Что такое Next Best Action и как он работает?
Менеджеры тратят до 80% времени на лидов, которые никогда не закроются. Next Best Action (NBA) — это ML-система, которая анализирует контекст сделки: стадию в CRM, активность лида, внешние сигналы (новости компании, LinkedIn-обновления) и временные факторы (конец квартала). На выходе — одно действие с объяснением, например: «Позвоните директору по продажам, потому что компания наняла нового CTO и это хороший повод для обновления контакта».
Мы комбинируем две модели: LLM (GPT-4o или LLaMA 3) генерирует топ-5 возможных действий, а градиентный бустинг ранжирует их по predicted conversion rate. Гибридный подход даёт на 22% более высокий recall по сравнению с чистой LLM-генерацией, так как учитывает исторические паттерны.
Какие проблемы решает NBA — разработка ai системы
Информационный шум. Типовой CRM-дашборд содержит десятки полей, но не говорит, на что смотреть. NBA агрегирует историю сделки, активность лида, внешние сигналы и выдаёт одно действие с обоснованием.
Отсутствие персонализации. Менеджеры работают по шаблонам, не адаптируясь под стиль лида. NBA обучается на действиях лучших менеджеров и подсказывает конкретный тон и канал коммуникации.
Запаздывание реакций. Когда лид начинает активно изучать сайт, нужно реагировать в течение часа. NBA мониторит события в реальном времени и отправляет push-уведомление в Slack — время реакции сокращается с 4 часов до 15 минут.
Как NBA учитывает контекст сделки?
Каждая сделка находится в одном из состояний state-машины. Состояние определяется стадией CRM, давностью контакта, активностью лида (посещение сайта, открытие писем), новостями компании (смена CEO, привлечение инвестиций) и временными факторами (конец квартала). На основе этого NBA выбирает действие из библиотеки:
{
"actions": [
"call",
"send_case_study",
"offer_extended_trial",
"request_meeting_with_executive",
"propose_discount",
"ask_for_referral"
],
"scoring_model": "gradient_boosted_trees"
}Каждое действие имеет историческую вероятность успеха, которая пересчитывается ежедневно. LLM (GPT-4 или LLaMA 3) генерирует контекстное объяснение: «Рекомендуется позвонить, потому что 12 дней без контакта, компания опубликовала вакансию на вашу должность, конец квартала через 3 недели».
Почему гибридная модель (LLM + градиентный бустинг) эффективнее чистой LLM?
LLM склонны генерировать правдоподобные, но не всегда статистически обоснованные советы. Мы комбинируем LLM с бустинг-моделью на исторических данных: LLM предлагает топ-5 действий, а модель ранжирует их по predicted conversion rate. Таким образом, объяснения остаются естественными, а выбор — точным. На A/B-тестах мы зафиксировали повышение конверсии на 15–25% уже в первые 2 недели. Гибридная модель в 1.5 раза точнее чистой LLM по precision@1.
Сравнение подходов: LLM vs гибридная модель
| Параметр | Чистый LLM | Гибрид (LLM + градиентный бустинг) |
|---|---|---|
| Точность (precision@1) | 62% | 78% |
| Recall@5 | 74% | 92% |
| Скорость принятия решения | 1.2 сек | 1.8 сек |
| Необходимость данных | любые | >= 5000 сделок |
Гибридная модель требует больше исторических данных, но даёт стабильный выигрыш. Мы рекомендуем её для компаний с CRM-глубиной от года.
Что входит в работу
Подробнее об этапах
1. **Аудит данных CRM** — проверка качества, полноты и связей. Результат: отчёт с рекомендациями. 2. **Проектирование state-машины** — диаграмма состояний и библиотека действий. 3. **Обучение модели** — baseline и финальная версия с метриками. 4. **Интеграция с CRM и мессенджерами** — прототип в песочнице. 5. **A/B-тестирование** — статистически значимое улучшение конверсии. 6. **Документация и обучение** — инструкции и вебинар для команды. 7. **Гарантийная поддержка** — месяц мониторинга и доработок.| Этап | Результат | Длительность |
|---|---|---|
| Аудит данных CRM | Отчёт по качеству, полноте, связям | 3–5 дней |
| Проектирование state-машины | Диаграмма состояний + action library | 3 дня |
| Обучение модели | Baseline + финальный вариант с метриками precision@k, recall | 1–2 недели |
| Интеграция с CRM и мессенджерами | Работающий прототип в песочнице | 1 неделя |
| A/B-тестирование | Статистически значимое улучшение (target: +20% conversion) | 2 недели |
| Документация и обучение | Инструкция, видео, вебинар для менеджеров | 2 дня |
| Гарантийная поддержка | 1 месяц мониторинга и доработок | — |
Ориентировочные сроки
Минимальный проект с готовыми данными — 4 недели. Сложная интеграция с кастомной CRM и дополнительными источниками данных — до 8 недель. Стоимость рассчитывается индивидуально после аудита.
Чек-лист типичных ошибок при внедрении
- Использовать только LLM без статистической модели — рекомендации красивые, но неэффективные.
- Игнорировать персонализацию под менеджера — NBA должна знать, что Иванов хорошо проводит демо, а Петров — переговоры по цене.
- Не настраивать мониторинг дрейфа данных — NBA деградирует за 3–4 месяца без переобучения.
- Забыть про feedback loop: менеджеры должны иметь возможность «забанить» конкретную рекомендацию, и это должно влиять на модель.
Почему стоит заказать разработку у нас
Мы внедрили NBA-системы в 15+ компаниях: от e-commerce до enterprise SaaS. Наши инженеры — сертифицированные специалисты по MLflow, Kubeflow и Hugging Face. Гарантируем, что модель учитывает вашу бизнес-логику и не выдаёт абсурдных рекомендаций. Закажите демо-проект — мы подготовим архитектурный draft под вашу CRM за 3 дня. Получите консультацию по вашему кейсу — мы пришлём пример архитектуры, адаптированный под вашу CRM.
Формальное определение Next Best Action можно найти в Wikipedia
