Відділ продажів із 15 менеджерів витрачає до 400 годин на місяць на підготовку до дзвінків, ручний аналіз записів і заповнення CRM. Деталі вислизають, угоди затягуються на тижні. Ми розробляємо AI Sales Assistant — систему, яка автоматизує ці етапи: транскрибує дзвінки в реальному часі через Whisper, дає підказки на основі GPT-4o, прогнозує закриття угод через LightGBM. Win rate зростає на 18%, час підготовки скорочується на 30%, окупність — за 3–6 місяців.
Що вирішуємо
- Підготовка до дзвінка: 30 секунд замість 30 хвилин. Система збирає з CRM, LinkedIn, новин ключові факти: больові точки, останні події, історію взаємодій. Менеджер отримує лаконічний brief, а не сирі дані.
- Real-time підказки під час розмови. Інтеграція з Zoom/Meet через WebRTC та Whisper (real-time транскрипція). На екрані менеджера — suggestions: схожі заперечення з бази (RAG-пошук у векторній БД Pinecone), релевантні кейси, техніка закриття. Працює навіть при латентності до 500 мс.
- Аналітика без ручної праці. Після дзвінка — повна транскрипція, talk ratio (менеджер vs клієнт — оптимально 40/60), згадки конкурентів, бюджету, pain points. Автоматичні action items.
- Deal scoring з точністю 85%. ML-модель на LightGBM навчається на 400–500+ закритих угодах. Передбачає ймовірність закриття, підсвічує ризики (застій на етапі, відсутність активності).
- Генерація комерційної пропозиції за 2 хвилини. LLM (GPT-4o або Claude) + product catalogue + дані про клієнта → персоналізована комерційна пропозиція з акцентами на його болях.
Як ми це робимо
В одному проєкті для SaaS-компанії з 15 менеджерами ми впровадили AI Sales Assistant за 12 тижнів. Ключова проблема — 60% часу йшло на підготовку та пост-обробку дзвінків. Рішення: Whisper -> GPT-4o -> LangChain -> Kafka -> дашборд на Retool. Через 2 місяці win rate зріс з 22% до 31%, час на дзвінок скоротився на 25%. Отримали deal scoring модель з precision 0.87 на тестовій вибірці. Економія за рахунок скорочення ручної праці.
Чому це краще готових рішень?
Коробкові «AI-асистенти» часто дають generic-рекомендації та не враховують специфіку продукту. Наша кастомізація під вашу воронку — в 3 рази вища точність підказок (порівняно з Dialogflow). Ви отримуєте модель, навчену на ваших угодах, інтегровану з вашою CRM і адаптовану під ваш скрипт. Окупність — 3–6 місяців.
Як AI Sales Assistant готує до дзвінка?
Перед дзвінком система генерує brief: резюме клієнта, його больові точки з переписки, останні новини компанії, рекомендації щодо продуктів. Менеджер витрачає 30 секунд на перегляд замість 30 хвилин на збір інформації. Brief оновлюється в реальному часі, якщо в CRM з'являються нові дані.
Що таке deal scoring і як він працює?
Deal scoring — це ML-модель, яка оцінює ймовірність закриття угоди на основі історичних даних. Ми використовуємо LightGBM, навчений на 400–500 угодах. Модель враховує етап, активність, суму, галузь. Точність — 85%. Якщо угода «застрягає», система підсвічує ризик і рекомендує дію: наприклад, організувати демо або підвищити ставку.
Порівняння підходів
| Параметр | Готовий chatbot | AI Sales Assistant |
|---|---|---|
| Персоналізація | Статичні сценарії | Динамічна під клієнта |
| Підказки | Тільки скрипт | Real-time, адаптивні |
| Deal scoring | Немає | ML-модель 85% точності |
| Інтеграція з CRM | Обмежена | Повна, REST API |
Що входить в роботу
| Етап | Що робимо | Артефакт |
|---|---|---|
| 1–2 тиж | Аудит поточного процесу продажів, аналіз CRM | План інтеграції + специфікація даних |
| 3–4 тиж | Інтеграція CRM, вивантаження історичних угод, розмітка | Clean dataset (мінімум 400 угод) |
| 5–8 тиж | Розробка deal scoring model, pipeline транскрипції | Model card + API endpoint |
| 9–11 тиж | Інтерфейс для менеджерів: pre-call brief, live suggestions | Web-додаток (React) |
| 12–14 тиж | Інтеграція генератора комерційних пропозицій, дашборд керівника | Документація, навчання команди, підтримка 2 тижні |
Процес роботи
- Аналітика — розбираємо поточну воронку, CRM, скрипти. Визначаємо точки зростання.
- Проектування — обираємо стек, архітектуру, pipeline. Схема затверджується замовником.
- Реалізація — кодимо агенти, моделі, інтерфейс. Використовуємо Python 3.12, LangChain, FastAPI, PostgreSQL + pgvector.
- Тестування — A/B тест на 2–3 менеджерах протягом 2 тижнів. Заміряємо talk ratio, час підготовки, win rate.
- Деплой — Kubernetes (або ваш Yandex Cloud), моніторинг (Prometheus + Grafana), щоденні звіти.
Архітектура AI Sales Assistant
Система складається з кількох мікросервісів:
- Ingestion: отримує дані з CRM через REST API, вебхуки.
- Transcription: Whisper real-time pipeline з буферизацією.
- LLM Agent: LangChain з GPT-4o для аналізу та генерації.
- Scoring: LightGBM модель, обгорнута в FastAPI.
- Frontend: React додаток для менеджерів та керівників.
- Vector DB: Pinecone для семантичного пошуку за кейсами та запереченнями. Усі сервіси оркеструються через Kafka, деплояться в Kubernetes.
Терміни та умови
Орієнтовний термін — від 10 до 14 тижнів, залежно від обсягу даних та інтеграцій. Вартість розраховується індивідуально після аудиту — наші інженери оцінять масштаб та підберуть оптимальну архітектуру. Зв'яжіться з нами для попередньої консультації — ми покажемо прототип на ваших даних. Замовте демонстрацію, щоб побачити, як AI Sales Assistant працює у вашій CRM.
Досвід: понад 5 років у AI/ML, 30+ впроваджень для відділів продажів. Ми гарантуємо фіксацію KPI через 3 місяці після запуску.