ИИ-аналитика: что она считает на самом деле

Про ИИ-аналитику написано много, но почти всё это либо обзоры сервисов, либо тексты уровня «искусственный интеллект меняет подход к данным».

Возьмём по существу: что именно ИИ считает такого, чего не считали раньше, где он бесполезен и что должно быть у вас в порядке, чтобы это заработало.

Главная путаница: два разных смысла

Под «ИИ-аналитикой» продают две очень разные вещи, и от того, какую вы имеете в виду, зависит всё остальное.

Аналитика чиселЗдесь ИИ нужен реже

• Продажи, конверсии, остатки
• Данные уже разложены по полям
• Обычные формулы работают точно
• Модель добавляет мало и может ошибиться

Аналитика текстаЗдесь и есть польза

• Переписка, звонки, отзывы
• Данные не помещаются в таблицу
• Раньше это просто не читали
• Модель делает то, чего не делал никто

Почему это важно понимать сразу. Если вам обещают, что модель «проанализирует продажи и найдёт закономерности», спросите, чего в этом анализе нет у обычного отчёта. Часто ответ — ничего, кроме формулировок красивым языком.

А вот тысяча диалогов с клиентами, которую никто никогда не читал целиком, — это данные, которые лежали мёртвым грузом. Их обработка и есть настоящая ИИ-аналитика.

Что она реально закрывает

Пять задач, где результат появляется предсказуемо.

Разбор обращений по темам

Самое очевидное и самое полезное. За месяц в поддержку и продажи приходит несколько сотен обращений. Руководитель знает, о чём они, по ощущениям от последних десяти.

Модель раскладывает весь массив по темам и показывает распределение: треть спрашивает про сроки, четверть — про совместимость, десятая часть жалуется на одно и то же.

Что это меняет. Вопрос «что чинить в первую очередь» перестаёт быть предметом спора: видно, что чинить.

Поиск точек срыва в диалогах

Задача сложнее: найти не темы, а моменты, после которых разговор обрывался.

Модель проходит по диалогам и отмечает, на какой реплике клиент замолчал. Дальше эти места группируются: после называния цены, после вопроса про предоплату, после уточнения сроков доставки.

Ценность в том, что это невидимо изнутри. Менеджер помнит сделки, которые закрыл, и не помнит тех, кто просто перестал отвечать.

Работа с отзывами

Отзывы читают выборочно, а решения принимают по последнему прочитанному. Модель обрабатывает весь массив: что хвалят, на что жалуются, изменилось ли что-то после нововведения.

Отдельная польза — сравнение с конкурентами: те же операции над их публичными отзывами показывают, где вы объективно слабее.

Выжимки по клиенту

Перед звонком менеджеру нужно вспомнить историю: что покупали, о чём договаривались, чем были недовольны. В CRM это лежит в виде тридцати записей и переписки.

Модель собирает это в абзац за секунды. Экономия небольшая на одном клиенте и заметная на потоке.

Разбор документов

Договоры, счета, техническая документация. Задача не «понять смысл», а найти и сопоставить: что изменилось между редакциями, где расходятся условия, чего не хватает.

Как это устроено технически — в статье про RAG и работу с документами.

Где ИИ-аналитика опасна

Раздел, которого нет в обзорах, потому что он мешает продавать.

Точные расчёты. Сумма, остаток, сверка, налог. Модель может ошибиться в арифметике и сделает это уверенно. Считать должны формулы и запросы к базе; модель имеет право только объяснять результат.

Прогнозы на малых данных. «Предскажем отток клиентов» звучит хорошо, но для статистически осмысленного прогноза нужны сотни и тысячи наблюдений с известным исходом. У большинства компаний их нет, а модель всё равно выдаст правдоподобный ответ.

Причинно-следственные выводы. Модель находит совпадения, а не причины. «Клиенты, которые звонили в поддержку, чаще уходили» — это может значить, что поддержка плохая, а может — что звонят те, у кого уже проблемы.

Решения о людях. Оценка сотрудников по переписке, ранжирование менеджеров «по качеству общения» — та же ловушка, что в найме: измеримость подменяется правдоподобностью.

Как правильно разделить работу

ДанныеТексты и числа

Числа считает кодФормулы, запросы, отчёты

Тексты разбирает модельТемы, причины, выжимки

Выводы делает человекИ проверяет их на выборке

Что должно быть в порядке с данными

Здесь начинается настоящая работа, и она не техническая.

Самая частая проблема на входе: переписка с клиентами живёт в личных мессенджерах менеджеров. Это же первое, что выясняется при любом внедрении нейросетей в бизнес: данные важнее инструмента. Формально общение есть, фактически данных нет, и никакая аналитика невозможна. Это чинится не моделью, а переводом общения в системы компании.

Разовый разбор или постоянный процесс

Две разные по стоимости и смыслу вещи, и начинать почти всегда стоит с первой.

Разовый разбор архиваС этого начинают

• Интеграции не нужны
• Нужен только доступ к данным
• Результат за дни
• Отвечает на вопрос «что у нас происходит»

Постоянный процессКогда понятно, что смотреть

• Подключение к системам
• Регулярная обработка и отчёты
• Дороже и дольше
• Отвечает на вопрос «что изменилось»

Как выглядит разбор архива по шагам

Самый частый первый проект, поэтому разберём его подробно.

Порядок работ

1. 1
   Сформулировать вопросыТри-пять конкретных, а не «посмотрите, что интересного»
2. 2
   Выгрузить данныеПереписка, обращения, отзывы за период
3. 3
   ПочиститьУбрать служебные сообщения, шаблонные ответы, дубли
4. 4
   Разметить выборку рукамиПолсотни диалогов — эталон, с которым сверяемся
5. 5
   Прогнать весь массивИ сверить с эталоном: совпадает ли разметка
6. 6
   Собрать выводыС примерами реальных диалогов под каждым

Про первый шаг отдельно. «Проанализируйте нашу переписку» — не задача. Задача звучит так: какие три возражения встречаются чаще всего; на каком этапе разговора клиенты чаще всего замолкают; что клиенты спрашивают, чего нет на сайте.

От формулировки вопроса зависит и способ обработки, и стоимость.

Про пятый шаг. Разметка вручную полусотни диалогов кажется лишней работой — это самая полезная часть проекта. Она показывает, где модель систематически ошибается: например, считает вежливый отказ согласием.

Сколько это стоит

Расходы делятся на три части, и главная — не модель.

Как считается обработка. Тысяча диалогов по 3 000 знаков — это около трёх миллионов знаков, примерно миллион токенов. Токен — это единица, которой считают объём текста; для русского языка ориентир такой: три-четыре символа на токен. По тарифам GigaChat на младшей модели это порядка 65 ₽ за миллион токенов — то есть разбор архива по деньгам почти ничего не стоит.

Что стоит дорого: привести данные в пригодный вид и правильно поставить вопрос. Это человеческая работа, и на неё уходит основная часть бюджета.

Как отличить полезный инструмент от красивой обёртки

Рынок полон сервисов, которые обещают аналитику на ИИ. Четыре вопроса, которые быстро всё расставляют по местам.

Что он берёт на вход. Если только цифры из вашей CRM — это обычная аналитика с чат-интерфейсом. Полезно, но не про ИИ.

Можно ли проверить вывод. У каждого утверждения должна быть возможность посмотреть, на каких данных оно основано. «Клиенты недовольны сроками» без списка конкретных диалогов — это не вывод, а впечатление.

Что происходит при отсутствии данных. Хороший инструмент говорит «данных недостаточно». Плохой выдаёт правдоподобный ответ всегда.

Куда уходят ваши данные. Переписка с клиентами — это персональные данные. Вопрос, где они обрабатываются и сколько хранятся, надо задать до загрузки, а не после.

Три вопроса, на которые аналитика отвечает лучше всего

Из практики — те задачи, где результат почти гарантирован.

«Почему клиенты уходят на этапе X». Берём диалоги, где сделка застряла на конкретном этапе, и разбираем последние сообщения. Причины обычно повторяются и оказываются проще, чем предполагали.

«Что спрашивают, чего нет на сайте». Список вопросов из переписки, сопоставленный с содержанием сайта, — самый дешёвый способ понять, что дописать. Часто закрывает часть нагрузки на менеджеров без всякой автоматизации.

«Изменилось ли что-то после нововведения». Поменяли условия доставки, обновили прайс, сменили скрипт. Сравнение диалогов до и после показывает реакцию, которой не видно в цифрах продаж.

Что ломается на практике

Вопрос поставлен слишком широко. «Найдите инсайты» даёт набор банальностей. Узкий вопрос даёт применимый ответ.

Данные за слишком короткий период. Месяц переписки в сезонном бизнесе покажет сезон, а не закономерность.

Модель классифицирует по своим категориям. Если не задать список тем, она придумает свой — и он не совпадёт с тем, как устроен ваш бизнес.

Выводы никто не применяет. Самая частая и самая обидная. Отчёт получен, всё подтвердилось, дальше ничего не произошло. Поэтому вопросы формулируются так, чтобы под каждым ответом было понятное действие.

Разбор превращают в постоянный процесс раньше времени. Автоматизировать имеет смысл то, что вы уже посмотрели вручную и знаете, зачем смотрите.

Аналитика звонков: отдельная история

Разговоры — самый недоиспользуемый источник данных в российских компаниях. Записи есть почти у всех, слушает их почти никто.

Почему это ценнее переписки. В звонке слышно то, чего человек не напишет: сомнение, раздражение, момент, когда он теряет интерес. Плюс по телефону клиенты говорят подробнее, чем пишут.

Что нужно, чтобы это работало.

Путь от записи к выводу

1. 1
   Запись разговораОбычно уже есть в телефонии
2. 2
   Расшифровка в текстОтдельный сервис распознавания речи
3. 3
   Разделение по говорящимКто менеджер, кто клиент — иначе анализ бесполезен
4. 4
   Разбор модельюТемы, возражения, точки срыва
5. 5
   Сверка с эталономПроверяем на десятке разговоров, которые слушали сами

Главная ловушка — качество распознавания. Плохая линия, фоновый шум, специфические термины дают текст с ошибками, и модель добросовестно анализирует эти ошибки. Проверять надо не выводы, а расшифровку: возьмите пять записей, прочитайте текст и послушайте оригинал.

Что обычно находится в первом же разборе: менеджеры называют условия, которых нет в прайсе; на один и тот же вопрос отвечают по-разному; разговор регулярно обрывается в одном и том же месте.

Как показать результат, чтобы им воспользовались

Отчёт, который никто не применил, — потраченные деньги. Три правила, которые повышают шансы.

Под каждым выводом — конкретные примеры. Не «клиенты жалуются на сроки», а «клиенты жалуются на сроки, вот семь диалогов, вот типичная формулировка». Иначе вывод обсуждают, а не принимают.

Цифра рядом с формулировкой. «Треть обращений» весомее, чем «часто». И проверяемо.

Одно действие на вывод. Если из наблюдения не следует, что делать, оно останется наблюдением. Хороший отчёт заканчивается не выводами, а списком «что поменять».

Разница не в стиле, а в том, что из правой колонки понятно, что делать завтра.

Инструменты: чем это делают

Без списка сервисов — по типам, потому что сервисы меняются, а типы нет.

Обычная BI-система. Отчёты, дашборды, срезы по числам. ИИ здесь не нужен: всё считается запросами. Если у вас этого нет, начинать надо отсюда, а не с моделей.

Готовые сервисы анализа отзывов и звонков. Быстрый старт, типовые отчёты, ваши данные уходят к ним. Подходят, если задача стандартная и данные не чувствительные.

Своя обработка через модель. Гибко, данные под контролем, отчёт под ваши вопросы. Дороже на старте и требует того, кто это соберёт.

Комбинация. Самый частый рабочий вариант: числа считает BI, тексты разбирает модель, результаты сводятся в один отчёт.

Про данные под запрет. Если переписка содержит персональные данные клиентов, вопрос, где она обрабатывается, встаёт в полный рост. Варианты — обезличивание перед отправкой или обработка в своём контуре; второе разобрано в статье про локального ИИ-агента.

Пять вопросов, с которых стоит начать

Готовый список, который можно взять и задать своим данным. Все пять проверены на практике и почти всегда дают применимый ответ.

1. О чём спрашивают чаще всего в первом сообщении? Показывает, чего не хватает на сайте. Самый дешёвый способ снизить нагрузку на менеджеров.

2. После какой реплики клиенты чаще всего замолкают? Находит место, где ломается воронка, — обычно не там, где предполагали.

3. Что мы обещаем клиентам, чего нет в прайсе? Расхождение между тем, что говорят менеджеры, и тем, что написано, есть почти всегда.

4. Какие вопросы повторяются у клиентов после покупки? Заготовка для инструкции, которой нет, и для сокращения обращений в поддержку.

5. Чем отличаются диалоги, закончившиеся сделкой, от остальных? Осторожно с выводами: это корреляция, а не рецепт. Но гипотезы даёт хорошие.

Как задавать эти вопросы правильно. К каждому стоит добавлять одно требование: приводить примеры. Формулировка «перечисли самые частые темы первых сообщений и под каждой дай три реальные цитаты» даёт проверяемый результат, а «какие темы встречаются чаще всего» — общий список, который невозможно ни подтвердить, ни оспорить, ни применить.

Что делать дальше с выводами

Разбор архива обычно даёт три типа находок, и с каждым работают по-своему.

Третья строка — самая важная и самая неудобная. Если разбор показал, что заказы теряются из-за несогласованности между отделами, никакой бот это не починит. Аналитика тут сделала свою работу: показала, что чинить.

Практическое наблюдение. Первый разбор архива обычно окупается не автоматизацией, а тем, что находится в первой строке таблицы: три дописанных абзаца на сайте убирают десятую часть обращений.

Как не потерять результат через месяц. У каждой находки должен быть ответственный и срок — иначе отчёт превращается в презентацию, которую посмотрели и закрыли. Работающая практика простая: разбор заканчивается не документом, а списком задач в той же системе, где живут остальные задачи компании. Тогда через месяц видно, что из найденного действительно починили, а что осталось на бумаге. Это же даёт основание для повторного разбора: сравнить те же вопросы до и после и увидеть, изменилось ли что-нибудь на самом деле.

Кому это нужно, а кому нет

Что делаю я

Разговор начинается не с инструментов, а с двух вопросов: что именно вы хотите узнать и есть ли данные, из которых это можно достать. Довольно часто ответ уже лежит в переписке за последние три месяца, и получить его можно за несколько дней без всякой интеграции.

Делаю разбор архивов и постоянные процессы внедрения ИИ сам: подготовка данных, разметка эталона, обработка, отчёт с примерами под каждым выводом. Если вижу, что вопрос закрывается обычным отчётом из вашей CRM, говорю об этом прямо — платить за модель там, где хватает формулы, незачем.