# 自动竞标调研系统设计 / Auto Bidding Competitor Research System 本文档描述“自动竞标调研系统”的目标、模块设计、数据管道与算法框架，用于识别潜在竞标对手、构建投标画像、进行胜率分析并生成投标策略报告。 --- ## 1. 优化设计总览 ``` ┌─────────────────────────────────────────────────────────────────┐ │ 自动竞标调研系统 │ │ Auto Bidding Competitor Research System │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ 竞标对手 │ → │ 投标画像 │ → │ 胜率分析 │ │ │ │ 识别 │ │ 采集 │ │ 引擎 │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ ↓ ↓ ↓ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ • 同类项目中标 │ │ • 历史投标记录 │ │ • 中标概率 │ │ │ │ • 资质匹配 │ │ • 报价习惯 │ │ • 报价策略 │ │ │ │ • 区域活跃度 │ │ • 技术路线 │ │ • 差异化建议 │ │ │ │ • 业绩相似度 │ │ • 核心团队 │ │ • 风险预警 │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ ↓ │ │ ┌──────────────────────┐ │ │ │ 竞标分析报告生成 │ │ │ │ 投标策略 + 定价建议 │ │ │ └──────────────────────┘ │ └─────────────────────────────────────────────────────────────────┘ ``` --- ## 2. 目标与边界 ### 2.1 目标 - 自动识别竞标对手，覆盖历史中标、资质匹配、区域活跃的潜在企业。 - 建立对手投标画像，沉淀其报价习惯、技术路线与核心团队能力。 - 基于我方与对手特征，评估中标概率并给出策略建议。 - 自动生成竞标分析报告，支持业务快速决策。 ### 2.2 边界 - 不代替最终人工判断，输出为“建议 + 风险提示”。 - 对外部站点采集遵循合规原则，优先公开信息与授权数据源。 - 算法支持解释性优先，避免黑盒输出无法追溯。 --- ## 3. 数据源与数据资产 ### 3.1 数据源类型 - 政府/公共资源交易平台公告、招标文件、中标结果 - 企业资质库、工商信息、信用记录 - 历史投标与中标记录（内部沉淀） - 竞品站与行业平台（自动调研模块补充） ### 3.2 数据资产 - BidProject（标的项目库） - Bidder（投标人库） - BidRecord（投标记录） - WinningRecord（中标记录） - CompetitorProfile（竞标画像） ### 3.3 数据采集与更新策略 - 采集频率：公告与中标结果按日更新；行业报告与竞品站按周/月更新。 - 事件驱动：新项目立项、项目变更、竞争对手信息变动触发增量更新。 - 版本管理：同一项目与企业信息保留版本与时间戳，支持回溯。 - 去重与清洗：按项目编号/公告ID/企业统一社会信用代码去重。 - 结构化抽取：从公告/文件中抽取预算、资质门槛、评分细则、工期等字段。 ### 3.4 数据质量与可信度 - 完整性：关键字段缺失率监控（预算、资质、地区、时间）。 - 新鲜度：设定数据“过期天数”，超过阈值降权处理。 - 一致性：企业名称与证照编号一致校验；项目编号唯一性校验。 - 可信度评分：对来源赋权（官方公告 > 省级平台 > 第三方抓取）。 --- ## 4. 核心模块设计 ### 4.1 竞标对手识别（Identify Bidders） 识别逻辑的优先级与策略： 1) **同类项目中标企业**：按项目类型、标的规模、行业属性筛选历史中标者 2) **资质匹配企业**：依据项目资质门槛匹配企业资质证书 3) **区域活跃企业**：按地域 + 近一年投标活跃度排序 4) **业绩相似度**：相似业绩（规模、范围、工期）综合评分 输出为候选竞标对手列表（含评分与来源解释）。 候选评分（示例）： ``` CandidateScore = 0.35 * HistoricalWinScore + 0.25 * QualificationMatch + 0.20 * RegionalActivity + 0.20 * PerformanceSimilarity ``` ### 4.2 投标画像采集（Build Bidder Profile） 画像维度： - 历史投标/中标记录（数量、金额、得分、排名） - 报价区间与习惯（平均报价率、波动区间） - 技术路线偏好（关键词、解决方案模块） - 核心团队配置（资深人员、证书、履约经验） 画像产出： - BidderProfile（多维特征向量 + 解释字段） - 标签化信息（如：低价策略、技术方案强、区域优势） 关键特征补充： - 近 6/12/24 个月投标频次、活跃度衰减曲线 - 中标率、第二名率（竞争力 vs 风险） - 报价偏离度（与控制价/预算的比率） - 领域专精度（在某类项目的投入占比） - 履约口碑（延期/违约风险指标） ### 4.3 竞标分析引擎（Analyze） 分析框架： - **对比维度**：资质匹配度、业绩相似度、区域活跃度、报价习惯、技术路线匹配度 - **胜率估计**：基于权重模型或历史回归预测 - **策略建议**：报价策略区间、技术差异化建议、风险提示 策略输出方式： - 提供三档策略：保守、平衡、进攻 - 输出胜率区间与收益区间（毛利/中标概率） ### 4.4 报告生成（Generate Report） 输出结构： - 项目概况与竞标环境 - 主要对手画像与风险点 - 我方 vs 竞标对手综合对比 - 中标概率区间、报价策略建议 - 可执行行动清单 支持 DOCX/PDF/Markdown 输出。 --- ## 5. 竞标胜率与报价建议模型 ### 5.1 评分模型（示例） ``` WinScore = 0.25 * QualificationMatch + 0.20 * PerformanceSimilarity + 0.15 * RegionalActivity + 0.20 * PriceStrategyFit + 0.20 * TechnicalSolutionFit ``` ### 5.2 输出解释 - QualificationMatch：资质匹配度 0-1 - PerformanceSimilarity：业绩相似度 0-1 - RegionalActivity：区域活跃度 0-1 - PriceStrategyFit：报价策略契合度 0-1 - TechnicalSolutionFit：技术路线契合度 0-1 胜率区间： - >0.75：高概率 - 0.55~0.75：中概率 - <0.55：低概率 ### 5.3 报价策略生成 输入： - 项目预算/控制价、我方成本线 - 竞标对手历史报价分布（分位点） - 评分细则中的价格权重 策略输出（示例）： - 保守：较高报价 + 强技术方案（胜率稳、毛利高） - 平衡：中位报价 + 方案差异化（胜率与毛利平衡） - 进攻：低位报价 + 风险提示（胜率高、利润低） 计算逻辑（示例）： ``` PriceRatio = BidPrice / ControlPrice RecommendedRange = [Q25, Q60] # 对手历史报价分位区间 ``` ### 5.4 风险预警规则 - 资质风险：关键资质缺失或即将到期 - 履约风险：同期开工冲突、历史延期率高 - 价格风险：报价低于成本线或触发异常低价 - 竞争风险：强势对手高匹配度 + 区域优势 - 合规风险：项目政策调整或招标文件变更频繁 --- ## 6. 与自动调研模块的联动 自动调研模块提供： - 竞品网站功能特色总结（Feature Summary） - 站点标签与分类（如：招投标平台、采购管理、SaaS） - 采购员画像标签（如：价格敏感、合规优先、流程重） 联动结果用于： 1) 补充对手技术路线与方案特征 2) 丰富差异化建议库 3) 形成行业基准对比维度 ### 6.1 标签体系建议 - 站点标签：招投标平台、采购管理、SaaS、政务、行业垂直 - 竞品标签：低价策略、技术领先、区域强势、服务优势 - 采购员画像：价格敏感、合规优先、流程重、效率优先 ### 6.2 功能特征库 将竞品功能整理为可复用特征库，例如： - 资质管理、供应商准入、评分引擎 - 电子化招采流程、合同与履约管理 - 供应商画像与信用评分 - 价格预测与投标策略推荐 --- ## 7. 输出数据结构草案 ``` BidProject - id, name, category, region, budget, qualification_requirements Bidder - id, name, qualifications, region BidderProfile - bidder_id - win_rate, bid_count, avg_price_ratio - strengths, weaknesses, tags BiddingAnalysis - project_id - competitors: list[BidderProfile] - win_probability - price_strategy - differentiation_suggestions - risk_alerts ``` ### 7.1 报告输出样例（简化 JSON） ```json { "project_id": "P2026-001", "competitors": [ { "bidder_id": "B001", "win_rate": 0.32, "avg_price_ratio": 0.92, "tags": ["低价策略", "区域优势"] } ], "win_probability": 0.63, "price_strategy": { "conservative": "0.95 * control_price", "balanced": "0.92 * control_price", "aggressive": "0.88 * control_price" }, "differentiation_suggestions": ["强化技术方案", "补充案例对标"], "risk_alerts": ["对手B001区域活跃度高"] } ``` --- ## 8. 伪代码设计（扩写） ```python class BiddingCompetitorResearch: """自动竞标调研系统""" def __init__(self, project: BidProject): self.project = project # 目标投标项目 # ========== 1. 竞标对手识别 ========== def identify_bidders(self) -> list[Bidder]: """ 识别可能参与本项目投标的对手 - 同类项目历史中标企业 - 满足资质要求的活跃投标企业 - 同区域近期活跃的投标企业 - 业绩相似度加权排序 """ candidates = [] candidates += query_historical_winners(self.project) candidates += match_qualification_bidders(self.project) candidates += query_regional_active_bidders(self.project.region) return rank_candidates(candidates, self.project) # ========== 2. 投标画像采集 ========== def build_bidder_profile(self, bidder: Bidder) -> BidderProfile: """ 构建竞标对手的投标画像 - 历史投标/中标记录 - 报价区间与习惯 - 擅长的项目类型 - 核心团队配置 """ records = load_bid_records(bidder) pricing = analyze_pricing(records) strengths = extract_strengths(records) return BidderProfile( bidder_id=bidder.id, bid_count=len(records), avg_price_ratio=pricing.avg_ratio, strengths=strengths, tags=build_tags(records), ) # ========== 3. 竞标分析 ========== def analyze(self) -> BiddingAnalysis: """ 竞标态势分析 - 我方 vs 竞标对手对比 - 各方中标概率预测 - 最优报价建议 - 差异化竞争策略 """ bidders = self.identify_bidders() profiles = [self.build_bidder_profile(b) for b in bidders] win_prob = predict_win_probability(self.project, profiles) price_strategy = recommend_price(self.project, profiles) suggestions = build_diff_strategy(self.project, profiles) return BiddingAnalysis( project_id=self.project.id, competitors=profiles, win_probability=win_prob, price_strategy=price_strategy, differentiation_suggestions=suggestions, risk_alerts=detect_risks(self.project, profiles), ) # ========== 4. 报告生成 ========== def generate_report(self, format: str = 'docx') -> Report: """生成竞标调研报告""" analysis = self.analyze() return render_report(analysis, format=format) ``` --- ## 9. 评估指标与校验 - 对手识别准确率：Top-N 命中率、Precision/Recall - 胜率预测效果：AUC、Brier Score、分箱校准 - 报价建议效果：推荐区间命中率、毛利偏差、实际中标偏差 - 覆盖率：项目覆盖率、画像完整度 --- ## 10. 人机协同流程 1) 自动识别与画像生成 2) 人工复核关键对手与异常数据 3) 复核结果回写标签与评分 4) 分析结果发布到报告与策略库 --- ## 11. 风险与合规 - 数据采集需遵守目标站点规则与政策法规。 - 竞标分析结果仅作为参考，不构成法律建议。 - 对个人信息与敏感信息严格脱敏与授权管控。 --- ## 12. 落地建议 - 先落地“识别 + 画像”能力，形成可解释数据资产。 - 再迭代“胜率分析 + 报告生成”，持续验证准确度。 - 引入人机协作流程，形成模型 + 专家双校验闭环。