Скоринг лидов вместо интуиции менеджера: какие данные помогут продавать точнее

Почему важно опираться на данные, а не только на личный опыт сотрудников

У команды продаж может быть многолетняя экспертиза и сильная интуиция, но когда речь идет о десятках заявок в день, удержать все детали в голове сложно. У одного менеджера — один опыт, у другого — другой, и оценка «хорошего» лида может отличаться. Это не проблема, а особенность любого ручного процесса:

• Потеря времени. Слабый лид виден только после нескольких созвонов и переписок, когда время на него уже потрачено.
• Потеря выручки. Если менеджер ошибся в приоритете, упущенную сделку задним числом не исправить.
• Дополнительные затраты. Часы менеджеров на бесперспективных заявках стоят компании реальных денег.
• Плохое масштабирование. У каждого менеджера по продажам своя планка оценки, поэтому результат зависит не от процесса, а от конкретного человека.

Кейс из смежного бизнеса: ML вместо экспертной оценки локаций

С похожей задачей столкнулся сервис аренды пауэрбанков «Бери заряд». У команды была большая экспертиза в выборе локаций, но решение о новой точке принимал менеджер. Это работало, но при масштабировании на десятки городов стало сложно поддерживать одинаково высокое качество решений — неэффективность точки могла стать понятна только через месяц работы, а демонтаж станции — это прямые потери.

Команда решила не заменять экспертизу, а усилить её ML-моделью. В неё завели:

• пешеходный трафик по зонам, дням и времени суток,
• данные Яндекс Карт (рейтинг, популярность, категорию заведения и геоданные),
• историческую выручку станций за первые тридцать дней работы,
• сезонность с месячной поправкой.

Отдельный LLM-матчер сопоставлял локации с точностью 99%.

За пять месяцев экспериментов в 13 городах модель показала прирост выручки на ячейку в первый месяц: +61% в категории «Еда» и +151% в категории «Отдых и туризм» относительно оценок продавцов. При этом модель не заменила менеджеров — она стала дополнительным инструментом, который помогает фокусироваться на самых перспективных локациях и принимать решения на основе данных.

Эту логику можно применить к любому процессу, где решение принимает человек, основываясь на своих ощущениях. В продажах это оценка лида — набор измеримых параметров вместо «мне кажется, клиент перспективный».

Что такое скоринг лидов и чем он отличается от интуиции

Lead scoring (скоринг лидов) — присвоение заявке числового балла на основе набора признаков. Он работает вместе с квалификацией лидов и квалификацией клиента: квалификация отвечает на вопрос «подходит ли клиент вообще», скоринг — «насколько он приоритетен прямо сейчас».

Балл определяет, куда лид попадает дальше: в градацию MQL и SQL, в очередь на прогрев лида или сразу к менеджеру. Скоринг не отменяет опыт менеджера — он дает команде единую систему координат, чтобы приоритизация была прозрачной и воспроизводимой.

С чего начать: сигналы для простой модели

Для первой версии скоринга сложный ML не нужен. Начните с таблицы весов в CRM или даже в Excel и восьми сигналов, которые реально влияют на конверсию лида в сделку:

• Отрасль клиента — насколько она соответствует профилю ваших успешных сделок.
• Размер компании — штат, оборот или количество точек, если это применимо к продукту.
• Источник лида — с рекламы, из холодной базы или по рекомендации.
• Должность контакта — лицо, принимающее решение, или сотрудник без полномочий.
• История контактов — сколько раз клиент уже взаимодействовал с компанией.
• Реакция на звонок — включённость в разговор, вопросы, готовность продолжать диалог.
• Срок ответа — как быстро лид реагирует на звонки и сообщения.
• Итог диалога — договорённость о следующем шаге или отказ.

РОП присваивает каждому сигналу вес, сумма даёт балл лида. Вес каждого критерия стоит пересматривать раз в квартал: сверяйтесь, какие баллы реально превращались в сделки.

Автоматизация вместо ручного сбора данных

Сигналы работают, только если данные попадают в модель регулярно. Дальше отдел продаж подключает автоматизацию: CRM для продаж фиксирует источник и историю контактов, автоматизация воронки продаж перемещает лид между этапами без ручных действий, а CRM-аналитика продаж и аналитика воронки продаж показывают, на каком этапе теряются самые дорогие заявки.

Искусственный интеллект и предиктивную аналитику отдел продаж добавляет, когда базовая модель уже работает и собирает информацию. До момента, пока не накопилась история сделок, ИИ считать не на чем: ему нужны реальные данные о том, какие лиды конвертировались, а какие нет.

Тонкости при работе с ML-моделями: отвечает Андрей Выслоух

Андрей Выслоух

Руководитель бизнес-направления в сервисе «Бери Заряд»

Модель учится на исторических данных. Но история сделок — это то, что продавцы уже отфильтровали своей интуицией. Как не научить модель просто повторять старые предубеждения?

Исторические данные — это большой массив информации о самых разных размещениях: с разными результатами, в разных локациях и категориях. Модель учится прогнозировать фактическую выручку, а не повторять решения менеджеров, поэтому она способна находить закономерности, которые человек может не замечать. Чтобы проверить работу модели мы проводим эксперименты: мы сравниваем решения, принятые с помощью модели, с решениями без нее.

В аренде пауэрбанкшеринга обратная связь приходит через месяц (выручка станции). В продажах цикл сделки может быть полгода. Как обучать модель, когда результат виден так поздно?

Для обучения модели нам не нужно ждать результатов каждой новой установки — у нас уже накоплена большая история размещений с их выручкой. На этой базе модель учится, а новые станции постепенно дополняют историю. Что касается длительности сделки, она влияет на то, когда станция начнет работать, но модель прогнозирует выручку уже после установки, поэтому эти циклы напрямую не сравниваются.

Какой минимальный набор данных должен быть у компании, чтобы вообще имело смысл говорить о скоринге?

Нужны две составляющие: описание объекта (локации, лида, клиента) и история его коммерческих результатов. В нашем случае: где находится, что это за заведение, насколько оно популярно, какая активность вокруг и как она меняется в течение дня, недели, года. Эти характеристики сопоставляем с фактической выручкой установленных станций. Собственные данные можно обогащать внешними источниками. Важен объем и разнообразие истории: модель должна видеть и успешные, и неудачные примеры, чтобы находить закономерности.

Что даёт больший эффект в такой системе: качество алгоритма или дисциплина сбора данных?

На первом месте — качество и дисциплина сбора данных. Алгоритм ищет закономерности в том, что ему передали: если данные неполные или искаженные, даже самая сложная модель будет учиться на неправильной картине. Важно, чтобы информация была полной, разнообразной и достоверной. Сначала нужно обеспечить качественную историю, а затем уже улучшать алгоритмы и проверять их пользу по фактическим результатам.

Где Скорозвон даёт данные для модели

Часть из представленных выше сигналов (реакция на звонок, срок ответа, итог диалога) сложно оценить вручную по каждому разговору. С этим поможет речевая AI-аналитика Скорозвона: она работает на базе LLM и понимает смысл, контекст диалога, интонации и возражения, а не только отдельные ключевые слова. Инструмент переводит звонок в текст и скорит его автоматически: специалисту не приходится вручную прослушивать записи, сигналы для модели готовы сразу после разговора.

Голосовой ИИ-робот берёт на себя рутинные первичные звонки, например, уточнение отрасли или должности контакта, и высвобождает менеджеров для лидов с высоким баллом.

Итог

Скоринг лидов не требует ML-модели уровня «Бери заряд» с первого дня. Начните с таблицы из восьми сигналов и подключите автоматический сбор данных через CRM и звонки. Добавьте речевую аналитику Скорозвона как источник сигналов о реакции и пересматривайте вес каждого критерия раз в квартал по факту закрытых сделок.