AI-скоринг входящей заявки — это автоматическая оценка потенциальной ценности лида по шкале от 0 до 100 на основе данных из CRM и открытых источников. Внедрение такого сценария в Bitrix24 занимает 10–14 дней на прототип и не требует замены CRM. Ниже — как устроен скоринг, зачем нужны reason codes, когда обязателен HITL и сколько это стоит.

Что такое AI-скоринг и зачем он нужен

Классический скоринг в CRM — это правила: «если бюджет > X и регион = Y, то +10 баллов». AI-скоринг работает иначе: модель анализирует текст заявки, историю взаимодействий, данные о компании (отрасль, размер, сайт) и выдаёт вероятность сделки. Результат — число от 0 до 100 и набор причин (reason codes), почему заявка получила такую оценку.

Зачем это бизнесу:

  • Приоритизация. Менеджеры тратят время на лиды с высоким скором, а не на все подряд.
  • Скорость реакции. Заявки с высоким скором обрабатываются в первую очередь — это критично, когда поток превышает возможности отдела.
  • Снижение субъективности. Оценка не зависит от настроения менеджера.
  • Аналитика. Reason codes показывают, какие признаки коррелируют с успешной сделкой, а какие — с отказом.

По данным общих практик рынка, внедрение скоринга в продажах позволяет сократить время на квалификацию лида на 20–40% и повысить конверсию в сделку на 10–15% за счёт фокуса на качественных заявках. Точные цифры зависят от отрасли и качества данных.

Шкала 0–100: как интерпретировать баллы

Шкала должна быть привязана к действиям, а не просто отображаться в карточке. Типовая градация:

ДиапазонЗначениеДействие
80–100Горячий лидЗвонок в течение 15 минут, передача старшему менеджеру
50–79Тёплый лидСтандартная обработка в течение 2 часов
20–49Холодный лидАвтоматическая рассылка, квалификация через бота
0–19НецелевойОтказ или перевод в долгосрочную базу

Важно: пороги настраиваются под бизнес. Если отдел продаж перегружен, порог «горячего» можно поднять до 85 — тогда менеджеры будут брать только самые перспективные заявки.

Reason codes: что это и как их использовать

Reason codes — это короткие текстовые пояснения к оценке. Примеры:

  • «Бюджет указан выше среднего по сегменту»
  • «Компания из целевой отрасли (производство)»
  • «Нет телефона, только email»
  • «Заявка с корпоративного домена, а не с mail.ru»
  • «Ключевые слова в тексте: срочно, внедрение, бюджет»

Зачем они нужны:

  1. Прозрачность для менеджера. Сотрудник видит, почему лид получил 75 баллов, и может оспорить оценку.
  2. Обучение модели. Если менеджер часто не соглашается с оценкой, это сигнал пересмотреть признаки.
  3. Отчётность. Руководитель видит, какие факторы чаще всего влияют на высокий скор.

В Bitrix24 reason codes можно выводить в отдельное поле карточки лида или в комментарий. Технически это реализуется через REST API и вебхуки.

HITL: когда человек должен подтверждать оценку

HITL (Human-in-the-Loop) — обязательное участие человека в процессе. В скоринге HITL нужен, когда:

  • Сумма сделки высокая. Если потенциальный чек превышает определённый порог (например, 500 тыс. ₽), решение модели проверяет руководитель.
  • Модель не уверена. Если вероятность близка к порогу (например, 48–52 балла), заявка уходит на ручную квалификацию.
  • Признаки противоречивы. Например, компания из целевой отрасли, но email на бесплатном домене — модель может ошибиться.
  • Отраслевая специфика. В B2B с длинным циклом сделки автоматический скор — только рекомендация, финальное решение за менеджером.

HITL не тормозит процесс, если настроен правильно: менеджер получает уведомление только по «спорным» заявкам, остальные обрабатываются автоматически.

Как внедрить скоринг в Bitrix24 за 14 дней

Типовой план прототипа (10–14 дней):

  1. День 1–2. Аудит данных. Выгружаем историю сделок за 6–12 месяцев: какие поля заполняются, какие признаки есть в тексте заявок. Проверяем, достаточно ли данных для обучения модели (минимум 500–1000 закрытых сделок).
  2. День 3–5. Выбор признаков. Формируем список из 15–30 признаков: отрасль, размер компании, источник заявки, наличие телефона, ключевые слова, время обращения.
  3. День 6–8. Обучение модели. Используем градиентный бустинг или логистическую регрессию. Валидация на отложенной выборке.
  4. День 9–11. Интеграция с Bitrix24. Настраиваем вебхук: при создании лида вызывается модель, результат и reason codes записываются в поля. Настраиваем триггеры для HITL.
  5. День 12–14. Тестирование и запуск. Прогоняем на реальных заявках, сравниваем с оценками менеджеров. Калибруем пороги.

Полный контур с обучением на流 данных и мониторингом занимает 30–90 дней.

Стоимость и сроки

Ориентиры студии:

  • Пилот одного сценария (скоринг на исторических данных) — 60–350 тыс. ₽.
  • Базовый агент поддержки (автоответы, квалификация) — от 50 тыс. ₽.
  • Агент продаж (скоринг + рекомендации менеджеру) — от 200 тыс. ₽.
  • Сложный контур (скоринг + HITL + интеграция с несколькими системами) — от 500 тыс. ₽.
  • Сопровождение — 15–50 тыс. ₽/мес.

Сроки: прототип — 10–14 дней, полный контур — 30–90 дней.

Если коротко

  • AI-скоринг присваивает заявке балл 0–100 и объясняет причину (reason codes).
  • Шкала привязывается к действиям: 80–100 — звонок сразу, 0–19 — отказ.
  • HITL включается для крупных сделок и спорных случаев.
  • Внедрение в Bitrix24: прототип за 10–14 дней, полный контур — до 90 дней.
  • Стоимость пилота — от 60 тыс. ₽, агент продаж — от 200 тыс. ₽.

FAQ

Можно ли внедрить скоринг без истории сделок? Нет, для обучения модели нужны данные. Если история пустая, начните с экспертных правил (rule-based), а через 3–6 месяцев соберите статистику и обучите модель.

Какой минимальный объём данных нужен? Рекомендуется не менее 500–1000 закрытых сделок с заполненными полями. Если меньше, модель будет переобучена.

Нужно ли менять CRM? Нет. Скоринг встраивается в Bitrix24 через REST API и вебхуки. Другие CRM (amoCRM, Salesforce) также поддерживают интеграцию.

Как часто нужно переобучать модель? Раз в 3–6 месяцев или при изменении бизнес-процессов. Мониторинг качества — постоянный.

Что делать, если менеджеры не доверяют скорингу? Показывать reason codes и первые 2–4 недели работать в режиме рекомендаций, без автоматических отказов. Затем сравнить конверсию по группам.

Может ли модель ошибаться? Да, поэтому HITL обязателен для критичных решений. Регулярный аудит и калибровка снижают ошибки.

Читайте также