Анализ тендерных данных для ВКР: ML-система выявления картельных сговоров на госзакупках
24 марта 2026 года ФАС России сообщила о раскрытии картеля поставщиков компьютерной техники на сумму более 350 млн рублей. Дело возбуждено против семи организаций и одного ИП, признаки сговора зафиксированы в 13 регионах. Для выпускника ИТ-направления это не просто криминальная хроника, а готовый сценарий дипломного проекта: закупки — огромный массив структурированных данных (ЕИС, 44-ФЗ, 223-ФЗ), где классические методы анализа уже не работают, а ML и графовые модели дают реальные результаты. Государство ежегодно тратит триллионы на закупки, значит, аналитическая платформа для проверки торгов — тема с гарантированной актуальностью и защищаемой экономикой внедрения.
Три темы ВКР, которые вырастают из этой новости
1. Платформа выявления аномалий в тендерных заявках средствами ML
Актуальность. Кейс ФАС на 350 млн рублей показывает: сговор масштабируется, а ручной аудит не успевает за объёмами закупок в 13 регионах одновременно.
Цель. Разработать систему, автоматически помечающую торги с признаками картельного сговора.
Задачи:
- Собрать и нормализовать датасет из открытых данных ЕИС;
- Спроектировать признаки (ротация победителей, идентичные контакты, синхронное снижение цены);
- Обучить и сравнить модели (Isolation Forest, LightGBM, графовые эмбеддинги);
- Оценить эффект внедрения — снижение часов ручной проверки.
Структура: Гл. 1 — обзор 44-ФЗ/223-ФЗ и методов Data Mining; Гл. 2 — архитектура сервиса (Python + FastAPI + PostgreSQL + Neo4j); Гл. 3 — валидация на исторических эпизодах ФАС и расчёт ROI.
2. Графовая модель связей поставщиков для антикоррупционного аудита
Актуальность. Участники картеля в кейсе — 8 субъектов. Классическая реляционная БД не покажет скрытые связи через учредителей и общие адреса, а Neo4j — покажет.
Цель. Построить граф связей «поставщик — заказчик — лот — юрлицо» и найти подозрительные сообщества.
Задачи: онтология графа, ETL-пайплайн, алгоритмы Louvain/PageRank, веб-панель аналитика.
Структура: Гл. 1 — теория графов и антимонопольное право; Гл. 2 — схема данных и микросервисы; Гл. 3 — нагрузочное тестирование запросов и метрики Precision/Recall.
3. Мониторинг аномального ценообразования на электронных площадках
Актуальность. Падение цены на 1–2% при формальной конкуренции — типичный маркер сговора. Кейс ФАС подчёркивает, что признаки выявлены в 13 регионах — значит, нужен потоковый мониторинг, а не пакетный.
Цель. Создать сервис потоковой аналитики с оповещениями о подозрительных лотах.
Задачи: Kafka-пайплайн, статистические тесты на аномалии, дашборд, интеграция с внутренней системой заказчика.
Как встроить кейс в аналитическую главу
Аналитическая глава — это не «обзор литературы ради обзора». Здесь вы обосновываете выбор стека и сравниваете подходы. Из новости ФАС напрямую берутся три аргумента: масштаб (350 млн), мультирегиональность (13 субъектов) и структура участников (7 юрлиц + ИП). Это ваши критерии сравнения решений.
| Подход | Плюсы | Минусы | Когда выбирать для ВКР |
|---|---|---|---|
| Правиловые системы (rule-based) | Прозрачность, лёгкая защита перед комиссией | Не ловит новые схемы | Если сроки жёсткие |
| Классический ML (LightGBM, RF) | Быстро, интерпретируемо через SHAP | Нужна разметка | Оптимальный баланс |
| Графовые нейросети (GNN) | Ловят скрытые связи | Сложно защитить, требует данных | Если есть доступ к графу сделок |
| LLM-агенты | Анализ текстов заявок | Недетерминированность, дорого | Как дополнение, а не ядро |
Обязательно сошлитесь на оригинал новости во введении к первой главе — это сразу показывает комиссии, что тема не «высосана из пальца».
Проектная часть: что рисовать и как обосновывать
На защите почти всегда спрашивают: «Почему такая архитектура?». Готовьте ответ заранее. Минимальный набор диаграмм:
- UML-диаграмма компонентов — ETL-модуль, ML-сервис, API-шлюз, БД;
- DFD/IDEF0 — потоки данных от ЕИС до аналитика;
- ER-диаграмма — сущности лота, заявки, поставщика;
- Sequence-диаграмма — сценарий «новая заявка → скоринг → алерт».
Стек подбирайте не «потому что модно», а под задачу. Потоковая обработка тендеров логично ложится на Kafka + ClickHouse, а батч-анализ графа — на Neo4j. В тексте ВКР пишите не «мы выбрали Kafka», а «Kafka выбрана, поскольку объём событий от 13 региональных площадок требует буферизации при пиковых нагрузках торгов».
Тестирование, метрики, экономика
Здесь многие дипломники проваливаются: пишут «система работает быстро», вместо цифр. Нужны конкретные измерения:
- Производительность: пропускная способность ETL (лотов/сек), p95 задержки API;
- Качество модели: Precision, Recall, F1 — обязательно с оценкой на несбалансированной выборке, иначе Precision будет обманчиво высокой;
- Надёжность: RTO/RPO при отказе одного узла, соответствие ISO/IEC 25010 по восстанавливаемости;
- Экономика: сколько часов работы аналитика ФАС экономит система на 1000 лотов и каков срок окупаемости.
Для мониторинга в проде описывайте OpenTelemetry: трейсы от поступления лота до выставления флага. Это сильный аргумент на защите — вы показываете, что думаете о сопровождении, а не только о демо.
Чему вы реально научитесь на такой теме
- Работать с открытыми государственными данными и парсить нестабильные API;
- Обосновывать выбор между реляционной и графовой моделью данных;
- Строить ML-пайплайн от признаков до интерпретации SHAP;
- Оформлять ТЗ и пояснительную записку по ГОСТ 34.602-89 и ГОСТ 19.201-78;
- Защищать экономическую эффективность проекта, а не только техническую.
- Нет метрик эффективности. Комиссия спрашивает: «Насколько ваша модель лучше ручной проверки?» — а в работе только Accuracy 0.94 на несбалансированной выборке. Решение: всегда давать Precision/Recall/F1 и confusion matrix.
- Игнорирование нормативки. В антимонопольной теме без ссылок на 44-ФЗ, 223-ФЗ и приказы ФАС работа выглядит оторванной от реальности. Вынесите нормативную базу в отдельный подраздел Главы 1.
- Подмена понятий. «Мы используем искусственный интеллект» без уточнения, что именно: supervised-классификация, GNN или LLM. Пишите конкретно, какой алгоритм и почему.
FAQ
Обязательно ли писать рабочий код в ВКР?
Зависит от кафедры. Для направления 09.03.01/09.04.01 прототип почти всегда обязателен. Минимум — работающий ETL + модель, обученная на реальных лотах из ЕИС. Полноценный прод с Kubernetes не требуется, но docker-compose и README с запуском сильно повышают оценку.
Где брать данные о закупках?
Официальный источник — Единая информационная система (zakupki.gov.ru), у неё есть открытый API и выгрузки. Дополнительно — реестр недобросовестных поставщиков и решения ФАС. Для учебных целей достаточно 10–50 тысяч лотов, этого хватает на статистически значимую проверку гипотез.
Как оформить UML-диаграммы, чтобы их приняли?
Используйте PlantUML или draw.io. Экспортируйте в SVG — не будет пикселизации при печати. Каждая диаграмма должна иметь подпись по ГОСТ 19.701-90 с указанием, что именно изображено. Не дублируйте одну и ту же схему в разных нотациях — комиссия это замечает.
Насколько сложно защитить ML-тему, если я не «математик»?
Антикартельные модели не требуют глубокой математики. LightGBM с грамотным feature engineering даёт отличный результат и объясняется через SHAP за две минуты. Графовые методы сложнее, но и выглядят выигрышнее. Ориентируйтесь на свой уровень — лучше простое, но честно измеренное решение, чем сложное и непонятное.
- ✅ Есть ссылка на первоисточник (кейс ФАС) во введении;
- ✅ Каждая задача из введения отражена в выводах по главам;
- ✅ Присутствуют минимум 4 диаграммы (компоненты, ER, sequence, deployment);
- ✅ Приведены числовые метрики модели и производительности;
- ✅ ТЗ оформлено по ГОСТ 34.602-89 (если требуется кафедрой);
- ✅ Список литературы содержит нормативные акты: 44-ФЗ, 223-ФЗ, приказы ФАС;
- ✅ Экономический раздел считает ROI или сокращение трудозатрат;
- ✅ Проверка на антиплагиат пройдена, все заимствования корректно оформлены.
Тема вроде выявления картелей выглядит громоздкой, но её реально ужать до защищаемого объёма. Если не хочется месяц разбираться с парсингом ЕИС и feature engineering — оставьте заявку на бесплатную консультацию: подберём узкую тему, оценим срок (в среднем 120 часов работы), поможем с любым этапом — от плана до презентации. Здесь можно заказать диплом под ваши требования и уровень подготовки.
Источник: Сговор на 350 млн. ФАС вскрыла картель поставщиков компьютерной техники (опубликовано 2026-03-24)