Один из наших клиентов — крупная ростовская компания, работающая в B2B и имеющая ассортимент более 10 000 товарных позиций. В отделе продаж был отдельный аналитик, который регулярно выгружал данные из 1С и разбирал продажи по клиентам. Он сравнивал периоды, смотрел, какие товарные позиции у конкретного контрагента просели, где изменился объём закупок, что давно не покупали, какие группы товаров требуют внимания. После этого аналитик готовил для менеджеров примечания и рекомендации по каждому клиенту.

На такую работу уходило практически до недели. После увольнения аналитика компания обратилась к нам с вопросом, можно ли часть этой работы передать ИИ.

Мы взяли обычную выгрузку из 1С и настроили логику анализа. ИИ сравнивает периоды, находит падение и рост по товарным позициям, выделяет изменения по конкретным клиентам, обращает внимание на остатки и формирует для менеджера список того, что необходимо проверить. При этом результат можно сразу выдавать в нужной компании форме: по каждому контрагенту, с конкретными позициями, цифрами и следующими действиями для менеджера.

В этом кейсе ИИ оказался эффективнее прежнего ручного процесса именно за счёт скорости и глубины обработки данных. Ему не нужно несколько дней последовательно разбирать клиентов. При правильно заданных критериях он может одновременно учитывать значительно больше показателей, сравнивать периоды и возвращаться к одной и той же методике анализа для всех менеджеров.

При этом исходными данными может быть не только выгрузка из 1С. Таким же образом можно работать с таблицами и данными из CRM: сделки, клиенты, причины отказов, активность менеджеров, товары, суммы, периоды между заказами. Главное — определить, какие показатели действительно имеют значение для руководителя и какие выводы должны появляться в результате анализа.

Для отдела продаж ценность такого анализа появляется тогда, когда менеджер получает не ещё одну большую таблицу, а понятный список действий. Например: у этого клиента просела определённая товарная группа; этот контрагент давно не покупал позиции, которые раньше заказывал регулярно; здесь стоит проверить остатки и предложить замену; по этому клиенту есть повод связаться и обсудить повторную закупку.

То есть ИИ может не просто найти отклонение в цифрах, а подготовить основу для следующего контакта менеджера с клиентом. Руководитель при этом получает единый стандарт анализа по всему отделу и может видеть, какие возможности для продаж были обнаружены и что сотрудники сделали дальше.

Для компаний с большим ассортиментом это особенно важно. Когда речь идёт о тысячах или десятках тысяч SKU, человеку сложно регулярно отслеживать все изменения по каждому клиенту. Часть возможностей для повторных продаж просто остаётся незамеченной.

Следующий уровень — использовать такого помощника не только для аналитики. Для каждого менеджера можно настроить отдельный рабочий сценарий или агента, который знает структуру его задач и помогает работать с конкретным клиентом.

Он может использовать данные аналитики при подготовке письма или коммерческого предложения, напомнить историю взаимодействия с клиентом, помочь сформулировать аргументы по конкретным товарным позициям, подготовить ответ на возражение, сравнить предложения на рынке или цены конкурентов, если для этого есть необходимые данные.

Например, менеджер видит из анализа, что клиент сократил закупки определённой категории. Вместо стандартного письма он может попросить ИИ подготовить персонализированное обращение с учётом истории клиента, прошлых закупок и текущего ассортимента. Если клиент отвечает возражением, этот же помощник может помочь подготовить аргументацию с опорой на контекст конкретной сделки.

В результате вокруг менеджера постепенно собирается не набор разрозненных нейросетей, а рабочий инструмент, который помогает ему в аналитике, коммуникации и подготовке к продаже.

Решения по клиентам, оценка работы менеджеров и управленческие выводы по-прежнему остаются за руководителем. Поэтому при настройке такого сценария важно заранее определить критерии анализа: какие периоды сравниваем, что считаем существенным снижением, какие категории клиентов выделяем, какие показатели требуют внимания.

РОП получает уже подготовленную аналитику и может использовать время на разбор причин и управленческие решения. На планёрке можно обсуждать не то, кто успел свести цифры из нескольких файлов, а почему у конкретного клиента снизились закупки, что уже сделал менеджер и какой следующий шаг нужен.

Задайте структуру еженедельной сводки: план/факт, крупные сделки, задержки, причины потерь, следующий шаг, риски, вопросы к менеджеру. Затем используйте выгрузку для подготовки черновика. Отдельно попросите модель указать записи, где данных не хватает для вывода.
К планёрке можно формировать цифры и вопросы. Например: почему в пяти сделках нет следующего контакта, почему предложение отправлено без зафиксированной задачи клиента, где срок принятия решения прошёл. Это помогает руководителю идти в разговор с конкретной фактурой
.Подробнее о том, какие задачи отдела продаж можно передать ИИ и как мы настраиваем такие сценарии, — на странице ИИ для отдела продаж.

ИИ для отдела продаж имеет смысл начинать с конкретной регулярной работы, которая уже отнимает у команды время. Это может быть анализ выгрузок из 1С или CRM, сравнение продаж по клиентам, подготовка менеджерам задач, разбор причин отказов или персонализация коммерческих предложений. Если процесс понятен и есть данные, его можно сначала настроить на одном реальном сценарии, проверить результат и только после этого расширять на весь отдел.

Если хотите разобрать задачи своего отдела продаж и понять, где ИИ даст эффект быстрее всего, обсудить задачу можно на консультации.