Next best action: как строится система рекомендаций для менеджеров

Утро понедельника: 47 задач и ни одной подсказки

Вот типичное утро Андрея, аккаунт-менеджера в B2B-компании. Он открывает CRM, видит 47 просроченных задач, 12 новых писем и 3 пропущенных звонка. В пайплайне — 62 сделки на разных этапах. Кофе остывает, а Андрей уже чувствует лёгкую панику.

С чего начать? Крупная сделка с банком «висит» уже месяц — может, её пора дожать? Или сначала ответить на письмо от нового лида, пока он не остыл? А ещё директор вчера спрашивал про сделку с телекомом — наверное, её надо приоритизировать?

Андрей выбирает проверенный метод: начинает с самых крупных сделок. Звонит в банк — там никто не берёт трубку (конечно, понедельник, 9 утра). Пишет в телеком — получает автоответ об отпуске. К обеду он понимает, что занимался не тем. А тот самый новый лид, который открыл коммерческое предложение 5 раз за выходные, уже получил ответ от конкурента.

Знакомая ситуация? Именно её и решает система Next Best Action — когда вместо гадания на кофейной гуще ты получаешь конкретный ответ: «Вот этому клиенту, вот это действие, вот почему, вот прямо сейчас».

Что такое Next Best Action: от списка задач к умному помощнику

Представьте, что у вас есть опытный наставник, который знает всё о каждом клиенте, помнит каждое письмо и звонок, видит, что клиент делает прямо сейчас, и при этом помнит, как заканчивались похожие ситуации в прошлом. И каждое утро он говорит вам: «Слушай, сейчас самое важное — позвонить Петрову. Вот почему...»

Это и есть Next Best Action. Не очередной список задач, а конкретная рекомендация с объяснением.

Разница с традиционным подходом — как между GPS-навигатором и бумажной картой. Карта показывает все дороги, а навигатор говорит: «Через 200 метров поверните направо, впереди пробка». Он учитывает контекст: время суток, пробки, ваши предпочтения.

Так же и NBA. Она не просто напоминает «позвонить клиенту через 3 дня» — она видит, что клиент прямо сейчас изучает ваше коммерческое предложение, и говорит: «Позвони сейчас. Он открыл КП пятый раз за сегодня, застрял на странице с ценами. Если позвонишь в ближайший час — шансы на сделку 68%. Через три дня — уже 34%».

Как это работает под капотом: пять шагов к рекомендации

Когда вы видите рекомендацию «позвоните Петрову в ближайший час», за ней стоит целый конвейер. Давайте пройдём по нему — не как по техническому мануалу, а как по пути сигнала от клиента до вашего экрана.

Шаг первый: система слушает всё

Представьте огромного осьминога, щупальца которого тянутся ко всем точкам касания с клиентом. CRM сообщает, что сделка уже три недели на одном этапе. Почта подсказывает, что клиент не открывал ваши письма пять дней, но вдруг сегодня открыл три подряд. Сайт видит, что он изучает страницу с ценами. Продукт замечает: в триале он провёл час, но застрял на настройке интеграции.

Каждый щупалец тянет свой сигнал. По отдельности они мало что значат. Вместе — складываются в картину.

Шаг второй: сигналы превращаются в смыслы

Сырые данные — это шум. «Клиент открыл 3 письма» — и что? А вот «активность клиента выросла в 5 раз за последние сутки после двухнедельного молчания» — это уже сигнал. Система переводит факты в осмысленные индикаторы: насколько клиент «горячий», с какой скоростью движется по воронке (быстрее или медленнее обычного), сколько человек со стороны клиента вовлечено в процесс, когда было последнее касание и было ли оно продуктивным.

Шаг третий: прогнозы на основе опыта

Теперь система задаёт вопросы. Какова вероятность, что эту сделку вообще можно закрыть? Насколько велик риск, что клиент «остынет» или уйдёт к конкуренту? Если позвонить сейчас — ответит? А если написать — прочитает? Какой канал сработает лучше именно с этим клиентом?

Ответы приходят не из воздуха. Модель помнит тысячи похожих ситуаций из прошлого. Она знает: когда клиент после молчания вдруг открывает три письма и идёт на страницу цен — это критическое окно. В 68% случаев звонок в этот момент приводил к продолжению диалога. Через три дня — уже только в 34%.

Шаг четвёртый: веер возможностей

Для каждой ситуации есть несколько вариантов действий. Можно позвонить. Можно написать письмо. Можно отправить кейс из похожей отрасли. Можно предложить встречу. Можно... ничего не делать и подождать.

Система оценивает каждый вариант: что мы получим, если это сработает? Какова вероятность успеха? Сколько времени это займёт? И выбирает тот, который даёт максимальный эффект при минимальных затратах.

Шаг пятый: контекст менеджера

Последний штрих — система смотрит на вас. У вас сегодня пять встреч? Значит, длинные звонки отложим, предложим быстрые действия. Вы сильны в переговорах с финансистами? Приоритет на такие сделки. У вас хорошие отношения с этим конкретным клиентом? Рекомендуем прямой звонок, а не формальное письмо.

В результате вы получаете не абстрактную рекомендацию, а конкретное действие, подобранное под ситуацию и под вас лично.

Шесть ситуаций, когда система говорит «действуй»

NBA — не универсальный советчик на все случаи жизни. Она заточена под конкретные ситуации, где действие критически важно. Вот главные из них.

«Спасай, пока не поздно»

Клиент молчит уже две недели. На прошлой неделе он встречался с вашим конкурентом (LinkedIn не лжёт). Сделка на 2 миллиона рублей повисла в воздухе. Система бьёт тревогу: «Позвони прямо сейчас. Не завтра. Не после обеда. Сейчас. Вероятность потери — 73%, но ещё есть шанс перехватить».

«Дай пинок — сделка застряла»

Три недели на этапе «оценка решения». Ничего не двигается. Клиент не отказывает, но и не продвигается. Знакомо? NBA предлагает: «Предложи бесплатный пилот. Похожие сделки, которые застревали на этом этапе, закрывались в 3 раза чаще после пилота».

«Лови момент — клиент горячий»

Вот это самое ценное. Клиент сегодня пять раз открыл коммерческое предложение. Последний раз — 10 минут назад. Он сидит на странице с тарифами. Прямо сейчас. Система кричит: «Звони в ближайший час! Он готов обсуждать. Через три дня этот момент уйдёт».

«Нужен союзник внутри»

Вы общаетесь только с одним человеком — коммерческим директором. Но решение буксует на уровне IT. Система подсказывает: «Найди техлида. В похожих сделках вовлечение технического специалиста увеличивало вероятность закрытия на 45%». И даже подсказывает имя нужного человека, если видит его в переписке или на встречах.

«Ещё рано давить — подогрей»

Новый лид, только начал изучать тему. Звонить с предложением — рано, спугнёшь. Система рекомендует: «Отправь кейс из их отрасли. Он пока на этапе исследования, нужен контент, а не звонок».

«Готов к расширению»

Клиент уже пользуется вашим продуктом. Использование выросло на 80% за последний месяц, приближается к лимитам тарифа. Идеальный момент: «Предложи premium-план. Он уже упирается в ограничения, сам скоро придёт — но лучше прийти первым».

Математика выбора: почему система рекомендует именно это

За рекомендациями стоит логика, которую можно объяснить на пальцах. Представьте: у вас есть сделка на 500 тысяч рублей. Что делать?

Вариант первый — позвонить прямо сейчас. Шансы на успех — 35% (клиент «тёплый», активничает). Если сработает — получите 500К. Потратите 15 минут. Ожидаемый выигрыш: 175 тысяч минус 15 минут времени.

Вариант второй — написать письмо с кейсом. Шансы — 15% (письма работают хуже звонков в этой ситуации). Выигрыш тот же, но вероятность ниже. Ожидаемый результат — 75 тысяч минус 5 минут.

Вариант третий — ничего не делать. Клиент может сам вернуться. Шанс — 10%. Ожидаемый результат — 50 тысяч, зато ноль затрат времени.

Система видит: звонок даёт в 3,5 раза больший ожидаемый результат, чем бездействие. Да, он требует 15 минут — но эти 15 минут приносят больше, чем любая альтернатива. Значит, рекомендация — звонок.

Конечно, в реальности расчёты сложнее. Система учитывает не только эту сделку, но и все остальные в вашем пайплайне. Может оказаться, что те же 15 минут на звонок другому клиенту принесут ещё больше. Тогда рекомендация изменится.

Откуда система знает, что сработает: уроки из тысяч сделок

Вот вопрос, который мне часто задают: «Откуда система берёт эти проценты? 35% вероятности — это что, с потолка?»

Нет. Система учится на истории вашей компании. Она проанализировала тысячи прошлых сделок и нашла закономерности, которые человек просто не способен удержать в голове.

Например, она заметила: когда клиент открывает коммерческое предложение три раза и больше — вероятность закрытия сделки подскакивает на 25%. Когда на встрече появляется финансовый директор — ещё плюс 40%. Когда клиент отвечает на письмо в течение двух часов — это тоже хороший знак, плюс 15%.

Но самое интересное — система находит связи, которые людям незаметны. Вот реальный пример: в одной компании модель обнаружила, что сделки с fintech-стартапами размером 50-200 человек закрываются вдвое чаще, если первый звонок делает не SDR, а сразу аккаунт-менеджер. А вот для крупных enterprise-клиентов — ровно наоборот: там лучше сначала SDR проводит discovery, и только потом подключается AE.

Ни один руководитель продаж не смог бы выявить такой паттерн, глядя на отчёты в Excel. Но модель, просеяв данные, нашла — и теперь использует это знание в каждой рекомендации.

Рекомендации, которые знают вас лично

Хорошая NBA-система не просто смотрит на клиента — она смотрит на вас. И это меняет всё.

Допустим, у вас сегодня пять встреч подряд. Между ними — по 15 минут. В такой день система не будет рекомендовать часовой звонок с deep-dive разговором. Она предложит быстрые действия: отправить письмо, написать в мессенджер, поставить задачу на завтра. Система видит ваш календарь и адаптируется.

Или вот другой пример. Вы — эксперт в продажах финтех-компаниям. У вас конверсия в этом сегменте вдвое выше средней по отделу. Система это знает. И когда появляется выбор — кому отдать нового финтех-лида — она приоритизирует вас. А вам, соответственно, рекомендует именно эти сделки в первую очередь.

Ещё один нюанс — история отношений. Если у вас уже был хороший контакт с конкретным клиентом, система порекомендует прямой звонок. А если вы общаетесь с незнакомым человеком — предложит сначала написать, чтобы не выглядеть навязчиво.

В этом смысле NBA — это не безликий робот с одинаковыми советами для всех. Это персональный помощник, который понимает, как работаете именно вы.

Как рекомендации попадают к менеджеру: четыре сценария

Самая умная система бесполезна, если её советы никто не видит. Или видит, но в неудобный момент. Поэтому способ доставки рекомендаций — отдельная история.

Сценарий первый: «Алярм! Действуй сейчас!» Это push-уведомление в реальном времени. Телефон вибрирует, на экране: «Клиент Петров сейчас на сайте, смотрит тарифы. Позвони в ближайшие 10 минут». Это для ситуаций, когда время критично — «горячий» момент может уйти через час.

Сценарий второй: утренний брифинг. Вы приходите на работу, открываете почту или Slack — а там список из 7-10 главных действий на сегодня. С приоритетами, с объяснениями. Не нужно самому рыться в CRM и решать, с чего начать. Всё уже продумано.

Сценарий третий: помощь по запросу. Вы открыли карточку сделки в CRM — и прямо там, в интерфейсе, видите подсказку: «Следующий шаг — позвонить и обсудить пилот. Вот почему...». Это контекстная помощь в момент, когда вы сами думаете над сделкой.

Сценарий четвёртый: автопилот. Некоторые действия система может делать сама. Например, отправить follow-up письмо через три дня после встречи. Или создать задачу «позвонить» и поставить её на нужное время. Менеджер получает уведомление: «Я отправила письмо Петрову, как планировали. Можешь посмотреть и скорректировать, если что».

Как понять, что система работает

Внедрили NBA — и что дальше? Как понять, приносит она пользу или просто красиво выглядит на демо?

Первый индикатор — используют ли люди рекомендации. Если менеджеры выполняют хотя бы 60% предложенных действий — система прижилась. Если меньше 30% — что-то не так: либо рекомендации неточные, либо неудобно доставляются, либо люди не доверяют.

Второй индикатор — точность советов. Из выполненных рекомендаций сколько привели к результату? Если каждая четвёртая — это хороший показатель. Помните: продажи — это статистика, 100% не бывает. Но если точность ниже 15% — модель пора дообучать.

Третий — скорость реакции. Для срочных рекомендаций («позвони сейчас, клиент горячий») важно, чтобы менеджер действовал в течение пары часов. Если срочные советы выполняются через день — теряется весь смысл.

И, наконец, главное — бизнес-результаты. Win rate вырос? На сколько? Обычно хорошая NBA даёт плюс 10-20% к конверсии. Цикл сделки сократился? На 15-25% — реалистичная цель. Если этих изменений нет — система не работает, какие бы красивые дашборды она ни показывала.

Пять способов убить хорошую идею

Я видел много внедрений NBA. Некоторые взлетели, некоторые разбились. Вот что ломает систему чаще всего.

«У тебя 47 рекомендаций на сегодня». Серьёзно? Когда всё важно — ничто не важно. Менеджер открывает список из полусотни пунктов, вздыхает и идёт работать по-старому. Оптимум — 5-10 рекомендаций в день, не больше. Остальные пусть ждут своей очереди.

«Позвони клиенту А». И всё? А почему? А что случилось? Рекомендация без объяснения — это не рекомендация, а приказ от непонятного алгоритма. Люди не любят слепо подчиняться машине. Им нужен контекст: «позвони, потому что он пять раз открыл КП и завис на странице цен». Тогда действие осмысленно.

«Позвони прямо сейчас» — а клиент в отпуске. Менеджер это знает — вчера получил автоответ. А система не знает, потому что не умеет читать автоответы. Результат — доверие падает. Нужен механизм обратной связи: «отклонить, потому что клиент в отпуске». И система должна на этом учиться.

Система не улучшается со временем. Если модель не учится на результатах — она костенеет. Выполнили рекомендацию — сделка закрылась? Запомнить. Отклонили — и правильно сделали? Тоже запомнить. Без обратной связи через полгода система устареет.

«Это чтобы начальство следило за нами». Классическое сопротивление. Менеджеры думают, что система — это инструмент контроля, а не помощи. Бороться с этим можно только результатами: «Маша следует рекомендациям — у неё win rate на 20% выше. Петя игнорирует — у него средний». Когда люди видят, что это реально помогает — сопротивление уходит.

А мы вообще можем это внедрить?

Хороший вопрос. NBA — не волшебная палочка, и не каждая компания к ней готова. Давайте честно проверим.

Данные — топливо для модели. Нужна история сделок минимум за год, причём не пять закрытых сделок, а хотя бы двести. Меньше — модели не на чем учиться. Ещё нужны коммуникации: почта, звонки, с датами и длительностью. Если у вас есть триал или freemium — активность пользователей в продукте тоже очень ценна. И всё это должно быть чистым: если в CRM половина сделок с неправильными датами и суммами — сначала надо навести порядок.

Техническая инфраструктура. CRM должна уметь отдавать и принимать данные через API. Почта и календарь — интегрированы. Должен быть канал, через который рекомендации дойдут до менеджеров: виджет в CRM, бот в Slack, утренняя рассылка — что угодно, но оно должно существовать.

Процессы и люди. Воронка продаж — понятная и реально используемая. Не «у нас есть воронка в CRM, но никто не двигает сделки вовремя». Должен быть регулярный review сделок — хотя бы еженедельный. И, главное, команда должна быть готова работать с рекомендациями. Если продавцы воспримут это как очередную «игрушку начальства» — ничего не выйдет.

Как системы рекомендаций взрослели

NBA — не изобретение последних лет. Идея подсказывать менеджерам «что делать дальше» существует давно. Но реализации сильно менялись.

Первое поколение — правила. «Если сделка висит на этапе больше 7 дней — напомнить менеджеру». Просто, понятно, работает. Но грубо: система не знает, что это нормально для enterprise-сделок и тревожно для SMB. Много ложных срабатываний, менеджеры быстро начинают игнорировать.

Второе поколение — скоринг. Каждому фактору присваивается вес. Открыл письмо — плюс 5 баллов. Участие CFO — плюс 20. Молчит неделю — минус 10. Набрал 50 баллов — «горячий лид». Лучше, чем правила, но веса всё равно назначаются вручную. А рынок меняется — и веса устаревают.

Третье поколение — машинное обучение. Модель сама находит паттерны в данных и сама определяет веса. Точнее, умнее, адаптируется. Но требует много данных для обучения и часто работает как «чёрный ящик»: рекомендует, но не объясняет почему.

Четвёртое поколение — ML плюс LLM. Это то, к чему рынок движется сейчас. Машинное обучение считает вероятности и выбирает действие. А большая языковая модель генерирует человеческое объяснение и даже подсказывает, что сказать клиенту. Рекомендация превращается из сухого «позвоните» в полноценный брифинг перед звонком.

Как NBA встраивается в общий стек продаж

NBA — не одиночка. Она работает в связке с другими ИИ-инструментами, и чем лучше они интегрированы, тем мощнее результат.

Система скоринга рисков подсказывает, какие сделки под угрозой. NBA использует эту информацию для приоритизации: «эта сделка в красной зоне — действуй сейчас».

AI-прогнозирование смотрит на весь pipeline и предсказывает, сколько вы закроете в этом месяце. NBA работает глубже — на уровне конкретных сделок и конкретных действий.

Контроль квалификации по MEDDICC/SPICED показывает, где в сделке «дырки»: не выявлен бюджет, нет доступа к ЛПР. NBA использует эти дырки как сигнал: «следующий шаг — выяснить, кто принимает решение».

Персонализация коммуникаций генерирует контент под конкретного клиента. NBA говорит «отправь кейс», а система персонализации подбирает именно тот кейс, который сработает с этим клиентом из этой отрасли.

Вместе эти инструменты образуют экосистему, где каждый элемент усиливает остальные.

Семь вопросов перед стартом

Прежде чем внедрять NBA, честно ответьте себе на эти вопросы. Если на большинство — «нет», начинать рано.

Есть ли у вас год истории сделок? Не просто «CRM ведём год», а реальные данные: 200+ закрытых сделок с правильными датами, суммами, этапами. Если меньше — модели не на чем учиться.

Почта и звонки интегрированы с CRM? Система должна видеть коммуникации, иначе она слепа. «Менеджеры сами заносят итоги звонков» — не считается, это неполные данные.

Ваша воронка — реальность или фантазия? Этапы в CRM должны отражать то, как продажи происходят на самом деле. Если половина сделок «застревает» на первом этапе, потому что никто не двигает — данные бесполезны.

Команда примет рекомендации? Или скажет «опять начальство какую-то херню придумало»? Нужен хотя бы один-два сильных менеджера, которые станут чемпионами внедрения.

Есть канал доставки? Как рекомендации дойдут до людей? Slack, виджет в CRM, утренняя рассылка — должно быть готово.

Как вы поймёте, что это работает? Нужны чёткие KPI: adoption rate, win rate delta, сокращение цикла. Без метрик не отличите успех от провала.

Кто будет поддерживать? Модель нужно дообучать, следить за качеством рекомендаций, реагировать на фидбек. Это не «настроил и забыл».