Почему прогнозирование сделок расходится с фактом
Стадии в CRM закрываются вручную: менеджер сам решает, когда сделка перешла из «переговоров» в «согласование условий». Один считает признаком прогресса отправленное предложение, другой — согласованный бюджет, третий трактует квалификацию иначе и держит этап открытым ради отчётности. Прогнозирование сделок в такой воронке опирается не на данные, а на оптимизм конкретного человека, и расхождение плана и факта усиливается к концу квартала.
Вторая причина — качество данных в воронке. Признаки, по которым считается вероятность, стареют: последнее касание датировано месяцем ранее, поле «причина отказа» пустое, часть договорённостей живёт только в переписке и не попадает в журнал. Даже в аккуратно заполненной Salesforce истории не хватает связей между активностями и этапами, поэтому модель воспроизводит ошибку прогноза продаж, а не исправляет её.
Цена ошибки измеряется в решениях, а не в процентах. Отдел планирует найм и загрузку инженеров по завышенной сумме, скидки выдают в последнюю неделю квартала ради плана, а слабые сделки доживают до финала вместо ранней замены. Три причины срыва прогноза — ручные этапы, устаревшие признаки и разная квалификация — складываются в один эффект: разбираем, как это закрывается.
Что меняется после внедрения модели в воронку
После внедрения модели воронка перестаёт быть набором статусов, которые руководитель трактует вручную: прогноз по каждой сделке обновляется вместе с её активностью — звонком, письмом, изменением суммы или срока. Доля верных прогнозов по этапам растёт с 55 до 78%, а расхождение между ожидаемой и фактической выручкой видно за 3-4 недели до конца периода, а не в отчётный день.
Точность по этапам воронки
Модель считает вероятность закрытия отдельно для каждой стадии: на ранних опирается на источник обращения и историю похожих сделок, на поздних — на активность участников и давность последнего контакта. Прогноз на квалификации уточняется в пределах ±10%, на согласовании договора — ±4%. Калибровка пересчитывается на закрытых сделках: вероятность 70% означает, что закрывается примерно 7 сделок из 10, и на это можно опираться в планировании.
Меньше ручной работы руководителя
Сверка прогноза с учётной системой, выгрузки в таблицы и сведение по менеджерам заменяются одним обновляемым представлением: расхождения подсвечиваются автоматически. Подготовка прогноза занимает 20-30 минут вместо нескольких часов в неделю — время уходит на разбор отклонений, а не на арифметику.
Прозрачность воронки даёт раннее предупреждение о рисках: сделка с падающей активностью или сдвинутым сроком помечается за 2-3 недели до того, как это заметит менеджер. Каждое обновление модели версионируется в MLflow, поэтому прогноз воспроизводим и объясним — видно, какие признаки и насколько повлияли на оценку.
Сравнение подходов: правила, статистика, модель
Выбор подхода определяется не сложностью метода, а зрелостью данных: сколько закрытых сделок в истории, стабильны ли этапы воронки, фиксируются ли причины проигрыша. На короткой истории точнее работают правила скоринга, а обучаемая модель продаж выигрывает, когда примеров достаточно и разметка исходов одинакова у всех менеджеров.
| Вариант | Когда подходит | Ограничения |
|---|---|---|
| Жёсткие правила «если — то» | Единый процесс, данных мало, прогноз нужен сразу | Переписываются при каждом изменении воронки, растёт доля ручных исключений |
| Балльная оценка по весам | Признаки согласованы, экспертиза руководителя формализуема | Веса заданы вручную и смещаются при смене рынка или состава команды |
| Статистическая оценка по этапам | Несколько сотен сделок, этапы воронки стабильны | Ловит линейные связи, чувствительна к пропускам в полях сделки |
| Обучаемая модель продаж | Тысячи сделок, этапы и исходы фиксируются одинаково | Нужны контроль качества данных, регулярное переобучение и защита от переобучения на редких сегментах |
Когда истории мало, а прогноз нужен
Стартуем с балльной оценки и статистики по этапам — они прозрачны и дают первый прогноз быстро. Параллельно настраиваем фиксацию причин проигрыша и обязательных полей сделки: без этого обучаемая модель не соберёт признаки. На модель переходим, когда накоплен объём закрытых сделок и точность правил перестала расти, — тогда варианты сравниваются по факту, а не по ожиданиям.
Этапы внедрения: от аудита данных до передачи
Прогнозирование сделок чаще упирается не в алгоритм, а в качество выгрузок из системы продаж: пропущенные переходы по этапам, ручные правки дат закрытия, сделки без ответственного. Поэтому идём последовательно — от аудита данных до передачи решения, с критерием готовности на каждом шаге.
Аудит выгрузок и целевая метрика
- Аудит данных: разбираем историю за несколько полных циклов продаж, ищем пропуски в полях, дубли и сдвинутые вручную даты. На выходе — перечень полей, которым можно доверять, и то, что придётся восстанавливать по косвенным признакам.
- Целевая метрика: фиксируем, что именно прогнозируем — вероятность закрытия в срок или попадание в план периода. Метрика определяется до обучения, иначе проверять модель будет не на чем.
- Подготовка признаков: из этапов, активности менеджера, длительности пауз и профиля клиента собираем признаки на момент прогноза — без данных из будущего, иначе качество на истории окажется завышенным.
Проверка на исторических периодах
- Проверка модели: обучаем на ранних периодах, проверяем на более поздних — так воспроизводится реальный режим, когда решение принимается по неполным данным открытой сделки.
- Сравнение с текущей практикой: прогноз сопоставляем с оценками руководителя отдела и с базовой линией «средняя конверсия по всем сделкам», смотрим попадания и ошибки на крупных сделках.
- Передача решения: отдаём подготовку данных, обученную модель, регламент переобучения и отчётную панель, обучаем вашу команду и остаёмся на связи в период первых прогнозов.
Артефакты внедрения: схема, модель, регламент
Внедрение прогнозирования сделок ценно не самой моделью, а тем, что остаётся у команды заказчика после запуска. Передаём пакет артефактов, по которому систему можно развивать своими силами или отдать другому подрядчику без потери контекста.
Схема данных и признаки
- Карта источников: какие поля воронки участвуют в расчёте, кто владелец каждого и как часто он обновляется.
- Схема витрины для обучения и расчёта: таблицы, связи, правила дедупликации сделок и обработки пропусков.
- Каталог признаков: что означает каждый, из чего считается и какой вклад вносит в прогноз.
- Правила разметки: как фиксируется исход сделки, какой горизонт считается целевым, что делать с зависшими сделками.
- Контрольный набор сделок с известным исходом — эталон для проверки после правок в источниках.
Регламент переобучения и мониторинга
- Триггеры переобучения: календарный цикл, падение качества, смена этапов или профиля воронки.
- Порядок работ: подготовка выборки, обучение, сравнение с текущей моделью на отложенном периоде, решение о выкатке.
- Мониторинг качества: расхождение прогноза и факта по когортам, доля ложных срабатываний, смещение признаков.
- Пороги и ответственные: при каком отклонении запускается пересборка и кто подтверждает выпуск.
- Откат и документация: предыдущая версия возвращается в расчёт за один цикл, а назначение модели, состав признаков и журнал изменений описаны текстом.
Кейс: прогнозирование сделок стало точнее
Отдел продаж из 20 менеджеров прогнозировал месяц по весу этапа в воронке Битрикс24: сделка на этапе согласования договора считалась закрытой с вероятностью 70%. Даты сдвигались, а вес не отражал ни активность клиента, ни историю похожих сделок — план расходился с фактом почти вдвое, и о провале узнавали в последнюю неделю месяца.
Исходная точка и ограничения
Первый замер на трёх месяцах истории дал 54% попаданий, а по крупным сделкам ошибка доходила до 38% от суммы. Собрать данные было непросто: события писались в журнал, но не хранились в пригодном для обучения виде, и хронологию восстанавливали по переписке, звонкам и переходам между стадиями.
Отдельным ограничением оказалось поведение людей: менеджеры воспринимали вероятность закрытия как отчётную цифру и занижали её. Мы убрали ручной ввод из расчёта — признаки считаются по фактам: частота касаний, ответы клиента, скорость прохождения этапов, состав участников с его стороны.
Результат в цифрах
Через семь недель от старта, из которых две ушли на согласование признаков с отделом, модель выдавала прогноз по каждой сделке и по месяцу целиком. Точность на горизонте месяц выросла с 54% до 87%, средняя ошибка по сумме сделки — с 38% до 11%, расхождение плана и факта сократилось с 2,3 до 1,1 раза.
Работа отдела изменилась и в рутине: сверка прогноза, занимавшая у руководителя около шести часов в неделю, укладывается в сорок минут. Модель переобучается на закрытых сделках ежемесячно, и новые признаки добавляются без пересборки всей системы.
Чем модель отличается от отчёта по воронке?
Отчёт по воронке показывает то, что уже случилось: сколько сделок прошло каждую стадию, какая конверсия за период, где теряется больше всего. Он строится на закрытых сделках и потому устойчив — цифры не меняются задним числом. Но у него нет ответа на вопрос, который руководителю нужен каждый день: с какой вероятностью закроется то, что прямо сейчас висит в работе.
Модель прогнозирования сделок решает обратную задачу — оценивает будущее по текущему состоянию каждой открытой сделки. Обучение идёт на истории, а признаки описывают сегодняшний день: темп прохождения стадий, состав участников со стороны клиента, регулярность коммуникации, паузы и смену ответственного.
Модель против правил
Правило вида «стадия × средняя конверсия» присваивает одинаковую оценку всем сделкам на одной стадии — и здесь теряется вся разница подходов. Модель взвешивает десятки сигналов одновременно, поэтому две сделки в одной колонке с разной динамикой получают разную вероятность. Это и есть граница: отчёт описывает класс, модель — конкретную сделку.
| Критерий | Отчёт по воронке | Модель прогнозирования |
|---|---|---|
| Предмет оценки | Свершившиеся сделки | Открытые сделки |
| Горизонт | Прошедший период | Ближайшие недели и месяцы |
| Логика | Правило по стадии | Взвешивание признаков |
| Реакция на изменения | После закрытия сделки | На следующий день после активности |
| Интерпретируемость оценки | Агрегат без причины | Разбор вклада признаков |
Интерпретируемость оценки — обязательное условие, иначе прогнозом нельзя управлять. У каждой сделки видно, какие признаки подняли вероятность, а какие тянут вниз: замолчавший контакт, пропущенная встреча, единственный участник на стороне клиента. Руководитель получает не абстрактную цифру, а список причин, с которыми можно работать.
Отчёт при этом не отменяется: он остаётся источником факта и служит контролем качества модели — прогнозы регулярно сверяются с тем, чем сделки закончились. Модель даёт приоритет внимания, отчёт — подтверждение, что приоритет был расставлен верно.
Технические вопросы, которые задают перед стартом
Перед стартом всплывают одни и те же сомнения: что отдавать по данным, хватит ли накопленной истории сделок, что будет при перестройке воронки и кто держит качество модели после запуска. Ниже — короткие ответы по каждому пункту; затем они становятся регламентом в документации проекта.
Нужно ли передавать персональные данные клиентов?
Нет. Модель работает на признаках сделки: этап, время в этапе, число и тип касаний, канал, исход сделок в сегменте. Идентификаторы обезличиваются на входе, в выборку идёт суррогатный ключ. При жёстких требованиях разворачиваем обработку в вашем контуре — данные не покидают периметр.
У нас короткая история сделок — данных хватит?
Объём — не единственный источник сигнала. Часть закономерностей берём из сегментной статистики: как ведут себя похожие сделки по размеру, каналу и типу клиента. Первую версию строим на прозрачных правилах и статистике переходов по этапам, более сложные зависимости добавляем по мере накопления закрытых сделок.
Что будет, если мы изменим этапы воронки?
Модель опирается не на название этапа, а на его позицию и признаки перехода между ними. При перестройке переназначаем соответствие старых и новых этапов и переобучаем модель — это плановая задача, а не аварийная. Историю прогнозов сохраняем, чтобы сравнить качество до и после.
Кто отвечает за модель после запуска?
Сопровождение входит в работу. Следим за расхождением прогноза и фактических исходов, за распределением признаков и долей переходов между этапами; метрики и оповещения о деградации — на панели мониторинга. Порядок переобучения фиксируем в документации, чтобы ваша команда могла проверить прогноз своими руками.
Обсудим задачу и вернёмся с планом внедрения
Чтобы вернуться с оценкой задачи и планом внедрения, нам не нужен доступ ко всей переписке менеджеров — достаточно понимания структуры данных. Хватит выгрузки по закрытым сделкам за несколько периодов, описания этапов воронки и правил, по которым сделка считается выигранной или проигранной. Этого хватает, чтобы оценить объём работ, состав признаков и срок до первого рабочего прогноза.
Требования к данным мы формулируем сами и присылаем списком полей с типами и ожидаемой полнотой. С вашей стороны нужен человек, который подтвердит трактовку этих полей и ответит на вопросы по предметной области: без него любая модель прогнозирования сделок унаследует ошибки разметки, а не логику продаж.
Что понадобится для старта проекта:
- выгрузка истории сделок за несколько периодов: дата создания, этапы прохождения, итог, причина отказа;
- описание этапов воронки и правил перехода между ними, включая ручные правки статусов;
- перечень полей, которые заполняют вручную, и полей, приходящих из внешних систем;
- доступ к среде, где будет работать решение: закрытый контур или облако — на ваше усмотрение;
- ответственный за данные со стороны заказчика: согласует трактовку полей и принимает результат;
- критерии успеха в измеримом виде: доля верных прогнозов, горизонт, допустимая доля пропусков.
Опишите задачу — объём воронки, текущий способ оценки сделок и что именно хотите предсказывать. Вернёмся с оценкой, планом внедрения и сроком до первого прогноза на ваших данных.
