Предиктивная аналитика сделок: какие лиды закроются с вероятностью 90%

В прошлом году я разговаривал с Асланом — руководителем отдела продаж дистрибьюторской компании в Алматы. У него в команде восемь менеджеров, и каждый ведёт по 40-60 сделок одновременно. «Знаешь, что меня убивает больше всего?» — спросил он. — «Мы тратим 80% времени на сделки, которые никогда не закроются. А потом теряем тех клиентов, которые реально хотели купить, потому что до них не дошли руки».

Это не уникальная проблема. По данным исследований, средний менеджер по продажам тратит только 35% рабочего времени непосредственно на продажи. Остальное — администрирование, поиск информации и, да, работа с неперспективными лидами, которые «вроде бы интересуются», но покупать не собираются.

А что если бы система сама подсказывала: «Этот клиент с вероятностью 87% закроет сделку в этом месяце — позвони ему сегодня. А вот этот — тянет время, вероятность 12%, не трать на него больше часа»?

Это не фантастика. Это предиктивная аналитика — и она уже работает в CRM-системах по всему Казахстану. В этой статье разберём, как это устроено под капотом, какие факторы влияют на прогноз, и — главное — как это применить в вашем бизнесе без PhD по машинному обучению.

Зачем вообще прогнозировать сделки: не только про деньги

Когда речь заходит о предиктивной аналитике, первая мысль — «это про прогноз выручки для финансистов». И да, это тоже. Но настоящая ценность — в другом.

Представьте, что у вас есть хрустальный шар, который показывает: какие 20% сделок принесут 80% выручки в следующем месяце. Что бы вы сделали? Очевидно — сфокусировали бы на них лучших менеджеров, ускорили бы процесс, убрали бы все препятствия. А остальные 80% сделок? Ну, кто-то из них тоже закроется, но тратить на них сопоставимые усилия — нерационально.

Проблема в том, что без данных этот «хрустальный шар» — интуиция менеджера. А интуиция, как показывает практика, систематически ошибается. Менеджеры переоценивают сделки, в которые уже вложили много времени (эффект невозвратных затрат). Недооценивают «тихих» клиентов, которые не звонят каждый день, но готовы купить. Путают вежливость с заинтересованностью.

Вернёмся к Аслану и его команде. После внедрения предиктивной аналитики они сделали простую вещь: каждое утро менеджеры получают список из 10 сделок с самой высокой вероятностью закрытия. Правило — начинать день именно с них. Результат за три месяца: конверсия выросла на 34%, при том что количество звонков даже немного снизилось.

«Раньше Нурлан мог полдня переписываться с клиентом, который "думает" уже четвёртый месяц, — рассказывает Аслан. — Теперь он видит: вероятность 8%, этот клиент не купит. Написал один follow-up — и переключился на тех, кто реально готов».

О том, как приоритизировать лиды с помощью scoring-моделей, мы подробно писали в статье Lead Scoring 2.0: как AI находит денежных клиентов.

Из чего складывается прогноз: факторы, которые видит AI

Когда опытный менеджер говорит «чувствую, что эта сделка закроется» — он на самом деле бессознательно анализирует десятки сигналов. Тон переписки, скорость ответов, какие вопросы задаёт клиент, кто ещё участвует в обсуждении. Проблема в том, что это «чутьё» невозможно масштабировать, передать новичку или проверить на ошибки.

AI-модель делает то же самое, но системно. Она смотрит на исторические данные — тысячи закрытых и проигранных сделок — и находит паттерны. Какие факторы коррелируют с успехом? Какие — с провалом? И насколько сильно каждый фактор влияет на результат?

Вот основные группы факторов, которые учитывают современные модели.

Важно понимать: ни один фактор сам по себе не определяет исход. Это комбинация. Клиент может быстро отвечать, но при этом задавать вопросы, типичные для «просто смотрящих». Или наоборот — молчать неделю, а потом прислать реквизиты для счёта.

Именно поэтому простые правила типа «если клиент не ответил за 3 дня — плохо» работают хуже, чем ML-модели. Правила не учитывают контекст. Модель — учитывает.

Есть один фактор, который заслуживает отдельного внимания — это так называемый «момент истины». В каждой сделке есть точка, после которой вероятность закрытия резко меняется. Для одних бизнесов это согласование коммерческого предложения. Для других — демонстрация продукта. Для третьих — встреча с техническим специалистом клиента.

AI-модель находит эти «моменты истины» автоматически, анализируя, на каком этапе сделки чаще всего переходят из «неопределённых» в «почти закрытые».

Под капотом: как работают модели прогнозирования

Если вы не data scientist — эта секция для вас. Объясню без формул, как устроена «магия» предиктивной аналитики.

Всё начинается с данных. Модель обучается на исторических сделках: вот эти закрылись успешно, эти — проиграны. Для каждой сделки известен набор характеристик (те самые факторы из таблицы выше). Задача модели — найти, какие комбинации характеристик ведут к успеху, а какие — к провалу.

Это похоже на то, как опытный врач ставит диагноз. Он не смотрит на один симптом — он оценивает картину в целом. Температура + кашель + боль в горле = скорее всего простуда. Температура + сыпь + головная боль = возможно что-то другое. Модель делает то же самое, только для сделок.

На практике чаще всего используется комбинация. Градиентный бустинг анализирует структурированные данные (этапы сделки, активность, профиль клиента). Нейросеть — тексты переписок и транскрипты звонков. Результаты объединяются в финальный score.

Но вот что важно понимать: модель — не оракул. Она выдаёт вероятность, не гарантию. Когда система говорит «вероятность 85%» — это значит, что из 100 похожих сделок 85 закрывались успешно. Но 15 — нет. И ваша конкретная сделка может оказаться в любой из групп.

Поэтому правильное использование прогноза — это приоритизация, а не бинарное решение «работать / не работать». Сделка с вероятностью 85% заслуживает больше внимания, чем сделка с 15%. Но обе могут закрыться — или не закрыться.

О том, как оценивать качество AI-моделей и избегать ложных прогнозов, мы писали в статье Оценка качества AI-бота: метрики, тестирование, CI/CD.

Как это выглядит в CRM: от score до рекомендаций

Модель — это только начало. Важно, как прогноз подаётся менеджеру. Если просто показать «вероятность 67%» — это ничего не значит. Что с этим делать? Почему 67, а не 70? Что изменить, чтобы стало 80?

Хорошая реализация предиктивной аналитики в CRM включает несколько уровней.

Самый мощный уровень — рекомендации. Это когда система не просто показывает вероятность, а объясняет, почему она такая, и что сделать для улучшения.

Например: «Вероятность снизилась с 72% до 58% за последнюю неделю. Причина: клиент перестал открывать ваши письма (последние 3 остались непрочитанными). Рекомендация: позвоните напрямую или напишите в мессенджер.»

Или: «Сделка на этапе "Согласование договора" уже 21 день — это дольше среднего в 2.5 раза. Типичные причины застревания на этом этапе: юридические правки (45%), отпуск ЛПР (30%), потеря приоритета (25%). Уточните у клиента причину задержки.»

Такие подсказки превращают абстрактный score в конкретный план действий. Менеджеру не нужно думать, что делать — система подсказывает.

Практика: как менеджеру работать с прогнозами

Теория — это хорошо, но как это применять каждый день? Вот несколько практических сценариев.

Утренняя приоритизация

Начинайте день с просмотра сделок, отсортированных по вероятности закрытия. Первые звонки — тем, у кого score выше 70%. Это клиенты, которые с высокой вероятностью готовы к следующему шагу.

Не игнорируйте сделки с низким score — но работайте с ними по остаточному принципу. Один follow-up в неделю достаточно. Если score вырастет — перейдут в приоритет.

Реакция на изменения

Следите за динамикой. Если вероятность резко упала — это сигнал. Что-то изменилось: клиент остыл, появился конкурент, сменился ЛПР. Разберитесь, пока не поздно.

И наоборот: если score вырос без ваших действий — клиент «прогревается» самостоятельно. Возможно, изучает ваш сайт, читает отзывы, сравнивает с конкурентами. Самое время связаться.

Планирование месяца

В начале месяца посмотрите на взвешенный pipeline: сумму сделок, умноженных на вероятность закрытия. Это реалистичный прогноз выручки, а не «все сделки, которые мы надеемся закрыть».

Если взвешенный pipeline меньше плана — ищите новых лидов. Если близко или выше — сфокусируйтесь на закрытии текущих.

О том, как строить точные прогнозы продаж и избегать типичных ошибок, читайте в статье Прогноз продаж в CRM: pipeline, forecast, сезонность.

Калибровка: как понять, что модель не врёт

Любая модель требует проверки. Если система говорит «80% вероятность», а на практике такие сделки закрываются только в 50% случаев — это плохая модель. Ей нельзя доверять.

Калибровка — это проверка, что предсказанные вероятности соответствуют реальным. Как это сделать? Берём все сделки, для которых модель предсказала вероятность 70-80%. Смотрим, какой процент из них реально закрылся. Если около 75% — модель калибрована. Если 40% или 95% — нужна коррекция.

Важно проверять калибровку регулярно — раз в квартал как минимум. Рынок меняется, продукт меняется, конкуренты меняются. Модель, которая отлично работала год назад, может устареть.

Ещё один момент — разные сегменты могут требовать разной калибровки. Модель может отлично прогнозировать B2B-сделки, но систематически ошибаться в B2C. Или наоборот. Поэтому смотрите калибровку не только в целом, но и по сегментам.

Если вы обнаружили, что модель систематически переоценивает или недооценивает вероятности — это сигнал для переобучения. Соберите свежие данные, пересчитайте модель, проверьте на тестовой выборке.

Кейс: фокус на top-30% лидов дал +45% конверсии

Расскажу историю одной логистической компании из Астаны. У них 12 менеджеров и около 800 активных сделок в любой момент времени. Средний чек — 2-3 млн тенге, цикл сделки — 2-4 месяца.

До внедрения предиктивной аналитики менеджеры работали по принципу «кто громче кричит». Клиент позвонил — отреагировали. Не позвонил — забыли. В результате многие перспективные сделки «засыпали»: клиент ждал follow-up, не дожидался, уходил к конкурентам.

После внедрения модели сделали простое изменение: каждый менеджер в начале дня получает список из 15-20 сделок с самым высоким score. Это его приоритет на день. Всё остальное — если останется время.

Что интересно: менеджеры стали делать меньше звонков, но закрывать больше. Парадокс? Нет. Раньше они тратили время на «мёртвые» сделки — клиентов, которые никогда не купят. Теперь это время идёт на тех, кто готов.

Ещё один эффект: улучшилось качество прогнозов для руководства. Раньше sales-директор в конце месяца получал «сюрпризы»: сделки, которые «точно закроются», срывались, а неожиданные — закрывались. Теперь взвешенный pipeline даёт точность прогноза в пределах 10-15%.

Подробнее о том, как анализировать причины успехов и неудач в продажах, читайте в статье Предиктивная аналитика продаж в CRM.

О чём нужно помнить: ограничения предиктивной аналитики

Было бы нечестно рассказывать только о плюсах. Предиктивная аналитика — мощный инструмент, но у него есть ограничения.

И ещё один важный момент: не превращайте score в догму. Я видел компании, где менеджеры перестали работать с лидами, у которых вероятность ниже 50%. «Зачем тратить время, если модель говорит, что не закроется?»

Это ошибка. Во-первых, 30% — это не 0%. Треть таких сделок всё-таки закрывается. Во-вторых, модель не учитывает всё. Может, клиент просто не любит переписку, но на встрече — совсем другой человек. Или у него сезонность, и через месяц он станет «горячим».

Используйте score для приоритизации, а не для бинарных решений «работать/не работать».

Заключение: как начать использовать предиктивную аналитику

Предиктивная аналитика — это не магия и не «технология будущего». Это практический инструмент, который уже сегодня помогает тысячам компаний продавать эффективнее.

Если резюмировать в нескольких пунктах:

• Начните с данных: убедитесь, что в CRM корректно фиксируются этапы сделок, активность клиентов, результаты
• Не гонитесь за сложностью: простая модель на чистых данных лучше, чем сложная на мусоре
• Внедряйте постепенно: начните с «утреннего списка приоритетов», потом добавьте алерты
• Проверяйте калибровку: регулярно сравнивайте прогнозы с реальностью
• Не отключайте мозг: score — подсказка, а не приказ

История Аслана, с которой мы начали, закончилась хорошо. Его команда теперь закрывает на 40% больше сделок при том же количестве людей. Не потому, что они стали работать больше. А потому, что стали работать умнее — фокусируясь на тех клиентах, которые реально готовы купить.

И это доступно любому бизнесу. Не нужен штат data scientists. Не нужны миллионные бюджеты. Нужна CRM с чистыми данными и готовность использовать то, что она подсказывает.

Часто задаваемые вопросы

Читайте также