Мобільний CRM-бот: автоматизація введення даних та угод

CRM-бот для мобільного додатку: як автоматизувати введення даних у CRM

Менеджер з продажу витрачає до 30% робочого часу на ручне заповнення CRM. Після зустрічі потрібно внести ім'я, компанію, телефон, етап угоди — і часто це відкладається або робиться з помилками. Ми розробляємо CRM-ботів, які приймають голосові нотатки або текст у чаті та автоматично створюють структуровані записи в CRM. Це особливо актуально для компаній з активними продажами: за нашими даними, після впровадження бота час введення скорочується на 60%, а кількість помилок падає до 5%. У цій статті розберемо технічну реалізацію — від парсингу природної мови до інтеграції з популярними CRM.

Проблеми, які вирішує CRM-бот

Ручне створення контактів та угод. Після зустрічі менеджеру потрібно внести ім'я, компанію, телефон, етап угоди. Часто це відкладається або робиться з помилками. Бот приймає неструктуровану фразу типу «Зустрівся з Івановим з Альфи, тел +7 999...» і створює структурований запис. За статистикою, 70% менеджерів визнають, що забувають внести дані протягом дня.

Оновлення статусу без пошуку. «Угоду 1234 перевести на етап Пропозиція надіслана» — бот знаходить угоду та змінює статус за текстовою командою. Це економить до 10 хвилин на день на кожному менеджері.

Автоматизація нагадувань та завдань. «Нагадай завтра зателефонувати Петрову» — бот створює завдання в CRM з потрібним терміном.

Основні сценарії роботи бота

Як бот витягує дані з голосових нотаток?

Ключовий модуль — парсер природної мови. Ми використовуємо LLM з function calling (OpenAI або локальні моделі). Вхідна фраза передається з промптом, який просить заповнити поля контакту та угоди. Якщо інформація відсутня — поле залишається пустим. Це надійніше класичних NLU-інтентів, оскільки модель розуміє контекст фрази.

Приклад промпту на Python:

EXTRACT_PROMPT = """
Вилучи з тексту менеджера з продажу параметри для CRM.
Якщо інформація не згадана — залиш поле null.
Не вигадуй дані, яких немає в тексті.
"""

Додатково нормалізуємо телефонні номери у формат E.164 за допомогою бібліотеки libphonenumber (Google). Це гарантує єдиний формат при записі в CRM.

Чому voice input критичний для польових продажів?

Після зустрічі менеджер рідко друкує — зручніше записати голосову нотатку. На iOS використовуємо SFSpeechRecognizer, на Android — SpeechRecognizer. Для покращення розпізнавання українською мовою підключаємо Whisper API, який справляється з розмовною мовою та нестандартними назвами компаній. Як зазначено в документації Apple, SFSpeechRecognizer підтримує понад 50 мов і автоматично адаптується до голосу користувача (Apple Speech Framework).

Інтеграція з популярними CRM

Приклад створення угоди з контактом в AmoCRM:

const amo = require('amocrm-js');

async function createDealWithContact(dealData, contactData) {
    const contacts = await client.contacts.create([{
        name: contactData.name,
        phone: [{ value: contactData.phone, enum_code: 'WORK' }],
        email: contactData.email ? [{ value: contactData.email, enum_code: 'WORK' }] : []
    }]);

    const contactId = contacts[0].id;

    const deals = await client.leads.create([{
        name: dealData.name,
        price: dealData.price || 0,
        pipeline_id: dealData.pipelineId,
        status_id: dealData.statusId,
        _embedded: {
            contacts: [{ id: contactId }]
        }
    }]);

    return deals[0];
}

Як забезпечити безпеку даних при інтеграції?

Дані передаються по HTTPS, токени API зберігаються в Keychain (iOS) або EncryptedSharedPreferences (Android). Аутентифікація через OAuth 2.0 або серверні API-ключі. Всі запити логуються, і доступ до логів обмежений. Це гарантує захист персональних даних клієнтів та відповідність вимогам App Store Review Guidelines (Section 5.1).

Дашборд для швидкого огляду

Крім діалогу, корисний компактний дашборд: активні угоди за етапами, завдання на сьогодні, KPI. На Android робимо на Jetpack Compose з LazyColumn, на iOS — SwiftUI з анімаціями. Це не заміна повної CRM, а швидкий погляд «між справами» — оновлюється кожні 30 секунд через GraphQL subscriptions.

Що входить у процес впровадження?

1. Аудит CRM-системи: документація API, тестовий акаунт, обмеження.
2. Проектування сценаріїв: створення/оновлення сутностей, запити, NLP-логіка.
3. Мобільний клієнт: діалоговий інтерфейс, voice input, дашборд.
4. Інтеграція: налаштування чат-бота (Telegram, WhatsApp або вбудований чат), синхронізація.
5. Тестування з реальними користувачами: коригування формулювань та обробка граничних випадків.
6. Документація та передача доступів.

Наш досвід: за 5 років реалізували понад 30 інтеграцій CRM для різних галузей. Працюємо під ключ — від прототипу до публікації в App Store та Google Play. Зв'яжіться з нами, щоб обговорити інтеграцію для вашої CRM. Замовте розробку бота, і ми підготуємо прототип за тиждень.

Орієнтовні терміни

• Базова версія для однієї CRM (AmoCRM або Бітрікс24) — 2–3 тижні.
• Розширена з voice input, складним NLP, дашбордом — 4–6 тижнів.

Точні терміни залежать від кількості сценаріїв та API. libphonenumber використовується для нормалізації номерів.

Висновок

CRM-бот у мобільному додатку скорочує час введення даних на 60% та знижує кількість помилок. Якщо ви хочете оцінити проект для своєї CRM — отримайте консультацію. Ми допоможемо налаштувати інтеграцію та запустити бота в продуктив.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.