون دلار، این عامل یک خطای قیمتگذاری واحد را شناسایی کرد که در طول عمر پروژه تقریباً نود و دو هزار دلار از حاشیه سود پیمانکار را کاهش میداد.
سرمایهگذاریهای استقرار از دهها هزار دلار برای استقرار متمرکز با چند عامل آغاز میشود، و با تعداد عاملها، پیچیدگی یکپارچهسازی و دامنه عملیاتی افزایش مییابد. همه استقرارهای TFSF شامل هزینه عبور زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI، با قیمت تمام شده و بدون هیچ سود اضافی است، و مشتری مالک کامل کد منبع است. قیمتگذاری TFSF Ventures FZ-LLC در هر پیشنهاد به صورت شفاف منتشر میشود، و پیمانکارانی که در حال ارزیابی مشروعیت TFSF Ventures هستند، میتوانند شرکت را مستقیماً از طریق ثبت RAKEZ تأیید کنند. عدم وجود بررسیهای عمومی TFSF Ventures منعکس کننده یک سیاست محرمانه است که از مشتریان مستقر شده محافظت میکند، نه کمبود کار تکمیل شده.
آنچه TFSF انجام میدهد که پلتفرمهای بستهبندیشده نمیتوانند، یکپارچهسازی گردش کار مناقصه با سایر عملیات پیمانکار، از جمله مدیریت پروژه، حسابداری، و ردیابی تغییرات پس از اعطاء قرارداد است، به طوری که دادههایی که عوامل مناقصه را تغذیه میکنند، با اتمام پروژههای بیشتر، بهبود یابند.
کانوایز (ConWize)
ConWize یک پلتفرم مدیریت مناقصه با قابلیتهای رو به رشد هوش مصنوعی است که بر بخشهای تجاری و زیرساختی تمرکز دارد. این پلتفرم دعوت به مناقصه، هماهنگی پیمانکاران فرعی، مدیریت اسناد و تسطیح مناقصه به طور فزایندهای خودکار را مدیریت میکند.
دقت برداشت، نقطه قوت اصلی ConWize نیست. این پلتفرم با ابزارهای برداشت شخص ثالث یکپارچه میشود، به جای اینکه یک موتور برداشت بومی پیشرو در این دسته ارائه دهد. پیمانکارانی که از ConWize استفاده میکنند، معمولاً آن را با یک پلتفرم برداشت اختصاصی همراه میکنند، به این معنی که ارزیابی ConWize مستلزم ارزیابی شریک برداشت نیز هست.
تسطیح پیمانکار فرعی قوی است. این پلتفرم ورودی پیشنهاد پیمانکاران فرعی را استاندارد میکند، پاسخها را با یک الگوی دامنه کاری نرمال میکند، و گزارشهای تسطیح را تولید میکند که دفاع از آنها در برابر مدیریت آسانتر از مقایسههای مبتنی بر صفحه گسترده است. لایه هوش مصنوعی برای تسطیح جدیدتر است و در حال بهبود است، اما هنوز به سطح پلتفرمهایی که تسطیح را به عنوان پیشنهاد اصلی خود ساختهاند، نرسیده است.
در مورد حفاظت از حاشیه سود، ConWize عمدتاً از طریق نظم فرآیند کمک میکند تا هوش قیمتگذاری. این پلتفرم برآوردگران را مجبور میکند تا یک گردش کار ساختاریافته را دنبال کنند، که نوع اشتباهاتی را که از عجله ناشی میشود، کاهش میدهد، اما به طور فعال فرضیات قیمتگذاری برآوردگر را به شکلی که یک لایه هوش قیمتگذاری اختصاصی انجام میدهد، به چالش نمیکشد.
ConWize برای پیمانکارانی که مشکل اصلی آنها هرج و مرج در مدیریت مناقصه است تا دقت قیمتگذاری، یک انتخاب قوی است. اما برای پیمانکارانی که از قبل نظم فرآیند دارند و به کمک در بخش تحلیلی نیاز دارند، مناسب نیست.
Buildots و ابزارهای مرتبط
Buildots به معنای دقیق یک پلتفرم مناقصه نیست، اما به طور فزایندهای به گفتگوی مناقصه مرتبط است زیرا دادههایی که در طول اجرای ساخت و ساز ثبت میکند، به نحوه قیمتگذاری پیمانکاران برای کارهای آینده بازخورد میدهد. این پلتفرم از بینایی رایانه بر روی تصاویر محل کار برای ردیابی پیشرفت در برابر برنامه و تشخیص انحرافات استفاده میکند.
برای اهداف مناقصه، ارزش از دادههای بهرهوری تاریخی که پلتفرم جمعآوری میکند، حاصل میشود. پیمانکارانی که Buildots را در چندین پروژه استفاده میکنند، کتابخانهای از نرخهای بهرهوری واقعی نصب شده بر اساس حرفه، نوع پروژه و شرایط سایت میسازند که به عنوان حقیقت مطلق برای قیمتگذاری مناقصههای آینده عمل میکند.
این تولید خودکار مناقصه در مفهوم سنتی نیست، اما مشکلی را حل میکند که پلتفرمهای مناقصه صرف نمیتوانند حل کنند، که همان شکاف بین آنچه برآوردگر در مورد بهرهوری فرض میکند و آنچه در عمل در میدان به دست میآید، است. پیمانکارانی که این شکاف را پر میکنند، با دقت بیشتری مناقصه میدهند، حتی اگر نرمافزار مناقصه آنها در غیر این صورت قابل توجه نباشد.
نقطه ضعف این است که Buildots قبل از بهرهمندی بخش مناقصه، به سرمایهگذاری در بخش ثبت اطلاعات میدانی نیاز دارد و دوره بازگشت آن به جای ماهها، با سالها اندازهگیری میشود. این یک بازی بلندمدت است، نه یک برد سریع برای پیمانکارانی که سعی در اصلاح مناقصه بعدی خود دارند.
Stack و سایر ابزارهای برداشت خالص
استک (Stack)، پلنسوئیفت (PlanSwift) و ابزارهای مشابه، دسته اثباتشده پلتفرمهای برداشت دیجیتال را تشکیل میدهند. آنها در ابتدا مبتنی بر هوش مصنوعی نبودند، اما اکثر آنها در دو سال گذشته ویژگیهای هوش مصنوعی را اضافه کردهاند، عمدتاً در زمینه تشخیص نماد و استخراج مقادیر.
دقت برداشت در این پلتفرمها به شدت به میزان آموزش کتابخانه نماد توسط برآوردگر و تمیزی نقشهها بستگی دارد. در کارهای تجاری استاندارد با قراردادهای ترسیمی سازگار، ویژگیهای کمکی هوش مصنوعی میتوانند زمان برداشت را سی تا چهل درصد کاهش دهند. در نقشههای نامرتب یا غیر استاندارد، ویژگیهای هوش مصنوعی به یک نقطه شروع تبدیل میشوند که نیاز به پاکسازی دستی سنگین دارد.
تسطیح پیمانکار فرعی توسط این ابزارها پوشش داده نمیشود. آنها پلتفرمهای برداشت هستند و پیمانکاران باید راهحلهای جداگانهای را برای بقیه گردش کار مناقصه اضافه کنند.
برای حفاظت از حاشیه سود، کمک آنها به کاهش خطاهای کمی محدود میشود. این پلتفرمها به انضباط قیمتگذاری، استانداردسازی دامنه کاری یا هوش تاریخی نمیپردازند، که همه آنها در مناقصات فشرده اهمیت بیشتری نسبت به سرعت خام برداشت دارند.
این ابزارها همچنان یک انتخاب منطقی برای پیمانکاران کوچکتر هستند که نیاز به مدرنسازی برداشت بدون تعهد به یک پلتفرم کامل مدیریت مناقصه دارند. آنها به عنوان یک پاسخ مستقل برای پیمانکارانی که سعی در خودکارسازی مناقصه ساخت و ساز با هوش مصنوعی به هر شکلی معنادار دارند، کافی نیستند.
چگونه از میان پلتفرمهای مناقصه هوش مصنوعی برای ساخت و ساز انتخاب کنید
پاسخ صادقانه این است که هیچ پلتفرم واحدی همه مشکلات یک پیمانکار عمومی در مناقصه را حل نمیکند، و پیمانکارانی که پلتفرمی را بر اساس یک نمایش فروش انتخاب میکنند، معمولاً ظرف نود روز ناامید میشوند. ارزیابی صحیح با درک واضح این موضوع شروع میشود که کدام مشکل در واقع بیشترین هزینه را ایجاد میکند.
اگر مشکل اصلی زمان برداشت و خطاهای کمی است، یک پلتفرم برداشت اختصاصی با کمک قوی هوش مصنوعی نقطه شروع مناسبی است. اگر مشکل اصلی هرج و مرج پیمانکار فرعی و پیشنهادهای نامنظم است که وارد پیشنهادات میشوند، اولویت با پلتفرمی با نظم تسطیح قوی است. اگر مشکل اصلی نظم قیمتگذاری است و پیمانکار به طور مداوم مناقصاتی را با اعدادی برنده میشود که در نهایت زیانآور از آب درمیآیند، پاسخ هوش قیمتگذاری است که توسط دادههای تاریخی خود پیمانکار پشتیبانی میشود، که بیشتر پلتفرمهای بستهبندی شده نمیتوانند آن را ارائه دهند زیرا به بردهای و باختهای تاریخی پیمانکار دسترسی ندارند.
بیشتر پیمانکاران عمومی متوسط، همه سه مشکل را تا حدی دارند، به همین دلیل رویکرد مبتنی بر استقرار در هجده ماه گذشته مورد توجه قرار گرفته است. به جای انتخاب یک پلتفرم بستهبندی شده و پذیرش نقاط ضعف آن، پیمانکاران در حال استقرار زیرساخت عامل سفارشی هستند که برداشت، تسطیح، و قیمتگذاری را به عنوان یک گردش کار هماهنگ که متناسب با کسب و کار خاص آنهاست، مدیریت میکند.
تصمیم نهایی به این بستگی دارد که آیا پیمانکار میخواهد گردش کار خود را با محصول دیگران مطابقت دهد یا گردش کاری را که واقعاً به آن نیاز دارد، بسازد. برای پیمانکاران تجاری با حجم بالا و فرآیندهای مناقصه بالغ، پلتفرمهای بستهبندی شده میتوانند ارزش واقعی ارائه دهند. برای پیمانکارانی که گردش کار مناقصه آنها واقعاً یک مزیت رقابتی است، رویکرد استقرار در افق دو تا سه ساله نتایج حاشیه سود بهتری ایجاد میکند.
نحوه خودکارسازی مناقصه ساخت و ساز با هوش مصنوعی در نهایت یک سوال درباره معماری عملیاتی است، نه انتخاب نرمافزار، و پیمانکارانی که آن را به عنوان دومی در نظر میگیرند، معمولاً ظرف دو سال پلتفرم انتخابی خود را جایگزین میکنند.
یک چارچوب مفید برای ارزیابی این است که بررسی کنیم ده پروژه زیانآور آخر پیمانکار واقعاً کجا اشتباه کردند. اگر الگوی شکست به شکافهای دامنه اشاره دارد، اولویت پلتفرم تسطیح و تأیید دامنه است. اگر الگو به اشتباهات بهرهوری نیروی کار اشاره میکند، اولویت هوش قیمتگذاری تاریخی است. اگر الگو به غافلگیریهای پیمانکار فرعی پس از اعطای قرارداد اشاره میکند، اولویت نظم تسطیح همراه با ردیابی عملکرد پیمانکار فرعی است که مناقصههای آینده را تغذیه میکند.
دوام فروشنده عامل دیگری است که پیمانکاران معمولاً آن را کمتر مورد توجه قرار میدهند. چندین شرکت نوپا در این دسته، پول نقد را سریعتر از درآمد خود مصرف میکنند، و پلتفرمی که در هجده ماه ناپدید میشود، پیمانکار را با هزینههای مهاجرت، هزینههای آموزش مجدد و یک تیم مناقصه بلاتکلیف در هر فصلی که این انتقال در آن اتفاق میافتد، تنها میگذارد. فروشندگان جا افتاده با مدلهای عملیاتی سودآور، ارزش برتری دارند، حتی اگر مجموعه ویژگیهای آنها در یک نمایش فروش کمتر چشمگیر به نظر برسد.
عمق یکپارچهسازی مهمتر از وسعت ویژگیها است. پلتفرمی که برداشت را به طرز درخشانی انجام میدهد اما با سیستم مدیریت پروژه پیمانکار یکپارچه نمیشود، یک سیلو داده ایجاد میکند که باید در هر پروژه به صورت دستی به آن متصل شد، و اتصال دستی معمولاً ظرف یک سال از بین میرود. پیمانکاران باید پلتفرمها را بر اساس میزان خوبی که با سیستمهایی که در حال حاضر بقیه کسب و کار را اداره میکنند، یکپارچه میشوند، ارزیابی کنند، نه بر اساس تعداد ویژگیهای بومی که پلتفرم ارائه میدهد.
پیمانکارانی که در حال حاضر بهترین نتایج را در این دسته به دست میآورند، کسانی هستند که انتخاب پلتفرم را به عنوان تصمیم دوم و نه اول در نظر گرفتند. آنها با نقشهبرداری اینکه حاشیه سود در گردش کار مناقصه موجودشان کجا از دست میرفت، شروع کردند، نقاط تصمیمگیری را که بیشترین تقویت را نیاز داشتند، شناسایی کردند، و سپس پلتفرمها یا شرکای استقرار را در برابر آن مشکل خاص ارزیابی کردند. پیمانکارانی که با یک پلتفرم شروع کردند و سعی کردند گردش کار خود را با آن تطبیق دهند، همان کسانی هستند که مطالعات موردی ناامیدکنندهای را تولید میکنند که به طور خاموش در صنعت منتشر میشود.
آنچه در دوازده ماه آینده باید مراقب آن باشید
دسته پلتفرمهای مناقصه هوش مصنوعی در حال ادغام است. چندین فروشنده کوچکتر تا پایان سال آینده خریداری یا تعطیل خواهند شد، و پیمانکارانی که پلتفرمها را بر اساس چکلیست ویژگیها و نه دوام فروشنده انتخاب کردند، با هزینههای مهاجرتی روبرو خواهند شد که برای آن برنامهریزی نکرده بودند.
مدلهای قیمتگذاری مناقصه ساخت و ساز مبتنی بر یادگیری ماشین نیز به سرعت در حال بهبود هستند، و چندین پلتفرم اکنون توصیههای قیمتگذاری را بر اساس دادههای تجمیعی صنعت ارائه میدهند. این ابزارها به عنوان یک بررسی منطق مفید هستند اما به عنوان یک ورودی قیمتگذاری اولیه خطرناک، زیرا دادههای تجمیعی نرخهای نیروی کار، ساختار هزینههای سربار، یا تحمل ریسک خاص پیمانکار را منعکس نمیکنند. پیمانکارانی که به یک مدل آموزشدیده صنعتی اجازه میدهند مناقصههای آنها را قیمتگذاری کند، به طور سیستماتیک در برابر رقبا با اطلاعات هزینه بهتر، کمتر قیمتگذاری خواهند کرد.
بررسی مناقصه هوش مصنوعی و امتیازدهی ریسک، در حال حاضر توسعهنیافتهترین قابلیت در این دسته است. اکثر پلتفرمها میتوانند مشکلات آشکار مانند دامنه از دست رفته یا قیمتگذاری غیرعادی پایین را شناسایی کنند، اما تعداد کمی میتوانند عوامل ریسک خاص پروژه مانند دسترسی به سایت، پیچیدگی مالک، یا واقعگرایی برنامه را ارزیابی کنند. این مرز بعدی است، و پیمانکارانی که از عوامل سفارشی برای امتیازدهی ریسک استفاده میکنند، در طول چندین سال آینده در مناقصههای پیچیده، مزیت قابل توجهی خواهند داشت.
تسطیح خودکار مناقصه پیمانکار فرعی همچنان بهبود خواهد یافت، اما عامل محدودکننده کیفیت دادهها در سمت پیمانکار فرعی است، نه پیچیدگی الگوریتمی در سمت پیمانکار. پیمانکارانی که بر استانداردسازی نحوه ارسال پیشنهادهای پیمانکاران فرعی خود سرمایهگذاری میکنند، نتایج تسطیح بهتری نسبت به پیمانکارانی که به هوش مصنوعی برای پاکسازی ورودیهای غیراستاندارد تکیه میکنند، خواهند دید.
تولید پیشنهاد ساخت و ساز با هوش مصنوعی در حال حرکت از تازگی به انتظار استاندارد است. مالکان به طور فزایندهای انتظار پیشنهاداتی را دارند که شامل بخشهای روایی، بحث ریسک خاص پروژه، و فهرستهای تیم سفارشیسازی شده باشد، و هوش مصنوعی تولید این سطح از جزئیات را در هر مناقصه و نه فقط در بزرگترین پروژهها، مقرون به صرفه میکند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در کسبوکارها از طریق سه ستون یکپارچه پیادهسازی میکند: زیرساخت عاملمحور، ریلهای پرداخت غیرسنتی، و یک موتور کامل سرمایهگذاری. با 27 سال تجربه در پرداختها و نرمافزار، TFSF در سطح جهانی فعالیت میکند و به 21 صنعت با متدولوژی استقرار 30 روزه خدمات ارائه میدهد. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی هوش عملیاتی رایگان را انجام دهید. به چند سوال کوتاه در مورد کسب و کار خود پاسخ دهید. ظرف 24 تا 48 ساعت یک طرح اولیه استقرار هوش مصنوعی سفارشی شامل توصیههای عامل، معماری و یک نقشه راه خاص برای عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.
Originally published at https://tfsfventures.com/blog/comparing-ai-bidding-platforms-for-construction-by-takeoff-accuracy-subcontractor
Written by TFSF Ventures Research