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».

Коротко. Справочные вопросы ИИ решает надёжно, если число считает запрос. Диагностические решаются раскладкой на вклады и проверкой аналитика, прогнозные сам ИИ не решает. От красивой ошибки защищают источник цифр, единые определения, проверка контрольной цифрой, отказ вместо оценки и сопоставимость периодов.

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.

КлассПримерКто считаетНадёжность
СправочныеСколько отгрузили клиенту за кварталЗапрос к базеВысокая, если определения записаны
ДиагностическиеПочему выручка региона ниже, чем в прошлом месяцеЗапрос раскладывает разницу на вклады, модель описывает результатСредняя: вклады надёжны, причина вне данных остаётся гипотезой
ПрогнозныеСколько продадим в следующем кварталеОтдельная модель прогнозаЗависит 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.

  1. Показать историю и сезонность. Те же недели прошлого года с поправкой на число рабочих дней и акции. Это описание, а не прогноз.
  2. 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.
  3. 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.

ВопросКлассКак отвечатьКак проверить
Сколько отгрузили за неделюсправочныйЗапрос по реализациям с названным определениемСверка итога с отчётом 1С за те же даты
Какую долю даёт регионсправочныйЗапрос с итогом и долей, знаменатель названЗнаменатель совпадает с общим итогом, доли в сумме дают целое
Кто из клиентов не заказал в этом месяцесправочныйСписок по правилу «регулярный» из словаряПять клиентов проверяются по карточкам
Что изменилось в ассортиментесравнениеТаблица «было, стало, разница» по товарамИтоги сходятся с двумя отдельными запросами за каждый период
Почему упала выручка регионадиагностическийРаскладка на клиентов, заказы, среднюю сумму, цену, структуруСумма вкладов равна разнице; крупнейшие вклады читает аналитик
Почему вырос возвратдиагностическийРаскладка по товарам и клиентам; причины только из поля учётаЕсли поля причины нет, система так и пишет, а не выводит причину из текста
Сколько продадим в следующем кварталепрогнозныйИстория и ориентир по простому правилу; прогноз только от проверенной моделиМодель против простого правила на периодах, которых она не видела
Почему ушёл клиентвне данныхЧто менялось в заказах до ухода; причина названа гипотезойПодтверждает 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.

  1. Источник цифр. У каждого числа есть запрос и время загрузки данных. Число без источника в ответ не попадает.
  2. 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.
  3. Проверка контрольной цифрой. Итог сверяется с отчётом, которому доверяют, например по реализациям в 1С. Расхождение выше допуска помечает ответ как непроверенный.
  4. Отказ вместо оценки. Нет нужного столбца или данных за период: система пишет, чего не хватает, и не прикидывает «на глаз».
  5. 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 вопросЧего не хватаетТочный вопрос
Как у нас с продажами?Показатель, период, база сравненияКакова выручка без НДС за октябрь и как она соотносится с сентябрём и с октябрём прошлого года?
Кто наши главные клиенты?Критерий «главные» и периодКакие 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 именноКаким 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.