Как построить AI-воронку продаж от 0 до автопилота

От сбора данных до прогнозирования сделок: пошаговый аудит системы с ROI > 300%

В 2024 году разрыв между теми, кто масштабирует продажи через AI, и теми, кто полагается на ручные процессы, стал критическим. Компании с AI-воронкой сокращают CAC на 30–40% и увеличивают конверсию на этапах qualifying и follow-up в 2–3 раза. Но главное — они выводят прогноз выручки из разряда «гипотез» в разряд управляемой метрики.

Построение AI-воронки — это не внедрение единого «волшебного» инструмента, а системный аудит, интеграция данных и настройка цепочки моделей: от предобработки лидов до предиктивного скоринга и автодописывания сообщений. Ниже — пошаговый план от 0 до автопилота с конкретными фреймворками и цифрами.

Начните с аудита: определите этапы воронки (MQL → SQL → Opportunity → Deal) и зафиксируйте текущие конверсии между ними. Постройте cohort-анализ по каналам привлечения, чтобы понять, где лиды «засоряются» мусором. Нормализуйте данные в CRM: устраните дубликаты, приведите к единому формату поля company, phone, email.

Оцените покрытие событий: подключите трекинг писем, звонков и сайтов. Важно, чтобы на каждый лид был «шлейф» активности: открытия, клики, посещения pricing, загрузки whitepapers. Без этого AI не сможет обучиться предсказывать намерение.

Используйте фреймворк «Data Readiness Score» (0–100): полнота полей, регулярность обновления, покрытие событий, количество лейблов для обучения. Цель — выйти на 70+ баллов перед запуском моделей.

Выберите CRM как источник истины (HubSpot, Salesforce, Pipedrive). Добавьте слой CDP (Customer Data Platform) для объединения событий из маркетинга, продукта и поддержки. Настройте Reverse ETL, чтобы синхронизировать обратно в CRM обогащенные атрибуты (например, intent score, продуктивность аккаунта).

Важная номенклатура: определите сущности Lead, Contact, Account, Opportunity и задайте жесткие правила перехода между ними. Внедрите event-логику (например, «pricing_viewed», «proposal_sent») как триггеры для моделей. Пропишите SLA на обработку данных (например, < 5 минут от события до появления в CRM).

Для команды внедрите MLOps-lite: версионирование датасетов, трекинг экспериментов, автоматическую переобучку моделей при падении качества.

Соберите историю 12–24 месяцев по лидам и сделкам. Проведите feature engineering: извлеките признаки намерения (количество посещений pricing, глубина просмотра, частота писем), признаки контекста (источник, отрасль, размер компании) и признаки поведения (активность по дням недели, ответ на первое сообщение).

Очистите данные от утечек (например, признаки, которые появляются только после закрытия сделки). Используйте агрегации за скользящие окна (7/14/30 дней), чтобы уловить динамику намерений. Залейте baseline-модель (логистическая регрессия или градиентный бустинг) для получения первого прочного бенчмарка.

Создайте дашборд контроля качества данных: распределение признаков, доля пропусков, дрейф метрик. Без этого любая модель быстро устареет.

Разверните три модели: 1) Lead Scoring (вероятность SQL), 2) Intent Detection (классификация сообщений/сайт-активности на намерение), 3) Propensity to Buy (вероятность закрытия сделки). Используйте бленд: градиентный бустинг на табличных данных + lightweight NLP на текстах.

Разделите данные на train/validation/test с временным сдвигом, чтобы избежать лукапа. Настройте пороги принятия решений через cost-benefit анализ: если FP-ошибка (ложный лид) дороже FN (пропущенный лид), смещайте порог вниз. Внедрите explainability (SHAP), чтобы продакшн-команда понимала, почему лид высокий.

Контролируйте fairness: убедитесь, что модели не дискриминируют по регионам или каналам. Переобучайте раз в 2–4 недели или при падении ROC-AUC > 0.03.

Подключите LLM для генерации ответов и follow-up. Важно прописать «контракт» промпта: роль, стиль, ограничения, структура ответа. Используйте RAG (Retrieval-Augmented Generation) на базе знаний компании: продукт, pricing, кейсы, возражения. Так ответы будут точными и безопасными.

Внедрите guardrails: запрет на обещания скидок без одобрения, проверку на PII, лимит длины. Настройте A/B-тесты: AI-писатели vs ручные шаблоны, измеряйте reply rate, meeting rate, время до ответа. Дайте AI «личность» бренда и индивидуальные тона для каждого аккаунт-менеджера.

Автоматизируйте сценарии: первое касание, напоминание, перенос встречи, запрос отзыва. Всегда оставляйте «эскейп-хатч» — кнопку «отправить вручную» и лог всех генераций.

Запускайте фазами: Phase 0 (рекомендации), Phase 1 (авто-драфты), Phase 2 (авто-отправка по правилам), Phase 3 (автономные действия по KPI). На каждом этапе — дашборды и алерты: дрейф метрик, падение конверсии, рост отписок.

Внедрите «человека в цикле» для критических действий (например, отправка коммерческого предложения). Проводите регулярные ретроспективы: сравните прогноз vs факт по недельным когортам, настройте переобучение.

Фиксируйте ROI: считайте CAC, LTV, цикл сделки, конверсии по этапам. Цель — стабильный рост при сохранении качества: если метрики падают, возвращайтесь на предыдущую фазу.

Вывод

Построение AI-воронки — это последовательный путь от аудита данных до фазового внедрения автопилота. Ключевые факторы успеха: качество данных, четкая номенклатура воронки, blend моделей, RAG для точности коммуникации и жесткий мониторинг. Начните с бенчмарка: залейте baseline-модель, зафиксируйте метрики, затем двигайтесь дальше.