Embeddings в CRM — поиск похожих клиентов и сделок

Что такое embeddings простым языком

Представьте, что каждый ваш клиент — это точка на карте. Но не на обычной плоской карте, а в пространстве с сотнями измерений. Одно измерение — средний чек. Другое — частота покупок. Третье — время принятия решения. Четвёртое — реакция на скидки. И так далее — сотни параметров.

Embedding — это координаты клиента в этом многомерном пространстве. Набор чисел (обычно от 256 до 1536), который уникально описывает клиента на основе всех доступных данных. И вот что важно: похожие клиенты в этом пространстве расположены близко друг к другу. Не потому что мы так решили, а потому что так работает математика.

Технически embeddings создаются нейронными сетями. Модель «читает» всю информацию о клиенте — историю покупок, переписку, звонки, поведение на сайте — и сжимает её в компактный числовой вектор. При этом сохраняется смысл: клиенты со схожим поведением получают похожие векторы.

Попросите опытного продавца описать клиента одним числом — он не сможет. А нейросеть может. Этот набор чисел содержит всю суть клиента в сжатом виде.

Как embeddings работают в CRM: от данных к вектору

Когда мы внедряем CRM AI, один из первых вопросов: «А откуда система берёт данные для этих ваших векторов?». Честный ответ — отовсюду. Embeddings создаются автоматически для каждого клиента и каждой сделки, и вот что попадает в расчёт:

Транзакционные данные — это фундамент. Что клиент покупал, когда, на какую сумму, с какой периодичностью. Но не просто список покупок — система видит паттерны. Клиент, который заказывает раз в месяц ровно 15-го числа, и клиент, который заказывает хаотично «когда вспомнит» — это разные типы поведения. И система это улавливает.

Коммуникации — тональность писем, частота обращений, темы вопросов. Один клиент пишет сухо и по делу, другой — длинные письма с вопросами и благодарностями. Один звонит при малейшей проблеме, другой решает всё сам. Эти различия — тоже часть «отпечатка».

Поведение в воронке продаж — как быстро клиент проходит этапы, где «зависает», какие возражения выдвигает. Мы видели случаи, когда два клиента выглядели одинаково на бумаге, но один закрывался за неделю, а второй мариновал сделку месяцами. Embeddings ловят эту разницу.

Демографические данные — отрасль, размер компании, регион, должность контактного лица. Классика, которая тоже важна. Но не сама по себе, а в сочетании с поведением.

Взаимодействие с контентом — какие письма открывал, по каким ссылкам кликал, какие документы скачивал. Клиент, который читает каждый ваш кейс — это не то же самое, что клиент, который удаляет рассылки не глядя.

Все эти данные проходят через языковую модель, которая создаёт единый вектор. Важный момент: система учитывает не только явные данные, но и неявные паттерны. Клиент может нигде не написать «мне важна быстрая доставка». Но если он систематически выбирает экспресс-опции и доплачивает за срочность — это отразится в его embedding. Система «понимает» то, что клиент никогда не формулировал словами.

Обновление embeddings происходит автоматически при каждом значимом событии: новая покупка, звонок, письмо, клик. Вектор клиента эволюционирует вместе с отношениями — он не статичен, а живой.

Поиск look-alike клиентов для upsell

Вернёмся к задаче Марины. Помните — её аналитик потратил неделю на Excel и получил 3% конверсии? В CRM AI та же задача решается за секунды. Буквально. Вы открываете карточку лучшего клиента, нажимаете «Найти похожих» — и система выдаёт список компаний, отсортированных по степени «похожести». От 95% до 60% и ниже.

Но это не просто похожие по отрасли или обороту — такое и в Excel можно сделать. Это клиенты с похожим поведенческим профилем. Они так же принимают решения — быстро или долго. Так же реагируют на предложения — охотно или с сомнениями. Так же платят — сразу или после третьего напоминания. По сути, это клоны вашего лучшего клиента — просто пока они покупают меньше. И вот тут начинается самое интересное: почему меньше?

Мы разработали простой практический сценарий, который работает практически в любой B2B-компании:

Сначала выберите 10 клиентов с самым высоким LTV за последний год — это ваши «эталоны». Для каждого из них запустите поиск похожих. Система найдёт не просто списки, а пересечения — клиентов, которые похожи сразу на нескольких лидеров. Это ваши «суперпохожие». Если компания напоминает сразу трёх ваших лучших клиентов — это не случайность. Это закономерность, которую стоит использовать.

Когда Марина попробовала этот подход, менеджеры начали звонить не по 200 компаниям из Excel-списка, а по 47 «суперпохожим». Результат? Конверсия 18% вместо 3%. Шестикратный рост — и это не магия, не везение, а математика. Менеджеры тратили меньше времени на звонки, но закрывали больше сделок. Работа стала осмысленнее — они понимали, почему звонят именно этому клиенту.

Рекомендации следующего шага в сделке

Один из частых вопросов от руководителей отделов продаж: «Почему одни менеджеры закрывают сделки, а другие — нет? Они же работают с одинаковыми клиентами!». Ответ часто кроется в мелочах — в том, какое действие менеджер предпринимает в конкретный момент. Отправил ли он кейс. Предложил ли демо. Позвонил или написал. И embeddings помогают передать эту «интуицию» от лучших продавцов — всем остальным.

Embeddings работают не только для клиентов, но и для сделок. Каждая сделка в CRM — это тоже вектор: сумма, продукт, этап воронки, история переговоров, поведение клиента на встречах. И когда менеджер работает с текущей сделкой, система находит похожие закрытые сделки и анализирует: какие действия привели к успеху? Какие — к провалу? На основе этого формируются рекомендации.

Вот как это выглядит на практике. Менеджер открывает сделку и видит подсказку: «В похожих сделках отправка кейса на этом этапе повышала конверсию на 34%». Или: «Клиенты с таким профилем обычно запрашивают демо — предложите проактивно, не ждите». Или даже тревожный сигнал: «Средний цикл для похожих сделок — 14 дней. Эта длится уже 20 — риск оттока». Система не просто показывает статистику — она буквально подсказывает, что делать прямо сейчас.

Мне особенно нравится один пример: система подсказала менеджеру «В аналогичных ситуациях скидка 10% закрывала 67% сделок». Менеджер был уверен, что клиент просто долго думает. Оказалось — клиент ждал предложения о скидке, но не хотел просить сам. Одна подсказка — и сделка закрылась в тот же день.

Это не абстрактные советы из книг по продажам вроде «выстраивайте отношения» или «работайте с возражениями». Это конкретные рекомендации, основанные на вашей истории сделок, на вашем рынке, на ваших клиентах. Система учится на опыте лучших продавцов и передаёт эти знания каждому менеджеру. Даже новичку, который вышел на работу вчера.

Умная сегментация: не по полям, а по поведению

Традиционная сегментация в большинстве CRM выглядит одинаково: отрасль, размер компании, регион. Сегмент «IT-компании Алматы с оборотом от 100 млн тенге». Логично. Аккуратно. И почти бесполезно для реальных продаж. IT-компания с молодым директором, который любит инновации, и IT-компания с консервативным руководством, которое боится рисков — это два совершенно разных клиента. Но в традиционной сегментации они в одном списке.

Сегментация на embeddings работает иначе. Вы не задаёте критерии — система сама находит естественные группы клиентов. Те, кто ведёт себя похоже, оказываются в одном кластере. Независимо от отрасли и географии. И вот тут начинаются открытия.

Вы можете вдруг обнаружить, что ваши лучшие клиенты — это не «крупные компании», как вы думали, а «компании с молодым руководством, которые быстро принимают решения и ценят инновации». Это совершенно другой профиль, который невозможно выделить фильтрами в Excel. Или выяснится, что клиенты делятся не на привычных «оптовиков» и «розницу», а на «охотников за скидками» и «ценителей сервиса». Первым нужны акции и специальные предложения — они только так принимают решение о покупке. Вторым нужна приоритетная поддержка и персональный менеджер — для них цена вторична. Понимаете разницу? Это не два типа бизнеса — это два типа мышления. И работать с ними нужно совершенно по-разному.

Поиск аномалий: клиенты, которые «выбиваются»

Иногда самое ценное — найти не похожих клиентов, а наоборот — непохожих. Тех, чей embedding далеко от всех кластеров. Они не вписываются ни в одну группу. Это аномалии — и они бывают двух типов, каждый из которых по-своему важен.

Позитивные аномалии — это клиенты, которые ведут себя нетипично хорошо. По всем признакам они должны быть обычными, средними. Но они покупают больше, платят быстрее, возвращаются чаще, чем должны по своему профилю. Почему? Что мы сделали правильно в работе именно с этим клиентом? Может, случайно попали на нужного человека в компании? Или предложили идеальный продукт? Или менеджер выстроил особые отношения? Разберитесь — и попробуйте масштабировать этот успех на других похожих клиентов.

Негативные аномалии — это обратная ситуация. Клиенты, которые по всем признакам должны быть лояльными, но ведут себя странно. Их профиль похож на лучших клиентов — они из той же отрасли, того же размера, с похожим поведением на старте. Но они не покупают. Или покупают меньше, чем должны. Что пошло не так? Возможно, проблема в конкретном менеджере. Или в продукте, который им продали. Или была какая-то ошибка в обслуживании, о которой никто не знает. Такие аномалии — это сигнал копать глубже.

Отдельная история — поиск потенциального оттока. Embeddings не статичны, они меняются со временем. И если embedding клиента начинает «дрейфовать» — сдвигаться в сторону кластера ушедших клиентов — это ранний сигнал тревоги. Клиент ещё ничего не сказал, не написал жалобу, не отменил подписку. Но его поведение уже изменилось. Он реже открывает письма. Меньше заходит в систему. Дольше отвечает на звонки. Всё это отражается в векторе — и система это видит раньше, чем человек.

CRM AI автоматически отслеживает такие дрифты и уведомляет менеджера: «Поведение клиента X изменилось. Риск оттока: высокий». И не просто предупреждает, а даёт конкретные рекомендации: «Похожие клиенты удерживались, когда мы предлагали персональную скидку» или «Стоит назначить звонок с руководителем». Это не паника — это возможность вмешаться до того, как клиент уйдёт.

Технические аспекты: какие данные векторизуем

Этот раздел — для тех, кто любит понимать, как устроены вещи под капотом. Если вам достаточно знать, что «это работает» — смело пропускайте. А если хотите разобраться в механике — читайте дальше.

Embeddings в CRM AI создаются на базе языковой модели, специально дообученной на бизнес-данных. Вот как устроен весь пайплайн от сырых данных до готового вектора:

Этап первый — сбор сырых данных. Из CRM извлекается буквально всё, что связано с клиентом. Структурированные поля — название компании, отрасль, оборот, регион. История транзакций — каждая покупка, каждый платёж. Текст переписки — все письма, все сообщения в чате. Записи звонков — да, они транскрибируются и тоже попадают в анализ. Действия в системе — что клиент смотрел, куда кликал, сколько времени провёл на каждой странице. Это огромный массив информации, который человек просто не способен обработать вручную.

Этап второй — предобработка. Сырые данные нужно привести к единому формату. Числовые данные нормализуются — чтобы «оборот в 100 миллионов» и «5 звонков в месяц» можно было сравнивать. Текстовые данные очищаются от мусора и токенизируются — разбиваются на смысловые единицы. Категориальные данные (отрасль, регион) кодируются специальным образом. Временные ряды — например, динамика покупок за год — преобразуются в фичи: тренд (растёт или падает), сезонность (есть ли пики в определённые месяцы), волатильность (стабильные покупки или хаотичные).

Этап третий — генерация embedding. Вот тут начинается настоящая магия. Подготовленные данные проходят через трансформер — тип нейросети, который умеет находить сложные зависимости между разными типами информации. На выходе получается вектор размерности 768 — это стандарт для большинства задач, хотя для особо сложных случаев мы используем 1536. Каждое из этих 768 чисел — это не «средний чек» или «частота покупок» в явном виде. Это «сжатая» информация о какой-то грани клиента, которую модель научилась выделять. Человеку эти числа ни о чём не говорят. Но математика с ними работает отлично.

Этап четвёртый — индексация. Готовые векторы сохраняются в специальной базе данных — vector database. Это не обычная SQL-база, а система, оптимизированная для одной конкретной операции: найти ближайших соседей к заданному вектору. Звучит просто, но попробуйте найти 10 ближайших точек среди миллиона в 768-мерном пространстве за миллисекунды. Обычные базы данных этого не умеют. Специализированные — умеют.

Этап пятый — обновление. Embeddings — не статичная картинка, а живой организм. При каждом значимом событии — новая покупка, звонок, письмо — embedding клиента пересчитывается инкрементально. Система не ждёт ночи или выходных — она обновляет вектор в реальном времени. Полный пересчёт всей базы происходит раз в сутки — для учёта глобальных изменений в паттернах поведения.

Примеры запросов: «клиенты как Иванов», «сделки как успешные»

В CRM AI поиск по embeddings интегрирован с AI-ассистентом. Можно использовать естественный язык вместо технических запросов.

Менеджеру не нужно понимать, как работают векторы. Он просто спрашивает — и получает ответ. Вся математика скрыта под капотом.

Интеграция с AI-ботом: естественный язык для поиска

AI-бот в CRM AI использует embeddings для понимания контекста разговора. Когда клиент пишет в чат, бот не просто ищет ключевые слова — он понимает смысл.

Как это работает:

Сообщение клиента преобразуется в embedding. Система ищет похожие прошлые обращения и их решения. Если нашлось релевантное — бот отвечает на основе успешного опыта. Если нет — передаёт оператору с контекстом.

Пример: клиент пишет «Когда привезут мой заказ, я уже третий день жду». Классический чат-бот будет искать слово «заказ» и выдавать шаблон про отслеживание. AI-бот понимает: это жалоба на задержку. Он находит похожие кейсы, видит, что обычно помогает промокод на следующий заказ + связь с логистикой. И действует соответственно.

Результат: меньше шаблонных ответов, больше решённых проблем с первого обращения.

Кейс: дистрибьютор нашёл 150 неохваченных клиентов

Эту историю я люблю рассказывать, потому что она показывает, как простая технология может изменить бизнес. Компания «СтройОпт» — дистрибьютор строительных материалов в Казахстане. Ничего необычного: 2000 активных клиентов, 15 менеджеров, склады в трёх городах. И классическая проблема, с которой сталкиваются почти все: непонятно, кому из существующих клиентов можно продавать больше. Менеджеры работают «по привычке» — каждый со своими клиентами, без системы.

Коммерческий директор поставил задачу: найти клиентов с высоким потенциалом, которые недозакупают. Звучит просто, но попробуйте сделать это вручную с базой в 2000 компаний. Традиционный подход — смотреть на обороты, фильтровать по отрасли, анализировать историю. Месяцы работы с негарантированным результатом.

Мы предложили другой путь. Загрузили базу в CRM AI — система автоматически создала embeddings для всех клиентов. Это заняло около двух часов. Затем выделили кластер «золотых» клиентов — топ-100 по LTV за последние два года. Это были те, кто покупал много, стабильно, с хорошей маржинальностью. Эталоны, на которых хотелось бы равняться.

Дальше — запустили поиск похожих среди остальных 1900 клиентов. Результат удивил даже нас: система нашла 150 компаний, чьи embeddings оказались очень близки к «золотым», но при этом объёмы их закупок были в 3-5 раз меньше. То есть эти компании вели себя как лучшие клиенты — так же общались, так же принимали решения, так же реагировали на предложения — но почему-то покупали значительно меньше.

Начали разбираться. И вот что выяснилось: эти 150 клиентов работали с «СтройОптом» по 1-2 категориям товаров, хотя их профиль предполагал потребность в 5-6 категориях. Они закупали, например, только сухие смеси. Хотя явно нуждались ещё в кровельных материалах, утеплителях, крепеже. Почему не покупали? Просто не знали, что «СтройОпт» это тоже продаёт. Или им никто не предлагал — менеджеры привыкли продавать «своё» и не думали о кросс-продажах.

Ключевой инсайт этого кейса: эти 150 клиентов были в базе годами. Некоторые — больше пяти лет. Они никуда не собирались уходить. Но их просто не видели как потенциальных «золотых». Менеджеры смотрели на них как на обычных, средних клиентов — и так к ним относились. Embeddings сделали скрытое — явным. Показали, что под обычной оболочкой скрывается огромный потенциал. Нужно было просто его увидеть.

Как включить embeddings в CRM AI

Если вы уже используете CRM AI — embeddings доступны на тарифах Professional и Enterprise. Вот как начать:

Шаг 1: Активация модуля

В настройках системы найдите раздел «AI-функции» → «Embeddings и похожесть». Включите модуль. Система начнёт индексацию базы — это занимает от 10 минут до нескольких часов в зависимости от объёма данных.

Шаг 2: Настройка источников данных

Выберите, какие данные учитывать: только транзакции или включая переписку и звонки. Чем больше данных — тем точнее embeddings, но и дольше обработка.

Шаг 3: Первый поиск

Откройте карточку любого клиента. В правом меню появится кнопка «Найти похожих». Нажмите — и увидите список с оценкой похожести от 0 до 100%.

Шаг 4: Кластеризация

В разделе «Аналитика» → «Сегментация AI» запустите автоматическую кластеризацию. Система предложит оптимальное количество кластеров и опишет каждый.

Шаг 5: Мониторинг дрифта

Включите уведомления о дрифте embeddings. Система будет сообщать, когда поведение клиента значимо меняется — в лучшую или худшую сторону.

Ограничения и что нужно учитывать

Embeddings — мощный инструмент, но не волшебная палочка. Вот честные ограничения:

Нужны данные. Для качественных embeddings требуется история. Если клиент только вчера появился в базе — его вектор будет неточным. Минимум для адекватной работы — 3-6 месяцев истории по клиенту.

Качество данных критично. Мусор на входе — мусор на выходе. Если менеджеры не заполняют карточки, не логируют звонки — embeddings будут неполными. Система честно покажет «уверенность» в каждом результате.

Интерпретация требует человека. Система скажет «клиент А похож на клиента Б на 87%». Но почему похож — не всегда очевидно. Для глубокого анализа нужно смотреть детализацию.

Не заменяет экспертизу. Embeddings находят паттерны в данных. Но решение всё равно принимает человек. Если система говорит «этот клиент похож на VIP» — проверьте, прежде чем отправлять персонального менеджера.

Приватность. Embeddings содержат «сжатую» информацию о клиентах. Нельзя восстановить исходные данные из вектора, но при экспорте embeddings нужно соблюдать политики безопасности.