Почему 80% лидов теряются до того, как их увидит менеджер
Приоритизация лидов — это не просто распределение заявок по важности. Это система, которая отвечает на вопрос: кто из тысячи потенциальных клиентов готов купить именно сейчас? Компании, которые игнорируют эту задачу или решают её вручную, теряют деньги не потому, что лиды плохие, а потому, что обрабатывают их в неправильном порядке.
Менеджер получает сотню заявок в день. Он начинает звонить подряд — первому, второму, третьему. К концу дня он обработал 20–30 контактов. Из них конвертировались трое. Остальные 70–80 заявок остались без внимания или дошли до менеджера через неделю, когда клиент уже принял решение в пользу конкурента.
Вот в чём суть: если менеджер будет звонить горячим лидам первыми, а холодным — в последнюю очередь, конверсия вырастет в 2–3 раза без каких-либо изменений в качестве самого продукта или навыков продаж. Это не математика, это статистика, проверенная на тысячах компаний.
Традиционный подход к приоритизации не работает, потому что человек не может обработать достаточно информации достаточно быстро. Менеджер смотрит на имя, должность, может быть на сумму потраченную в контексте рекламы — и принимает решение. Но реальные сигналы покупательской готовности намного более сложные и их намного больше.
Как работает традиционный скоринг и почему он устаревает
Lead scoring — это система оценки лидов по баллам. Компания заранее определяет, какие действия клиента означают высокий интерес, и присваивает им точки. Открыл письмо — плюс 5 баллов. Скачал документ — плюс 10. Посетил страницу цен — плюс 20.
Сумма баллов определяет приоритет. Лид с 50 баллами горячее, чем лид с 20 баллами. Звучит логично, и действительно — это было прорывом в конце 2000-х, когда компании только начали цифровизировать продажи.
Но у традиционного скоринга есть три фатальных недостатка.
Первый: правила написаны вручную и зависят от предположений, а не от данных. Маркетолог решил, что открытие письма стоит 5 баллов. Откуда это число? Часто его просто придумали. На самом деле для вашей компании открытие письма может быть почти бесполезным сигналом, а для конкурента это будет критически важный показатель. Вы этого не знаете, потому что не анализировали историческую данные о том, какие лиды действительно конвертировались.
Второй: статический скоринг не учитывает контекст и время. Лид, который полгода назад посетил ваш сайт и открыл письмо, получает те же 50 баллов, что и лид, который сделал это три часа назад. Но психологически и тактически это совершенно разные люди. Человека, который проявил активность три часа назад, нужно звонить сейчас. Человека, который активничал полгода назад, возможно, нужно разбудить другим способом.
Третий: он не масштабируется с растущим объёмом данных. Если у вас появляется новый источник лидов, новый продукт или новая метрика, вам нужно вручную переписывать все правила. Если источников и метрик десять, система становится хаосом правил, которые противоречат друг другу.
Вот типичный результат: компания внедрила скоринг, первые три месяца конверсия выросла на 15%, потом начала падать. К году конверсия вернулась к исходному уровню. Менеджеры перестали верить приоритизации и снова начали звонить кому попало.
Традиционный скоринг — это попытка автоматизировать интуицию. Машинное обучение — это попытка найти истинные закономерности в том, как люди действительно покупают.
Что меняется с ИИ-приоритизацией
Искусственный интеллект в приоритизации лидов работает принципиально по-другому. Вместо того, чтобы вы писали правила, алгоритм сам ищет закономерности в ваших исторических данных.
Вы даёте системе тысячи примеров: здесь лид конвертировался, здесь не конвертировался. ИИ анализирует, какие характеристики были у лидов, которые купили, и какие характеристики были у тех, кто не купил. Он находит корреляции, которые человек не может найти вручную, потому что их слишком много и они слишком сложные.
Например, ИИ может выявить, что в вашей компании лиды конвертируются не просто когда они открывают письма, а когда они открывают письма в определённое время суток, из определённых регионов, при условии что они посетили сайт в течение последних 72 часов, и при этом их компания прошла определённые события в LinkedIn (смена должностного лица, привлечение инвестиций, открытие филиала). Каждый из этих факторов сам по себе может быть слабым сигналом, но вместе они образуют очень точный прогноз.
Это становится возможно, потому что модель машинного обучения может работать с взаимодействиями между переменными. Она не просто суммирует баллы — она видит нелинейные зависимости.
Основные преимущества ИИ-подхода
Во-первых, система адаптируется к вашим данным, а не к общим предположениям. Если в вашей компании основной сигнал конверсии — это просмотр определённой страницы на сайте, а не открытие письма, модель это выявит. Если сигналы меняются по сезонам, модель это заметит.
Во-вторых, ИИ способен работать с намного большим числом переменных. Человек может держать в голове 5–10 правил. Модель может анализировать одновременно 100–500 параметров. Это даёт ей преимущество в точности.
В-третьих, система может переучиваться. Если вы добавили новый источник лидов или изменили стратегию продаж, вы не переписываете всю систему — вы просто добавляете новые данные, и модель автоматически переучивается на основе этой информации.
В-четвёртых, ИИ способен обнаруживать неочевидные закономерности. Иногда оказывается, что лиды конвертируются по причинам, которые звучат странно с точки зрения здравого смысла. Например, люди из компаний с названиями, начинающимися на букву А, конвертируются лучше людей из компаний, названия которых начинаются на другие буквы. Это может быть случайностью, или может быть системной причиной (скажем, компании в алфавитном списке попадают в определённый сегмент рынка). ИИ это выявляет, и вы сами можете решить, использовать этот сигнал или нет.
ИИ не заменяет интуицию менеджера. ИИ замещает рутинную работу распределения внимания. Менеджер по-прежнему ведёт переговор, но теперь он знает, что звонит правильному человеку в правильное время.
Какие данные нужны для ИИ-приоритизации
Первый вопрос, который задают в компаниях: данных же у нас недостаточно? Вот это глубокое заблуждение. Практически любая компания, которая работала более полугода и ведёт хотя бы базовый CRM, имеет достаточно данных для того, чтобы построить работающую модель ИИ-приоритизации.
Нужно по меньшей мере 300–500 примеров лидов, из которых вы знаете финальный результат. Конвертировался или не конвертировался. Это не много. Компания среднего размера получает такой объём примерно за месяц-два.
Но какие именно данные нужны? Условно их можно разделить на несколько категорий.
Профильные данные о компании и контакте
Это статическая информация, которая не меняется часто. Отрасль компании, размер (количество сотрудников), годовой оборот (если известен), регион, тип бизнеса (B2B, B2C, производство и так далее). Должность контакта, опыт в должности, предыдущие должности, образование.
Эти данные нужны не потому, что они обязательно хорошие предикторы. Часто они слабые. Но модель должна их видеть, потому что они могут взаимодействовать с другими переменными. Например, сама по себе должность финансового директора может быть нейтральным сигналом, но финансовый директор в компании с 50 сотрудниками в IT-индустрии в Москве — это может быть очень сильный сигнал покупки.
Поведенческие данные
Это действия контакта на вашем сайте, в письмах и в каналах взаимодействия. Сколько раз он заходил на сайт, какие страницы смотрел, сколько времени потратил, открывал ли письма, кликал ли по ссылкам, скачивал ли материалы, заполнял ли формы.
Поведенческие данные — это золото для приоритизации. Они намного более информативны, чем профильные данные, потому что они отражают реальное намерение. Лид, который три раза заходил на страницу цен в течение недели, вероятно готов купить. Это намного более сильный сигнал, чем просто тот факт, что он работает в подходящей для вас отрасли.
Временные данные
Когда произошло каждое действие. Это критично. Лид, который был активен три часа назад, это совсем не то же самое, что лид, который был активен две недели назад. ИИ очень хорошо работает с временными рядами — последовательностями событий во времени.
Кроме того, временные данные помогают модели выявить циклические паттерны. Может оказаться, что в вашей индустрии лиды конвертируются лучше в определённые дни недели или месяца. Модель это выявит.
Данные о источнике лида
Откуда пришёл лид. Из рекламной кампании, из рекомендации, с сайта, через LinkedIn, через холодную рассылку, через партнёра. Источники часто имеют разные качественные характеристики. Лиды из одного источника конвертируются лучше, чем из другого. ИИ должен это учитывать.
Контекстные данные
Что происходило в компании лида. Изменилась руководство, компания привлекла инвестиции, открыла новый филиал, опубликовала квартальный отчёт. Эти события часто связаны с растущей готовностью компании к покупке. Если вы интегрируетесь с LinkedIn API или подобными сервисами, вы можете получить эти данные автоматически.
Финальный результат — метка класса
Самое важное. ИИ должен знать, конвертировался ли каждый лид в клиента или нет. Это называется меткой класса или целевой переменной. Без этого обучение невозможно.
Здесь важна чистота определения. Вы должны чётко решить, что считать конверсией. Первый звонок? Встреча? Оплата счёта? Нужно быть последовательным. Если вы определили, что конверсия это встреча, то во все исторические данные вы должны проставить эту метку на основе того, была ли встреча или нет.
Если в вашем CRM нет чистой истории этих результатов, придётся её восстанавливать. Это может быть трудоёмко, но это необходимо. Без качественной целевой переменной модель просто не будет работать.
Откуда берутся данные на практике
CRM — это первичный источник. Там должны быть все контакты, все компании, все действия и все результаты. Если ваша CRM это позволяет (большинство систем это позволяют), вы можете выгрузить весь набор данных в формате таблицы и передать его в систему для обучения модели.
Второй источник — сервер аналитики. Google Analytics, Яндекс.Метрика, Amplitude — отсюда вы можете получить данные о поведении на сайте, если у вас правильно настроена передача информации о лидах в эти сервисы.
Третий источник — почтовые сервисы. Если вы используете Mailchimp, Unisender, Sendpulse или похожие системы, там хранится информация о том, кто открывал письма, кто кликал по ссылкам, кто скачивал материалы.
Четвёртый источник — социальные сети и профессиональные платформы. LinkedIn API позволяет получить информацию о контактах, их предыдущих должностях, изменениях на их профилях.
Пятый источник — данные об изменениях в компаниях лидов. Сервисы, которые отслеживают новостные события в компаниях (например, Crunchbase, LinkedIn для компаний, местные источники новостей) можно использовать как дополнительный источник сигналов.
На практике вы не получаете все эти данные сразу. Вы начинаете с того, что у вас есть. И это обычно достаточно.
Реальный пример: компания по продаже B2B услуг
Компания работает в сегменте B2B, продаёт услугу консультирования. У них есть CRM, где хранятся контакты и история взаимодействия. За год они получили 2500 лидов, из них 340 конвертировались в клиентов.
Они выгрузили из CRM таблицу, где для каждого лида есть: имя, должность, компания, размер компании, отрасль, регион, источник лида, дату получения, количество открытых писем, количество посещений сайта, дату последнего действия, результат (конвертировался или нет).
Это 12 переменных. Не много, но достаточно. Они передали эти данные в систему обучения модели. Модель обучилась предсказывать, какие лиды конвертируются. Оказалось, что самые сильные предикторы были: количество посещений сайта, дата последнего действия (чем ближе к сегодня, тем лучше) и размер компании (компании среднего размера конвертировались лучше больших и маленьких). Но модель нашла и более тонкие закономерности, которые люди не видели.
После внедрения менеджеры начали звонить лидам в порядке приоритета, вычисленном моделью. Конверсия выросла с 13,6% (340 из 2500) до 19% в первый месяц. Это означает, что если менеджер обрабатывает 100 лидов в месяц, вместо конверсии в 13–14 клиентов он теперь получает 19 клиентов. При среднем чеке в несколько сотен тысяч рублей это существенные деньги.
Какие модели машинного обучения работают лучше всего
Когда речь заходит о моделях ИИ, у людей обычно начинается паника. Кажется, что нужно выбрать между десятком непонятных аббревиатур. На самом деле для приоритизации лидов работают несколько проверенных подходов, и выбор между ними зависит не от того, насколько вы продвинуты в AI, а от очень простых практических соображений.
Начнём с самого распространённого и надёжного подхода — логистической регрессии. Это звучит сложно, но на самом деле это просто улучшенная версия того, что вы и так уже делали вручную. Модель смотрит на переменные (профиль, поведение, история) и вычисляет вероятность того, что лид конвертируется. Получается число от 0 до 1 — например, 0.72, что означает 72% вероятность.
Логистическая регрессия хороша тем, что она понятна. Вы можете посмотреть на коэффициенты модели и понять, какие переменные влияют на результат и насколько сильно. Это важно для доверия. Менеджеры и руководители хотят знать, почему система выставила лиду высокий приоритет. С логистической регрессией вы можете это объяснить.
Второй популярный подход — решающие деревья и ансамбли деревьев (Random Forest, XGBoost, LightGBM). Эти модели работают немного по-другому. Они дробят данные на куски, ищут закономерности в каждом куске, потом объединяют много таких деревьев в один большой лес. В результате часто получается точнее, чем с регрессией, особенно когда в данных есть нелинейные зависимости.
Минус этих моделей в том, что они менее объяснимы. Вы можете посчитать, какие переменные самые важные (это называется feature importance), но вы не сможете так четко объяснить логику, как с регрессией. Тем не менее для приоритизации лидов это часто не критично. Менеджер просто знает: система дала лиду высокий приоритет, звоню ему.
Третий подход — нейронные сети. Они очень мощные и могут находить невероятно сложные закономерности. Но у них есть два больших минуса. Первый: они требуют намного больше данных для обучения. Если у вас есть 500 примеров лидов, нейронная сеть не даст вам преимущества над простым деревом решений, а может даже работать хуже, потому что переобучится. Второй минус: нейронные сети совсем не объяснимы. Это чёрный ящик. Система говорит: приоритет 90%, но она не может объяснить почему.
Для приоритизации лидов в большинстве компаний оптимум — это ансамбли деревьев вроде XGBoost или LightGBM. Они хорошо балансируют между точностью и объяснимостью. Они хорошо работают даже на средних объёмах данных (500–10000 примеров). Они быстрые в обучении и быстрые в предсказании.
Как выбрать модель на практике
На самом деле в 99% случаев вы не выбираете модель. Вы используете готовую платформу или сервис, которые уже выбрали модель за вас. Платформа обучает несколько моделей на ваших данных, сравнивает их качество и выбирает лучшую.
Но если вы всё же выбираете самостоятельно, используйте этот простой алгоритм:
- Если у вас менее 1000 примеров лидов, начните с логистической регрессии или простого дерева решений. Они дают хорошие результаты и помогают понять, вообще ли ваши данные содержат полезный сигнал.
- Если у вас 1000–10000 примеров, используйте XGBoost или LightGBM. Это оптимум для большинства бизнес-задач.
- Если у вас более 10000 примеров и очень много переменных, можно попробовать нейронную сеть. Но часто ансамбли деревьев всё равно будут работать лучше, потому что они лучше работают с категориальными переменными (отрасль, регион, источник).
Главное не зацикливаться на выборе модели. Разница в качестве между логистической регрессией и XGBoost часто не так велика, как разница между хорошей приоритизацией и никакой приоритизацией. Начните с простого, посмотрите результаты, потом улучшайте, если нужно.
Результаты после внедрения: на сколько растёт конверсия
Вопрос, который все хотят услышать: насколько вырастет конверсия? Ответ зависит от множества факторов, но есть закономерности, которые видны во всех отраслях.
Первое: если раньше вообще не было никакой приоритизации (менеджеры звонили кому попало), ожидайте роста конверсии на 25–50%. Это огромный прирост, и он достижим просто потому, что вы начали звонить горячим лидам первыми.
Второе: если раньше была система скоринга, но она была статичной и неработающей, ожидайте роста на 15–30%. Система ИИ найдёт настоящие закономерности, а не те, которые казались логичными на словах.
Третье: если у вас уже была хорошо настроенная система скоринга или даже простая система приоритизации, ожидайте роста на 5–15%. Вы уже были в довольно хорошей позиции, ИИ просто доптимизирует это.
Четвёртое: абсолютная величина роста конверсии зависит от того, насколько предсказуем ваш процесс продаж. Если в вашей компании результат продажи зависит в основном от качества данных о лиде и их поведения, рост будет высокий. Если результат в основном зависит от навыков менеджера, его настроения, фазы луны и других факторов, которые не связаны с лидом, рост будет меньше.
Давайте посмотрим на реальные числа из разных отраслей.
Компания, которая продаёт SaaS-решения для малого бизнеса, внедрила ИИ-приоритизацию. Раньше конверсия была 8%. После внедрения конверсия выросла до 12%. Звучит не как много, но 50% прирост очень существенный. Менеджер, который раньше закрывал 10 сделок в месяц из 125 лидов, теперь закрывает 15 сделок из того же количества лидов.
Компания в сегменте B2B-услуг консультирования, о которой мы говорили раньше, прошла путь от 13.6% до 19%. Это 40% рост. Но они начинали с нулевой приоритизации — менеджеры просто обрабатывали лидов в случайном порядке.
Компания, которая продаёт высокотехнологичное оборудование, начала с 5% конверсии. Цикл продажи у них долгий, от первого контакта до оплаты может пройти месяц. После внедрения ИИ-приоритизации конверсия выросла до 8%. Рост меньше, чем в предыдущих примерах, но абсолютная величина денег выше, потому что средний чек у них 500 тысяч рублей вместо 20 тысяч.
Есть ещё один эффект, который часто недооценивают. ИИ-приоритизация улучшает распределение нагрузки между менеджерами. Горячие лиды идут к опытным менеджерам, холодные — к менее опытным. В результате общая производительность команды растёт не только потому, что каждый менеджер работает с лучшими лидами, но и потому, что правильно распределена нагрузка.
Типичный результат внедрения ИИ-приоритизации: конверсия растёт на 20–40%, время на обработку одного лида сокращается на 10–20%, удовлетворённость менеджеров растёт, потому что они тратят меньше времени на холодных лидов, которые всё равно не конвертируются.
Внедрение ИИ-приоритизации: пошаговый план
Теория интересна, но практика еще интереснее. Давайте пройдём через каждый шаг внедрения так, как это происходит в реальных компаниях.
Шаг 1. Аудит данных в CRM
Прежде чем что-то строить, нужно понять, что у вас есть. Откройте вашу CRM и ответьте на несколько вопросов:
- Сколько всего лидов в системе?
- За какой период они накапливались?
- Какие поля заполнены хорошо (более чем на 80%)? Какие плохо?
- Есть ли история действий для каждого лида (звонки, письма, встречи)?
- Есть ли четкая запись о финальном результате (конвертировался ли лид)?
- Интегрирована ли CRM с вашим сайтом? Есть ли там данные о поведении?
Проведите этот аудит честно. Часто оказывается, что CRM содержит намного больше грязи, чем казалось. Половина лидов может быть дублей. В поле должности может быть всё что угодно: иногда имя, иногда должность, иногда ничего. История результатов может быть неполной — есть лиды, которые вроде конвертировались, но никто не закрыл сделку в CRM.
Это нормально. Данные всегда грязные. Вопрос не в том, совершенны ли ваши данные. Вопрос в том, содержат ли они достаточно сигнала. И в большинстве случаев они его содержат.
Если в вашей CRM менее 300 лидов с известным финальным результатом, нужно накопить больше данных. Это может занять месяц или два, но это необходимое условие. Без этого модель не будет работать. Если вы не можете дождаться, можно начать с меньшим объёмом, но качество предсказаний будет хуже.
Шаг 2. Определите, какой лид считается конвертированным
Это критически важный шаг, и его часто делают наспех. Вы должны чётко решить: что означает успех? Первый контакт? Встреча? Заключённый контракт? Оплаченный счёт?
Если вы скажете: успех — это первая встреча, то модель будет обучена предсказывать, какие лиды согласятся на встречу. Если вы скажете: успех — это оплаченный счёт, модель будет предсказывать, какие лиды действительно оплатят.
Рекомендация: начните с промежуточного результата. Не слишком раннего (первый контакт), не слишком позднего (оплата через полгода). Идеально — квалифицированная встреча или хотя бы квалифицированный звонок, после которого менеджер понял, что лид в целевой аудитории и у него есть потенциал.
Почему не сразу на оплату? Потому что между первым контактом и оплатой много других переменных. Менеджер может быть хорошим или плохим. Продукт может быть не готов. Рынок может измениться. ИИ-модель может учитывать много переменных, но она не может учитывать переменные, которых ещё не было в момент обучения.
Когда вы определили метрику успеха, пройдите по историческим данным и проставьте эту метку для каждого лида. Если успех — это встреча, отметьте все лиды, которые на встречу согласились (и встреча действительно произошла). Остальные — неуспех.
Это может быть трудоёмко, если лидов много. Но это необходимо. От качества этой разметки зависит всё.
Шаг 3. Подготовьте обучающую выборку
Теперь нужно собрать все данные в один файл. Обычно это Excel или CSV. Строки — это лиды, столбцы — это переменные (профиль, поведение, результат).
На этом этапе нужно решить несколько практических вопросов:
- Какие переменные включить? Начните со всех, которые у вас есть. На следующем шаге можно удалить ненужные.
- Как обработать пропущенные значения? Если 50% лидов не заполнили поле должности, оставьте пропуск. Если 5% — заполните какой-то значением по умолчанию.
- Как кодировать категориальные переменные? Отрасль, регион, должность — это категории, а не числа. Системы обучения обычно требуют числа. Нужно преобразовать: Москва=1, СПб=2, другое=3. Или использовать one-hot encoding, где каждая категория становится отдельной переменной.
- Нужно ли масштабировать числовые переменные? Если одна переменная это количество посещений сайта (от 1 до 100), а другая это год основания компании (1980–2024), нужно привести их к одной шкале.
Многие из этих вопросов платформа решит за вас автоматически. Но если вы делаете это самостоятельно, нужно знать о них.
Когда файл подготовлен, разделите его на две части: обучающую выборку (80% лидов) и тестовую выборку (20% лидов). На обучающей выборке модель будет учиться. На тестовой выборке мы проверим, насколько хорошо она работает на данных, которые она не видела.
Шаг 4. Выберите инструмент или платформу
Здесь у вас есть несколько вариантов, которые существенно различаются по цене, сложности и гибкости.
Вариант 1: готовая платформа для приоритизации лидов. Это сервисы вроде Lessie, Kvality, SellerGPT и похожих. Вы загружаете данные или интегрируетесь с CRM, платформа сама обучает модель, сама выставляет приоритеты. Плюсы: просто, быстро, не нужно знать про машинное обучение. Минусы: меньше гибкости, часто дороже.
Вариант 2: платформы низкого кода (no-code/low-code). Это сервисы вроде Retool, Zapier с AI-интеграциями, или более специализированные платформы для аналитики типа Tableau с встроенным машинным обучением. Вы можете настроить обучение модели, не написав код. Плюсы: больше контроля, чем в готовых платформах. Минусы: всё равно нужны какие-то технические навыки.
Вариант 3: Python и готовые библиотеки. Используете scikit-learn, XGBoost, LightGBM. Вы пишете код, но это простой код, его можно найти в интернете. Плюсы: максимальная гибкость, низкая стоимость (всё бесплатно). Минусы: нужен человек, который может кодировать.
Для большинства компаний рекомендация: начните с готовой платформы, если есть бюджет. Это даст вам результаты за недели, а не месяцы. Если нет бюджета или платформ нет нужной вам интеграции, используйте Python.
Шаг 5. Интегрируйте с CRM и воронкой продаж
После того как модель обучена и выставляет приоритеты, нужно встроить эти приоритеты в ваш процесс продаж. Это не просто техническая задача, это организационная.
На техническом уровне нужно:
- Добавить в CRM новое поле, где будет храниться приоритет (от 1 до 10, или High/Medium/Low, или просто вероятность).
- Настроить автоматическое обновление приоритета для новых лидов. Когда лид приходит, модель сразу его оценивает.
- Если возможно, настроить автоматическую рассортировку лидов по приоритету в воронке. Горячие лиды идут в папку High Priority, холодные — в папку Low Priority.
- Настроить уведомления. Когда появляется лид с приоритетом выше 8, менеджер должен получить уведомление в Telegram, Slack или Email.
На организационном уровне нужно:
- Объяснить менеджерам, что это такое и почему они должны следовать приоритетам.
- Установить правило: сначала звоним лидам с приоритетом High, потом Medium, потом Low.
- Отслеживать, следуют ли менеджеры этому правилу, или игнорируют приоритеты.
- Регулярно показывать менеджерам результаты: смотрите, когда вы звоните горячим лидам, конверсия вырастает на 30%.
Шаг 6. Настройте обратную связь и мониторинг
Модель обучена, интегрирована в CRM, менеджеры начали использовать. Но процесс не заканчивается. Нужно постоянно следить за качеством предсказаний.
Во-первых, нужны метрики. Сколько лидов с высоким приоритетом конвертируются? Сколько лидов с низким приоритетом? Если лид с приоритетом 9 конвертируется в 50% случаев, а лид с приоритетом 2 конвертируется в 8%, это хорошо. Модель работает. Если оба конвертируются в 10%, это плохо. Модель не видит разницы.
Во-вторых, нужна петля обратной связи. Каждый день, неделю или месяц (зависит от объёма) вы собираете новые данные о результатах и переучиваете модель. Модель выясняет, какие лиды действительно конвертировались, и обновляет свои коэффициенты.
В-третьих, нужно следить за дрейфом. Если модель раньше была очень точной, а потом качество упало в 2 раза, это означает, что что-то изменилось. Может быть, изменился рынок. Может быть, компания запустила новый продукт. Может быть, изменилась команда продаж. Это нужно выявить и переучить модель.
Какие платформы использовать для ИИ-приоритизации
На российском рынке есть несколько решений, которые специализируются на приоритизации лидов или могут быть адаптированы под эту задачу. Давайте посмотрим на них честно, без маркетинговой дымки.
Сервисы вроде Lessie AI, которые западные, работают с российским рынком через VPN и интеграции, но могут быть проблемы с задержками и с поддержкой. Их сильная сторона — они действительно специализированы на приоритизации. Их слабая сторона — цена и зависимость от стабильности интернета.
Российские решения вроде SellerGPT, Optimizer AI, Kvality предлагают не только приоритизацию, но и звонки, анализ звонков, интеграцию с CRM. Плюс в том, что сервер в России, поддержка на русском, быстрые интеграции с популярными системами (amoCRM, Битрикс24). Минус в том, что часто это комбо-решения, и вам нужно платить за то, что вы не будете использовать.
Если у вас уже есть аналитическая платформа, можно использовать встроенное машинное обучение. Например, в Яндекс.Метрике есть функция прогнозирования. В некоторых версиях Amplitude тоже есть встроенная аналитика на основе ИИ. Это часто дешевле, потому что вы не платите за отдельный сервис, просто активируете функцию в существующей подписке.
Для самостоятельного построения: если в вашей компании есть аналитик, который знает Python, можно использовать Google Colab (бесплатно) для обучения модели и Google Sheets для хранения результатов. Это минимальная стоимость, максимальная гибкость.
Рекомендация по выбору: если вы впервые внедряете приоритизацию и у вас мало опыта с ИИ, выберите готовую платформу, даже если она немного дороже. Вы выиграете во времени и не рискуете сломать процесс. Если у вас уже есть опыт и аналитик в команде, можно сэкономить, построив собственное решение.
Типичные ошибки при внедрении и как их избежать
Компании допускают одни и те же ошибки при внедрении ИИ-приоритизации. Вот основные, и как их избежать.
Ошибка 1: неправильная разметка целевой переменной
Компания говорит: успех это встреча. Потом внедрение начинает, и выясняется, что половину встреч они не закрыли в CRM. Или запись о встрече есть, но неясно, была ли встреча на самом деле, или была просто попытка позвонить. Модель обучается на грязных данных и предсказывает грязно.
Как избежать: до обучения модели проведите аудит. Возьмите 50 случайных лидов, посмотрите их CRM-записи и руками проверьте, правильно ли вы проставили метку успеха. Если правильно более чем на 90%, дальше можно идти. Если нет, нужно очистить данные.
Ошибка 2: ожидание результата на день после внедрения
Компания внедрила систему, прошло два дня, конверсия не выросла, они принялись её демонтировать. Проблема в том, что менеджеры ещё не привыкли следовать приоритетам. Они по старинке звонят кому хотят. Система нужна время, чтобы показать результат.
Как избежать: установите период испытания минимум в месяц. В первую неделю менеджеры будут шалить. Во вторую они привыкнут. К третьей вы начнёте видеть результаты. После месяца у вас будет статистика, достаточная для выводов.
Ошибка 3: игнорирование менеджеров
Система выставляет приоритеты, но менеджеры их игнорируют. Почему? Потому что никто не объяснил им, почему это важно. Или потому, что они не доверяют ИИ. Или потому, что привычка сильнее.
Как избежать: прежде чем внедрить систему, проведите встречу с менеджерами. Покажите им данные. Объясните: вот смотрите, когда вы звоните лидам с приоритетом выше 7, конверсия 25%, когда звоните с приоритетом ниже 3, конверсия 5%. Это экономит ваше время. Вы звоните меньше номеров и закрываете больше сделок. После этого менеджеры обычно согласны.
Ошибка 4: использование всех данных подряд без отбора
В CRM 100 полей. Компания загружает все в модель. Модель обучается, но качество предсказаний низкое. Потому что половина полей это шум. Лид в июне 2019 года посетил сайт — это поле есть, но никакой ценности не несёт.
Как избежать: перед обучением проведите анализ полей. Какие поля заполнены более чем на 80%? Какие поля различаются между лидами, которые конвертировались, и лидами, которые не конвертировались? Используйте только эти. Начните с 10–15 самых полезных переменных. После получите результаты, потом добавляйте новые.
Ошибка 5: не контролировать дрейф качества
Первый месяц система работает отлично. Через три месяца качество начинает падать, но никто это не заметил. Потому что никто не отслеживал метрики. Менеджеры жалуются: система больше не работает, приоритеты не совпадают с реальностью.
Как избежать: каждую неделю или месяц смотрите на метрики. Какой процент лидов с приоритетом High конвертируется? Если раньше было 30%, а теперь 15%, нужно переучить модель. Это автоматический процесс, если у вас настроена обратная связь.
С какого объёма лидов ИИ начинает работать эффективно
Часто компании откладывают внедрение приоритизации, потому что думают: у нас мало лидов, ИИ не будет работать. Это неправда. ИИ работает уже на маленьких объёмах, просто качество улучшается, когда данных больше.
Вот примерная зависимость:
- 100–200 лидов с известным результатом — можно обучить модель, но качество предсказаний будет среднее. Точность не более 65–70%. Для приоритизации этого достаточно, потому что вам нужно только разделить на горячих и холодных, не обязательно ранжировать с точностью до процента.
- 300–500 лидов — оптимальный минимум. Точность достигает 75–80%. Это уже довольно хорошие предсказания. Менеджеры видят, что система работает.
- 1000–2000 лидов — хорошее качество. Точность 80–85%. Система стабильна, дрейф минимален.
- 5000+ лидов — отличное качество. Точность 85%+. Модель может различать очень тонкие закономерности.
Важный момент: эти цифры про лидов с известным результатом. Если у вас есть 5000 лидов, но результат известен только для 200, вы находитесь в первой категории. Нужно дождаться, пока результат станет известен для большего числа лидов. Или нужно ускорить этот процесс, попросив менеджеров закрывать лидов в CRM быстрее.
Стартапы часто начинают внедрение, когда у них есть 3–6 месяцев истории работы. Это примерно 300–500 лидов. Этого достаточно, чтобы увидеть результат. Крупные компании, которые работают годы, могут начать хоть с 50 лидов и увидеть результат, потому что других лидов-то много, просто результаты не закрыты в CRM.
Рекомендация: не ждите идеальных условий. Если у вас есть 200 лидов с известным результатом, начните внедрение. Качество будет так себе, но вы поймёте логику. Потом, когда данных будет больше, качество улучшится автоматически.
Часто задаваемые вопросы
Сколько данных нужно для обучения модели?
Минимум 300 лидов с известным финальным результатом. На меньшем объёме модель переобучится. Оптимально 500–1000. Если данных 5000+, это уже очень хорошо. Но не абсолютный минимум это 100 лидов, если это всё, что у вас есть. Начните с этого, потом улучшайте.
Можно ли внедрить без IT-специалистов?
Да, если использовать готовую платформу. Вы просто загружаете данные или подключаете CRM, платформа делает всё сама. Если хотите построить собственное решение, нужен хотя бы один человек, который может кодировать на Python или использовать инструменты визуального программирования. Но в 80% случаев лучше использовать готовое решение.
Как часто нужно переобучать модель?
Минимум раз в месяц. Если лидов много и поведение быстро меняется, чаще. Кажется, что это сложно, но если используете готовую платформу, это происходит автоматически. Вы ничего не делаете. Если строите сами, можно настроить скрипт, который раз в неделю автоматически переучивает модель на новых данных.
Что делать, если качество прогнозов упал?
Во-первых, убедитесь, что вы это правильно измерили. Может быть, это просто статистическая флуктуация. Во-вторых, посмотрите на исходные данные. Может быть, качество данных упало? В-третьих, посмотрите на поведение менеджеров. Может быть, они перестали следовать приоритетам? В-четвёртых, переучите модель на самых свежих данных. Часто это решает проблему. Если не помогло, проведите аудит источников данных и переменных.
Может ли ИИ ошибаться в приоритизации?
Да. ИИ — это вероятностная система, не детерминированная. Он выставляет вероятность: этот лид имеет 75% вероятность конвертироваться. Это не означает, что он конвертируется на 100%. Это означает, что в среднем из 100 лидов с такой вероятностью конвертируются 75. Остальные 25 не конвертируются. Это нормально. Вы не требуете 100% точности, вы требуете лучшей точности, чем случайная расстановка.
Нужно ли менять процесс продаж при внедрении приоритизации?
Нет, это всё. Единственное изменение: менеджеры звонят в другом порядке. Всё остальное остаётся как было. Не нужно учить их новым техникам, не нужно менять скрипты. Просто другой порядок звонков.
Работает ли приоритизация для холодных лидов?
Зависит от того, какие данные у вас есть о холодных лидах. Если это просто имена и должности из базы, которую вы купили, много сигнала там нет. Модель будет плохо работать. Если у вас есть поведенческие данные (они посетили вашу посадочную страницу, открыли письма, посмотрели видео), то да, приоритизация работает хорошо даже для холодных лидов. Выделяет самых горячих из холодной базы.
Конфликтует ли приоритизация ИИ с ABM-стратегией?
Нет, они хорошо дополняют друг друга. ABM это когда вы целитесь в определённые компании. ИИ-приоритизация это ранжирование внутри этих целевых компаний. Вы можете использовать обе стратегии одновременно. Сначала отфильтровать лидов из целевых компаний, потом ранжировать по приоритету.
ИИ-приоритизация работает не потому, что ИИ чудо. Она работает потому, что менеджер, который звонит горячему лиду, закрывает больше сделок, чем менеджер, который звонит холодному. Технология просто помогает вам это понять и применить. Остальное вы делаете сами.
Внедрение ИИ для приоритизации лидов это не рискованный экспернмент, это обычная бизнес-практика. Компании, которые это делают, получают видимый результат в течение месяца. Конверсия растёт на 20–40%, производительность менеджеров растёт, качество работы улучшается. Это происходит не потому, что менеджеры становятся лучше, а потому, что они теперь работают с лучшими лидами.
Если вы всё ещё думаете, нужна ли вам приоритизация, ответ простой: если вы обрабатываете более 50 лидов в месяц, вам нужна. Если менее 50, можно обойтись и без этого. Но когда вы масштабируетесь и лидов становится больше, это становится критичным. Лучше внедрить сейчас, чем потом спешить.
Начните с малого. Возьмите вашу CRM, возьмите 6 месяцев истории, выгрузите данные, обучите модель. Даже если это будет первая попытка, скорее всего вы увидите результат. Качество предсказаний может быть не идеальным, но оно будет выше, чем случайная расстановка. А это значит, конверсия вырастет.
