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
AI-консалтинг: стратегія, оцінка застосовуваності, дорожна карта
Ми часто бачимо, як компанія витрачає півроку та $200k на «впровадження AI», а на виході — Jupyter-ноутбук у папці та дашборд, який ніхто не відкриває. Типова картина, коли AI-проект стартує з вибору моделі замість аналізу бізнес-процесу.
Що найчастіше йде не так
Неправильно поставлена задача. «Хочемо передбачувати отток» — це не задача для ML. Задача: «Отток серед B2B-клієнтів з контрактом >$10k/рік, ознаки — зниження логінів >40% за 30 днів, скорочення використання ≥2 ключових фіч, затримка оплати». Без такої декомпозиції модель вчиться на проксі, які зникають при наступному A/B-тесті продукту.
Переоцінка даних. Клієнт каже: «у нас 5 років даних». На ділі: схема змінювалась тричі, перші два роки — в іншій системі, 30% записів без ключового атрибута. Після аудиту придатного датасету — 14 місяців, 60k записів з пропусками в цільовій змінній. Це змінює весь план: замість deep learning — gradient boosting з ретельним feature engineering.
Відсутність baseline. Перед побудовою моделі потрібно знати поточний результат без ML. Якщо аналітик вручну дає precision 0.68 на задачі класифікації, а ваша «розумна» модель — 0.71, чи варто це пів року розробки? Відповідь очевидна — ні, якщо витрати на ML перевищують виграш.
Як ми оцінюємо застосовуваність AI?
Наш підхід — замість вибору моделі спочатку перевіряємо три фактори: якість даних, бізнес-процес і технічну реалізовність. Аудит займає 2–4 тижні та включає:
Data audit. Дивимося на сирі дані: повнота, якість міток, distribution shift між періодами, утечки в навчальній вибірці (часто — при join'і таблиць з майбутніми значеннями target). Інструменти: pandas-profiling / ydata-profiling, great_expectations, SQL-аналітика прямо в PostgreSQL.
Process mapping. Де у бізнес-процесі ML дасть цінність: прискорення, зниження помилок, автоматизація рішень? Малюємо AS-IS та TO-BE з конкретними точками інтеграції моделі.
Feasibility scoring. Кожен use case оцінюємо по матриці: обсяг даних × якість розмітки × бізнес-цінність × технічна складність. Результат — пріоритизований беклог з чесною оцінкою ризиків.
ROI: рахуємо реалістично
Три компоненти ROI для ML-проекту:
-
Пряма економія — заміна ручної праці. Якщо класифікатор замінює 3 операторів по $40k/рік, це $120k/рік до витрат на інфраструктуру та підтримку.
-
Якість рішень — зростання precision/recall у бізнес-метриках. Наприклад, зростання precision fraud-детекції з 0.71 до 0.89 при recall 0.85 означає зниження хибних блокувань і менше відтоку клієнтів.
-
Швидкість — якщо скоринг заявки знижується з 48 годин до 2 хвилин, це конверсія, а не тільки операційна ефективність. У фінансовому секторі такий приріст може дати до $500k додаткового доходу на рік.
Чесний ROI-розрахунок включає вартість розробки, інфраструктури (GPU/CPU, зберігання), підтримки та переучення моделі — останнє часто становить 30–40% річного бюджету розробки.
Технологічний вибір без релігії
Принципове питання консалтингу: коли LLM, а коли класичний ML?
| Критерій |
LLM (GPT, Claude, LLaMA) |
Класичний ML (XGBoost, LightGBM) |
| Тип даних |
Неструктурований текст, генерація, діалог |
Табличні дані, чисел, категорії |
| Вартість інференсу |
$0.01–0.1 за запит (GPU) |
$0.001 за 1000 запитів (CPU) |
| Інтерпретованість |
Низька (потрібен explainability) |
Висока (SHAP, feature importance) |
| Точність на табличних даних |
Часто нижча за boosting |
Стабільно вища на 5–15% |
| Підтримка |
Дорога (fine-tuning, RAG) |
Дешева (базове переучення) |
LLM потрібен, коли задача потребує розуміння неструктурованого тексту, генерації, діалогу. Для структурованих табличних даних XGBoost, LightGBM, CatBoost зазвичай перемагають нейромережі за якістю, інтерпретованістю та вартістю інференсу — на $10/міс CPU-інстансі.
Аналогічно RAG vs fine-tuning: якщо знання статичні та добре структуровані — RAG через LlamaIndex або LangChain з pgvector дешевше та легше підтримувати. Якщо потрібна специфічна манера відповіді або новий «мова» — fine-tuning через PEFT/LoRA.
Дорожна карта: від пілота до продукту
Типовий AI-roadmap будується в три горизонти:
0–3 місяці (Quick wins). Вибираємо 1–2 use case з хорошими даними та чітким ROI. Будуємо MVP з baseline-моделлю, розгортаємо в shadow mode — модель приймає рішення паралельно з людьми, результати порівнюються. Це знижує ризик та будує довіру до AI всередині команди.
3–12 місяців (Core platform). Будуємо MLOps-фундамент: feature store, CI/CD для моделей, моніторинг дрейфу через evidently, реєстр моделей в MLflow. Масштабуємо 2–3 успішних use case.
12+ місяців (Scale). Перехід до складніших архітектур, автоматизація переучення, розширення на нові домени.
Що входить в роботу
Наш консалтинг — це не просто звіт. Ми передаємо:
-
Документація стратегії — roadmap, матриця use cases, ROI-оцінка.
-
Технічний аудит — оцінка даних, інфраструктури, компетенцій команди.
-
Архітектурне рішення — вибір стеку (моделі, вектори, MLOps).
-
Пілотний проєкт — реалізація одного use case під ключ з метриками.
-
Навчання команди — workshop по MLOps, best practices, інструменти.
-
Підтримка після запуску — 2 місяці супроводу, моніторинг, ітерації.
Чому варто обрати нас
Ми маємо 10+ років досвіду в AI/ML-продакшені, реалізували 50+ проєктів для фінтеху, ритейлу, логістики. Гарантуємо реалістичну оцінку — без завищених очікувань. Сертифіковані інженери (AWS ML, GCP ML) працюють з OpenAI, Hugging Face, PyTorch, Kubeflow, vLLM.
Замовте аудит AI-готовності вашої компанії. Зв'яжіться з нами для безкоштовної консультації. Оцінимо ваші дані, підготуємо стратегію та roadmap — за 2–4 тижні.
