Фраза «нам нужно увеличить продажи» слишком большая для анализа. С ней сложно понять, что именно требуется менять: продукт, трафик, работу менеджеров, цену, коммерческое предложение, повторные касания или саму структуру воронки.

Поэтому начинать лучше с более конкретного вопроса: где именно компания теряет потенциальную выручку?

Для ответа уже есть данные. Обычно они находятся в CRM, 1С, переписке менеджеров, звонках, коммерческих предложениях, комментариях к сделкам и причинах отказов. Проблема в объёме: вручную руководитель физически не прочитает несколько тысяч диалогов и не сопоставит их с продажами за год.

Здесь можно подключать ИИ и постепенно собирать общую картину.

Я сама много лет работаю внутри коммерческих процессов. Руководила и руковожу продажами и командами, работаю с маркетингом, рекламой, клиентами и планами продаж. Поэтому при анализе отдела меня интересует не количество красивых отчётов, а конкретные места, где компания теряет деньги и что после анализа нужно изменить в работе.

До анализа звонков и переписок нужно увидеть базовую математику.

Например, за три месяца компания получила:

1 000 обращений.

720 клиентов получили первый ответ.

480 дошли до расчёта.

310 получили коммерческое предложение.

170 продолжили переговоры.

95 купили.

После этого уже можно считать конверсию каждого перехода и сравнивать её между периодами, менеджерами, продуктами и сегментами клиентов. Если от заявки до первого ответа доходит 72% клиентов, вопрос возникает уже на самом первом этапе. Если коммерческие предложения получают почти все, но дальше двигается только половина, анализируем следующий участок.Нужны абсолютные цифры и проценты. Формулировка «много клиентов отваливается после КП» слишком субъективна для управленческого решения.

Процент конверсии тоже нужно связывать с деньгами. Потеря 30 небольших заказов может стоить компании меньше, чем потеря трёх крупных клиентов. Поэтому к воронке добавляем потенциальную сумму сделки, продукт и маржинальность. После этого можно определить не только этап с самым большим количеством отказов, но и этап с максимальным объёмом потерянной потенциальной выручки.

Например:

При таком раскладе приоритет анализа становится совершенно другим.

В CRM часто есть поле «причина отказа». Обычно там несколько стандартных вариантов: дорого, выбрал конкурента, отложил решение, нет бюджета, не отвечает.

Фраза «дорого» может означать несколько разных ситуаций. У клиента действительно нет бюджета. Клиент не увидел ценности предложения. Конкурент дал другой набор услуг. Менеджер плохо объяснил стоимость. Цена оказалась выше рынка. Клиент сравнил разные по наполнению предложения. Поэтому полезно взять сами коммуникации и проверить, что происходило перед отказом. Для анализа можно собрать 100, 300 или 1 000 проигранных сделок и дать ИИ единые критерии классификации.

На выходе появляется более точная структура:

Если 8% отказов связаны с конкретным условием, это одна задача. Если 37% потерянной выручки приходится на него же, задача становится гораздо важнее.

Одинаковая причина может иметь разный вес для разных клиентов.

Например, небольшие компании чаще отказываются из-за минимального объёма заказа, крупные — из-за сроков, государственные организации — из-за требований к документам. Среднее значение по всей базе эту картину скрывает. Поэтому следующий шаг — соединить причины отказов с сегментацией клиентов.

Получается таблица:

Это уже даёт материал и маркетингу, и продажам, и продуктовому подразделению.

Следующий уровень — сами коммуникации. Можно взять звонки, письма, сообщения в мессенджерах и посмотреть, как сотрудники ведут клиента по сделке.

Здесь нужны конкретные критерии:

После этого можно сравнивать результаты с продажами.

Например, менеджеры, которые в первом разговоре выясняют минимум пять параметров задачи, закрывают 28% обращений, а остальные — 17%.

Это уже полезная управленческая цифра. Она показывает конкретное действие, которое связано с результатом и которое можно закрепить в стандарте работы.

Иногда проблема находится уже после хорошего разговора. Клиент заинтересовался, получил предложение и исчез. Тогда имеет смысл собрать 30–50 выигранных и столько же проигранных коммерческих предложений и сравнить их.

Можно анализировать:

структуру, объём, персонализацию, формулировку задачи клиента, аргументацию, цену, варианты предложения, следующий шаг, срок действия предложения.

Особенно полезно сопоставлять КП с предыдущей коммуникацией.

Если клиент трижды говорил о сроках поставки, а в коммерческом предложении сроки спрятаны на четвёртой странице, причина потери сделки становится понятнее. После анализа можно создать несколько шаблонов под разные типы клиентов и продуктов, сохранив возможность персонализировать предложение.

Во многих компаниях список возражений существует отдельно от реальной коммуникации.

Гораздо полезнее собрать несколько сотен настоящих диалогов и определить, что клиенты действительно говорят менеджерам.

Например:

«дорого»;

«нам нужно подумать»;

«у конкурента дешевле»;

«мы уже работаем с другим поставщиком»;

«сейчас нет бюджета»;

«непонятно, зачем нам дополнительный сервис»;

«руководитель не согласовал».

Дальше каждое возражение связывается с типом клиента, этапом сделки, продуктом и итоговым результатом. И только после этого имеет смысл создавать систему работы с возражениями. В ней должна быть логика: что уточнить, какую информацию получить, какой аргумент использовать, какой материал отправить и какое следующее действие предложить клиенту.

Есть ещё один интересный слой — упущенные возможности внутри существующей клиентской базы.

Клиент регулярно покупает продукт А и никогда не покупал B, хотя похожие компании берут их вместе.

Крупный клиент снизил закупки на 40% за последние четыре месяца, и менеджер этого пока не заметил.

Другой клиент покупал каждые два месяца, а последняя сделка была полгода назад.

При тысячах контрагентов руководитель и менеджеры физически не способны постоянно отслеживать такие изменения.

ИИ может сравнивать периоды и формировать конкретные задачи:

Мы уже сталкивались с подобной задачей в компании с ассортиментом более 10 тысяч позиций. Раньше аналитик вручную обрабатывал выгрузку и готовил менеджерам комментарии по каждому контрагенту. Работа занимала практически неделю. После настройки анализа эту же логику можно выполнять с помощью ИИ: сравнивать периоды, видеть падение отдельных позиций, подсвечивать изменения и формировать задачи менеджерам в заранее заданном формате.

Такой сценарий особенно интересен компаниям с большой клиентской базой и широким ассортиментом.

На этом этапе становится понятно, зачем вообще проводился весь анализ.

Руководителю нужен не документ на 70 страниц с описанием продаж.

Нужен список действий.

Например:

Проблема: 32% крупных клиентов прекращают диалог после КП.

Данные: 74 сделки за квартал, потенциальная сумма 11,6 млн рублей.

Гипотеза: предложение слабо учитывает индивидуальную задачу клиента.

Действие: создать новый формат КП и протестировать на 20 сделках.

Показатель: конверсия из КП в следующий этап.

Срок: один месяц.

Или:

Проблема: 126 действующих клиентов снизили закупки более чем на 30%.

Действие: автоматически сформировать менеджерам список клиентов с изменениями и сценариями контакта.

Показатель: количество возвращённых клиентов и дополнительная выручка.

Именно в такой форме результаты анализа становятся рабочим инструментом руководителя.

Для первого анализа совсем не обязательно брать всю историю компании.

Можно выбрать один отдел, один продукт или один сегмент.

Например, взять продажи за последние шесть месяцев, 300 завершённых сделок, 100 отказов, несколько десятков коммерческих предложений и коммуникации по ним.

Этого уже достаточно, чтобы собрать первую карту потерь и проверить, где находится потенциальный эффект.

Дальше можно расширять анализ на всю компанию, добавлять автоматическую обработку новых данных и формировать регулярные отчёты для руководителя и сотрудников.

Главное — после каждого найденного отклонения задавать один вопрос: что именно компания собирается изменить на основании этой информации и по какой цифре через месяц поймёт, что изменение сработало?

Если хотите разобрать собственную воронку, продажи, клиентскую базу или причины отказов, можно задать вопрос бесплатно.

Больше материалов по теме — в разделе «ИИ для продаж».

Автор — Марина Хопрячкова, эксперт по внедрению ИИ в бизнес, управляющий директор с опытом более 20 лет в управлении, маркетинге, рекламе и продажах.