Що таке Next Best Action і як він працює?
Менеджери витрачають до 80% часу на лідів, які ніколи не закриються. Next Best Action (NBA) — це ML-система, яка аналізує контекст угоди: стадію в CRM, активність ліда, зовнішні сигнали (новини компанії, LinkedIn-оновлення) та часові фактори (кінець кварталу). На виході — одна дія з поясненням, наприклад: «Зателефонуйте директору з продажів, тому що компанія найняла нового CTO і це хороший привід для оновлення контакту».
Ми комбінуємо дві моделі: LLM (GPT-4o або LLaMA 3) генерує топ-5 можливих дій, а градієнтний бустинг ранжує їх за predicted conversion rate. Гібридний підхід дає на 22% вищий recall порівняно з чистою LLM-генерацією, оскільки враховує історичні патерни.
Які проблеми вирішує NBA — розробка AI системи
Інформаційний шум. Типовий CRM-дашборд містить десятки полів, але не говорить, на що дивитися. NBA агрегує історію угоди, активність ліда, зовнішні сигнали та видає одну дію з обґрунтуванням.
Відсутність персоналізації. Менеджери працюють за шаблонами, не адаптуючись під стиль ліда. NBA навчається на діях найкращих менеджерів і підказує конкретний тон і канал комунікації.
Запізнення реакцій. Коли лід починає активно вивчати сайт, потрібно реагувати протягом години. NBA моніторить події в реальному часі та надсилає push-сповіщення в Slack — час реакції скорочується з 4 годин до 15 хвилин.
Як NBA враховує контекст угоди?
Кожна угода знаходиться в одному зі станів state-машини. Стан визначається стадією CRM, давністю контакту, активністю ліда (відвідування сайту, відкриття листів), новинами компанії (зміна CEO, залучення інвестицій) та часовими факторами (кінець кварталу). На основі цього NBA вибирає дію з бібліотеки:
{ "actions": [ "call", "send_case_study", "offer_extended_trial", "request_meeting_with_executive", "propose_discount", "ask_for_referral" ], "scoring_model": "gradient_boosted_trees" } Кожна дія має історичну ймовірність успіху, яка перераховується щодня. LLM (GPT-4 або LLaMA 3) генерує контекстне пояснення: «Рекомендується зателефонувати, тому що 12 днів без контакту, компанія опублікувала вакансію на вашу посаду, кінець кварталу через 3 тижні».
Чому гібридна модель (LLM + градієнтний бустинг) ефективніша за чисту LLM?
LLM схильні генерувати правдоподібні, але не завжди статистично обґрунтовані поради. Ми комбінуємо LLM з бустинг-моделлю на історичних даних: LLM пропонує топ-5 дій, а модель ранжує їх за predicted conversion rate. Таким чином, пояснення залишаються природними, а вибір — точним. На A/B-тестах ми зафіксували підвищення конверсії на 15–25% вже в перші 2 тижні. Гібридна модель в 1.5 рази точніша за чисту LLM за precision@1.
Порівняння підходів: LLM vs гібридна модель
| Параметр | Чистий LLM | Гібрид (LLM + градієнтний бустинг) |
|---|---|---|
| Точність (precision@1) | 62% | 78% |
| Recall@5 | 74% | 92% |
| Швидкість прийняття рішення | 1.2 сек | 1.8 сек |
| Необхідність даних | будь-які | >= 5000 угод |
Гібридна модель потребує більше історичних даних, але дає стабільний виграш. Ми рекомендуємо її для компаній з CRM-глибиною від року.
Що входить у роботу
Детальніше про етапи
1. **Аудит даних CRM** — перевірка якості, повноти та зв'язків. Результат: звіт з рекомендаціями. 2. **Проєктування state-машини** — діаграма станів та бібліотека дій. 3. **Навчання моделі** — baseline та фінальна версія з метриками. 4. **Інтеграція з CRM та месенджерами** — прототип у пісочниці. 5. **A/B-тестування** — статистично значуще покращення конверсії. 6. **Документація та навчання** — інструкції та вебінар для команди. 7. **Гарантійна підтримка** — місяць моніторингу та доопрацювань.| Етап | Результат | Тривалість |
|---|---|---|
| Аудит даних CRM | Звіт щодо якості, повноти, зв'язків | 3–5 днів |
| Проєктування state-машини | Діаграма станів + action library | 3 дні |
| Навчання моделі | Baseline + фінальний варіант з метриками precision@k, recall | 1–2 тижні |
| Інтеграція з CRM та месенджерами | Працюючий прототип у пісочниці | 1 тиждень |
| A/B-тестування | Статистично значуще покращення (target: +20% conversion) | 2 тижні |
| Документація та навчання | Інструкція, відео, вебінар для менеджерів | 2 дні |
| Гарантійна підтримка | 1 місяць моніторингу та доопрацювань | — |
Орієнтовні терміни
Мінімальний проект з готовими даними — 4 тижні. Складна інтеграція з кастомною CRM та додатковими джерелами даних — до 8 тижнів. Вартість розраховується індивідуально після аудиту.
Чек-лист типових помилок при впровадженні
- Використовувати тільки LLM без статистичної моделі — рекомендації красиві, але неефективні.
- Ігнорувати персоналізацію під менеджера — NBA повинна знати, що Іванов добре проводить демо, а Петров — переговори за ціною.
- Не налаштовувати моніторинг дрейфу даних — NBA деградує за 3–4 місяці без перенавчання.
- Забути про feedback loop: менеджери повинні мати можливість «забанити» конкретну рекомендацію, і це має впливати на модель.
Чому варто замовити розробку у нас
Ми впровадили NBA-системи в 15+ компаніях: від e-commerce до enterprise SaaS. Наші інженери — сертифіковані спеціалісти з MLflow, Kubeflow та Hugging Face. Гарантуємо, що модель враховує вашу бізнес-логіку і не видає абсурдних рекомендацій. Замовте демо-проект — ми підготуємо архітектурний draft під вашу CRM за 3 дні. Отримайте консультацію щодо вашого кейсу — ми надішлемо приклад архітектури, адаптований під вашу CRM.
Формальне визначення Next Best Action можна знайти в Wikipedia