Кейс внедрения AI CRM в отдел продаж: рост конверсии на 35% за 90 дней

Исходные данные: компания, нише, отдел

Клиент: B2B-компания в нише автоматизации бухгалтерии для малого и среднего бизнеса. Продаёт программное обеспечение и сопровождение по подписке.

Масштаб: годовая выручка 180 млн ₽ на момент старта проекта. Отдел продаж: 8 менеджеров, 1 руководитель отдела (РОП), 1 маркетолог.

CRM: amoCRM, используют 4 года. Интеграция с IP-телефонией (Mango), сайтом (форма-лид), e-mail рассылками (Unisender). База: 12 400 контактов, из которых активны в последние 12 месяцев 2 800.

Среднемесячный входящий поток: 380–420 лидов. Из них с сайта -- 55%, холодный аутрич -- 28%, рекомендации -- 17%.

Где болело: исходные метрики

Перед стартом проекта зафиксировали baseline. Это важно -- без baseline нечего будет называть "ростом на 35%".

Конверсия лид в сделку: 8.2% (из 400 лидов в месяц -- 33 сделки). По рынку для этой ниши норма 10–14%.

Средний цикл сделки: 61 рабочий день. От первого касания до подписанного договора.

Процент сделок, перешедших из текущего месяца в следующий: 38%. Каждый месяц план закрывался только на 62%.

Время РОП на контроль качества (прослушивание звонков, разборы): 3.5 часа в день.

Точность прогноза менеджеров (отклонение факт от прогноза по выручке): 34%. То есть менеджеры в среднем ошибались на треть.

Главная боль, которую формулировал собственник: "Я не понимаю, что происходит в воронке. Менеджеры говорят одно, цифры в конце месяца -- другое."

4 AI-функции, которые внедрили поверх amoCRM

Не стали менять CRM -- надстроили AI через REST API и вебхуки amoCRM. Всего четыре функции, каждая решала конкретную боль.

План 90 дней по неделям

Вот как шли от старта до финальных метрик.

1. Недели 1–2: Аудит данных. Выяснилось: 31% лидов созданы без источника, 18% сделок без суммы, 400+ дублей контактов. Потратили 2 недели на чистку. Без этого модель дала бы мусор на выходе.
2. Недели 3–4: Разработка агента. Написали скоринговую модель на базе XGBoost, обученную на 4 200 исторических сделок. Точность на тестовой выборке: 71% по категории (горячий/тёплый/холодный), 9 дней средняя ошибка по дате закрытия.
3. Недели 5–6: Подключение и пилот. Запустили на одном менеджере. Параллельно его коллеги работали по-старому. Через 2 недели сравнили: у пилотного менеджера конверсия с 8% выросла до 11.4% -- на 3.4 процентных пункта.
4. Недели 7–8: Масштабирование. Подключили всех 8 менеджеров. Провели 2-часовое обучение: как читать скор, как использовать прогноз в планёрке, как реагировать на флаги по звонкам.
5. Недели 9–10: Калибровка. Менеджеры присылали обратную связь "скор сказал горячий, а клиент пропал". Собрали 47 таких случаев, переобучили модель. Точность выросла с 71% до 78%.
6. Недели 11–12: Анализ результатов. Зафиксировали финальные метрики, посчитали ROI, оформили кейс.

Метрики до и после

Через 90 дней от старта зафиксировали следующие изменения.

Конверсия лид в сделку: было 8.2%, стало 11.1%. Рост на 35.4%. В абсолютных числах: из 400 лидов вместо 33 сделок закрывается 44. Дополнительно 11 сделок в месяц при среднем чеке 180К ₽ -- плюс 1.98 млн ₽/мес выручки.

Средний цикл сделки: было 61 день, стало 39 дней. Сокращение на 36%. Деньги приходят быстрее, оборот растёт без увеличения команды.

Точность прогноза выручки: было 34% отклонение, стало 12% отклонение. Собственник теперь видит реальную картину и планирует денежный поток на 3 месяца вперёд.

Время РОП на контроль: было 3.5 часа/день, стало 40 минут/день. Освободившиеся 2.5 часа РОП тратит на стратегические разборы и развитие менеджеров.

Процент сделок, перешедших в следующий месяц: было 38%, стало 24%. Планы теперь закрываются на 76% в срок.

Что не сработало и почему

Честный разбор -- это не только про победы.

Функция анализа переписки не взлетела. Мы планировали добавить NLP-анализ входящих сообщений в мессенджерах (WhatsApp, Telegram). Столкнулись с двумя проблемами: техническая -- интеграция с мессенджерами через amoCRM нестабильна, часть сообщений теряется. Организационная -- менеджеры переписывались частично с личных телефонов, данные не попадали в CRM вообще. Задачу отложили на следующий этап.

Рекомендации следующего шага не использовались первые 6 недель. Агент писал рекомендацию в примечание к сделке -- менеджеры её просто не читали, потому что никто не объяснил ценность. Решение: вывели рекомендацию в отдельный виджет в правом sidebar amoCRM и добавили пуш в мобильное приложение. Использование выросло с 5% до 67%.

Два менеджера из восьми публично саботировали систему первые 3 недели. Говорили "это всё неточно" и не заполняли обратную связь по ошибкам модели. Решение: РОП провёл личные разборы, показал конкретные кейсы, где AI-скор совпал с реальностью. Один менеджер стал евангелистом системы, второй уволился через 2 месяца -- выяснилось, что он завышал прогнозы намеренно.

Что копируете из этого кейса для своей ниши

Не всё из этого кейса переносится напрямую. Вот что универсально, а что нишевое.

Универсально для любого B2B: чистка данных перед запуском AI обязательна и занимает 20–30% всего бюджета времени. Пилот на одном менеджере перед масштабированием снижает риски. Видимость рекомендаций в UI критична -- никто не читает примечания.

Специфично для ниши SaaS/ПО: цикл 61 день -- это долго для облачного продукта. Ускорение до 39 дней дало большой эффект, потому что было куда сжимать. В нишах с коротким циклом (до 14 дней) AI больше влияет на конверсию, а не на скорость.

Не переносите автоматически: модель скоринга обучалась на 4 200 сделках именно этой компании. Ваша модель будет другой и потребует обучения на ваших данных.

Готовый промт: Применимость кейса к вашей нише

Промт для Claude или GPT-4o. Помогает понять, насколько этот кейс воспроизводим в вашем бизнесе.

Промт: "Я изучил кейс внедрения AI CRM в B2B-компанию нише SaaS: конверсия лид-сделка выросла с 8.2% до 11.1%, цикл сделки сократился с 61 до 39 дней за 90 дней. Хочу понять, применимо ли это к нашей компании. Параметры нашего бизнеса: Ниша: [ваша ниша]. Выручка: [сумма]. Менеджеров в продажах: [N]. CRM: [название]. Текущая конверсия лид-сделка: [процент]. Текущий цикл сделки: [дней]. Поток лидов: [N/месяц]. Главная боль прямо сейчас: [опишите]. Задача: 1) Оцени сходство нашего контекста с кейсом (высокое / среднее / низкое) с обоснованием. 2) Укажи, какие из 4 функций (скоринг / прогноз / анализ звонков / дайджест) дадут наибольший эффект именно в нашей нише. 3) Какой результат реалистично ожидать в нашем случае через 90 дней -- конкретные числа с допущениями. 4) Какие риски специфичны для нашей ниши, которых не было в кейсе."