Анализ продаж с помощью ИИ можно доверять в одном случае: когда число посчитал запрос к вашей базе, а модель только поняла вопрос и объяснила результат. Справочные вопросы («сколько отгрузили») решаются таким способом надёжно. Диагностические («почему упало») решаются раскладкой на части и требуют проверки аналитиком. На прогнозные («сколько продадим») ИИ сам не отвечает: нужна отдельная модель с проверкой на прошлом.
Дальше три класса вопросов, таблица «вопрос, как отвечать, как проверить», пять защит от красивого, но неверного ответа и список того, что в анализе продаж ИИ лучше не поручать. Услуга описана на странице «ИИ для анализа продаж», а механика превращения вопроса в запрос разобрана в статье «Text-to-SQL».
Анализ продаж с помощью ИИ: три класса вопросов к данным
Вопросы о продажах звучат одинаково, их пишут обычными словами, и поэтому ИИ для аналитики продаж принимают за универсального ответчика. Но отвечать на них нужно по-разному: у каждого класса своя цена ошибки и свой способ проверки.
| Класс | Пример | Кто считает | Надёжность |
|---|---|---|---|
| Справочные | Сколько отгрузили клиенту за квартал | Запрос к базе | Высокая, если определения записаны |
| Диагностические | Почему выручка региона ниже, чем в прошлом месяце | Запрос раскладывает разницу на вклады, модель описывает результат | Средняя: вклады надёжны, причина вне данных остаётся гипотезой |
| Прогнозные | Сколько продадим в следующем квартале | Отдельная модель прогноза | Зависит от проверки на прошлом; языковая модель прогноз не даёт |
Деление помогает договориться с руководителями заранее. На справочный вопрос система отвечает за секунды и без оговорок, на диагностический с разбором и пометкой «гипотеза», на прогнозный либо передаёт модели прогноза, либо честно говорит, что её нет. Цифры, которые нужны каждую неделю, лучше вывести в постоянную панель: это задача BI и аналитики, а ИИ остаётся для вопросов, под которые панели нет.
Справочные вопросы: ИИ набирает запрос, считает база
Вопрос «сколько» превращается в запрос к витрине, и число приходит из базы. Модель не складывает и не умножает в уме, поэтому выдуманных цифр здесь почти нет. Опасна другая ошибка: запрос выполнился и ответил на соседний вопрос. В продажах это случается в пяти местах.
- Что считать продажей. Отгрузка, оплата и закрытая сделка в CRM дают три разные суммы за один месяц, особенно при предоплате и отгрузке частями.
- Возвраты и сторно. Возврат приходит в следующем месяце. Вычитать его можно по дате возврата или по дате исходной продажи, и выбор записывается.
- НДС и скидки. Выручка «с НДС» и «без» отличается на ставку, цена «по прайсу» и «по документу» на скидку.
- Чьи это продажи. Менеджер документа и менеджер, закреплённый за клиентом, бывают разными людьми.
- Какая дата. Даты заказа, отгрузки и оплаты различаются, а «за март» подходит к любой из них, поэтому система называет выбранную.
Общие механизмы (описание таблиц для модели, проверка запроса, пересказ ответа) разобраны в статье про text-to-SQL. Здесь важно одно: определения продаж записываются в словарь до первого вопроса, а не по ходу.
Диагностические вопросы: «почему упало» — это разложение, а не догадка
На вопрос «почему» нельзя ответить одной цифрой, но можно показать, из чего сложилась разница. Выручка равна числу клиентов с отгрузкой, умноженному на число заказов на клиента и на среднюю сумму заказа. Если выручка изменилась, изменился хотя бы один из трёх множителей, и запрос считает вклад каждого. Дальше добавляются цена, скидка и структура товаров: что продали и по какой цене.
Условный пример без реального клиента
Дистрибьютор напитков, выручка за неделю ниже предыдущей. Разложение показало: клиентов с отгрузкой столько же, заказов на клиента столько же, а средняя сумма заказа ниже. Большую часть падения дал один товарный класс, где шла акция: продавали дешевле, а объём почти не вырос. Система отвечает: «Падение объясняется снижением средней суммы заказа из-за акции на классе X; число клиентов и заказов не менялось». Это факт из данных. Вопрос «стоила ли акция этого» остаётся человеку.
Где кончаются данные
Причин, которых нет в учёте, система не знает: клиент сменил закупщика, конкурент снизил цену, склад задержал отгрузку. Верная формулировка для них — гипотеза с пометкой «не проверено» и адресом, кто может проверить. Так же система отвечает, если сумма вкладов не сошлась с общей разницей: это сигнал ошибки в данных или запросе, а не повод написать убедительный текст.
Прогнозные вопросы: что ИИ делает, а что нет
Языковая модель не предсказывает продажи: она пишет правдоподобный текст, и любое число в нём звучит одинаково уверенно. Поэтому на вопрос «сколько продадим» система не должна отвечать «из понимания». Допустимы три честных ответа.
- Показать историю и сезонность. Те же недели прошлого года с поправкой на число рабочих дней и акции. Это описание, а не прогноз.
- Дать ориентир по простому правилу. «Как в тот же период прошлого года» или «среднее за последние недели». В ответе стоит слово «ориентир» и названо правило.
- Передать вопрос модели прогноза. Если она построена и проверена: обучена на одних периодах, проверена на других и сравнена с простым правилом. Тогда в ответе есть вилка и название модели.
Если проверенной модели нет, правильный ответ звучит так: «прогноза нет, вот история». Как проверяют прогнозные модели и когда они нужны, описано на странице предиктивной аналитики.
Вопрос, как отвечать, как проверить: таблица решений
Восемь типовых вопросов руководителя продаж. Колонка «Как проверить» показывает, что делает система или аналитик до того, как число уйдёт на совещание.
| Вопрос | Класс | Как отвечать | Как проверить |
|---|---|---|---|
| Сколько отгрузили за неделю | справочный | Запрос по реализациям с названным определением | Сверка итога с отчётом 1С за те же даты |
| Какую долю даёт регион | справочный | Запрос с итогом и долей, знаменатель назван | Знаменатель совпадает с общим итогом, доли в сумме дают целое |
| Кто из клиентов не заказал в этом месяце | справочный | Список по правилу «регулярный» из словаря | Пять клиентов проверяются по карточкам |
| Что изменилось в ассортименте | сравнение | Таблица «было, стало, разница» по товарам | Итоги сходятся с двумя отдельными запросами за каждый период |
| Почему упала выручка региона | диагностический | Раскладка на клиентов, заказы, среднюю сумму, цену, структуру | Сумма вкладов равна разнице; крупнейшие вклады читает аналитик |
| Почему вырос возврат | диагностический | Раскладка по товарам и клиентам; причины только из поля учёта | Если поля причины нет, система так и пишет, а не выводит причину из текста |
| Сколько продадим в следующем квартале | прогнозный | История и ориентир по простому правилу; прогноз только от проверенной модели | Модель против простого правила на периодах, которых она не видела |
| Почему ушёл клиент | вне данных | Что менялось в заказах до ухода; причина названа гипотезой | Подтверждает менеджер, который говорил с клиентом |
Как не получить красивый, но неверный ответ в анализе продаж с помощью ИИ: пять защит
Красивый ответ — это таблица, график и уверенная фраза. Неверный выглядит так же, поэтому защиты ставятся в систему, а не в доверие к модели.
- Источник цифр. У каждого числа есть запрос и время загрузки данных. Число без источника в ответ не попадает.
- Единые определения. Выручка, клиент, новый клиент, период берутся из словаря, а ответ называет выбранное определение. Если в компании две выручки, это вопрос к владельцу словаря, а не к модели.
- Проверка контрольной цифрой. Итог сверяется с отчётом, которому доверяют, например по реализациям в 1С. Расхождение выше допуска помечает ответ как непроверенный.
- Отказ вместо оценки. Нет нужного столбца или данных за период: система пишет, чего не хватает, и не прикидывает «на глаз».
- Сопоставимость. Периоды с разным числом рабочих дней, неполный последний день загрузки, группы из двух-трёх клиентов: система предупреждает, что сравнение некорректно.
Проверка запросом означает, что ответ можно перепроверить, не доверяя модели: показан текст запроса, и аналитик выполнит его сам. Общую оценку даёт набор вопросов с эталонными ответами, который прогоняется после каждой смены модели, словаря или данных.
Как формулировать вопросы к данным о продажах
Часть неточных ответов начинается с неточного вопроса. В хорошем вопросе есть показатель, период, разрез и база сравнения, а спорное слово определено заранее.
| Расплывчатый вопрос | Чего не хватает | Точный вопрос |
|---|---|---|
| Как у нас с продажами? | Показатель, период, база сравнения | Какова выручка без НДС за октябрь и как она соотносится с сентябрём и с октябрём прошлого года? |
| Кто наши главные клиенты? | Критерий «главные» и период | Какие десять клиентов дали наибольшую выручку за последние шесть месяцев и какую долю общего оборота они составляют? |
| Много ли возвратов? | Что значит «много» | Какова доля возвратов в отгрузках по месяцам за полгода и по каким товарам она выше всего? |
| Что будет в декабре? | На какой основе и что именно | Каким был декабрь прошлого года по выручке и числу заказов, с поправкой на число рабочих дней? |
Что не стоит поручать ИИ в анализе продаж
- Решения о скидках и ценах. Система показывает оборот, историю скидок и маржу, если она есть. Решение принимает человек по вашей матрице согласования.
- Оценку людей. Рейтинг менеджеров без учёта клиентской базы, региона и сезона несправедлив. Показатели по людям выдаются по определениям и сравниваются в сопоставимых группах. Правила обработки данных сотрудников определяет юрист, это не юридическая консультация.
- Выводы без источника. Фразы «рынок падает» или «конкуренты усилились» не могут быть итогом анализа ваших продаж, если в данных нет ни рынка, ни конкурентов.
- Прибыль и налоги. Прибыль зависит от себестоимости и расходов, которых в витрине продаж обычно нет. Регламентная отчётность остаётся за бухгалтерией.
- Загрузку клиентских данных во внешние сервисы. Для данных ограниченного доступа облачные сервисы чаще не подходят по требованиям заказчика, поэтому модель и витрина стоят на ваших серверах.
Что делаем мы и с чего начать
Мы строим ИИ для анализа продаж на ваших данных и в вашем контуре: витрина продаж, словарь показателей, окно вопросов, затем отклонения и еженедельная сводка. Начать можно с одного круга вопросов одного подразделения. Это лёгкий пилот, а не внедрение на всю компанию.
Начните сами: соберите десять вопросов, которые руководители задавали аналитику за последний месяц, и разметьте их по трём классам из первой таблицы. Если большинство справочные, вам нужны витрина и окно вопросов. Если много диагностических, нужны словарь и раскладка. Если много прогнозных, сначала решите, что вы сделаете по прогнозу.
Если разбора своими силами не хватает, обследование стоит 200 000 ₽ за один круг вопросов и одну-две системы и 350 000 ₽ при нескольких системах, оно вычитается из первого этапа. На выходе набор из тридцати вопросов с эталонами, словарь определений, критерии приёмки и вилка бюджета. Цены и сроки ступеней — на странице тарифов; исходный код и документация передаются вам по акту.
Частые вопросы
Чем анализ продаж с помощью ИИ отличается от отчётов в 1С и панелей BI?
Отчёт и панель отвечают на заранее заданные вопросы, определения в них зафиксированы. ИИ отвечает на вопросы, под которые отчёта нет: другой разрез, период, сравнение групп клиентов. Панели он не заменяет: цифры, которые нужны каждую неделю, лучше превращать в показатели витрины и панель.
Можно ли загрузить выгрузку продаж в публичный чат-бот и спросить, почему упала выручка?
Технически можно, но результат трудно проверить: модель видит только выгрузку, плохо считает и может ответить уверенно и неверно, а выгрузка с клиентами и ценами уходит наружу. Для данных ограниченного доступа облачные сервисы чаще не подходят по требованиям заказчика. Надёжнее запрос к вашей базе на ваших серверах, где число считает база.
Может ли ИИ сам найти причину падения продаж?
Причину в данных он найдёт, только если она в них записана. Раскладку на число клиентов, заказов, среднюю сумму, цену и структуру считает запрос. Причины вне учёта (конкурент, закупщик, склад) система называет гипотезой и помечает непроверенной.
Можно ли доверять прогнозу продаж от ИИ?
Прогнозу языковой модели «на глаз» доверять нельзя. Прогноз, построенный отдельной моделью, можно, если его проверили на периодах, которых модель не видела, и сравнили с простым правилом вроде «как в тот же период прошлого года». Без такой проверки это ориентир, и его так и называют.
Что делать, если число ИИ не совпало с отчётом 1С?
Сначала сравнить определения: период, НДС, возвраты, дату продажи. Часто расхождение объясняется ими. Затем сравнить итоги по отдельным клиентам, чтобы найти строки расхождения. Если определения совпали, а числа нет, это ошибка запроса или загрузки, и такой ответ должен быть помечен как непроверенный.
Сколько вопросов нужно для проверки системы?
Стартовый набор около тридцати: десять справочных, восемь сравнений, шесть диагностических, три со спорным словом и три без ответа в данных. Это минимум для первых выводов, а не обещание точности. После запуска вопросы с отметкой «неверно» пополняют набор.
Нужна ли витрина данных для анализа продаж с ИИ?
Для пробы на одном круге вопросов хватает регулярной выгрузки. Для постоянной работы нужна витрина: отдельная копия данных с понятными таблицами, ежедневной сверкой с отчётом 1С и правами по регионам. Подключать модель к рабочей базе напрямую мы не предлагаем.
Подойдёт ли это небольшой компании, у которой продажи в таблицах?
Если вопросов к данным немного, а в таблицах порядок, хватит сводных таблиц и стандартных отчётов. Признаки, что пора думать об ИИ: вопросы копятся у одного человека, цифры расходятся между таблицами, ответ нужен в тот же день. Работы дешевле 150 000 ₽ мы не берём.