Можно построить очень красивый прогноз на очень плохой CRM. График будет уверенным. Ошибка — тоже.
Если этапы сделки обновляются раз в две недели, close date переносится в последний день месяца, а менеджеры по-разному понимают слово «commit», AI не исправит смысл данных. Он лишь аккуратно посчитает то, что ему дали. Прогнозирование продаж с помощью ИИ имеет смысл только тогда, когда исходные события в CRM действительно означают одно и то же для всей команды.
Поэтому я бы начинала AI forecast не с модели. Сначала нужно понять, что именно в вашей воронке считается наблюдаемым сигналом будущего результата.
Forecast строится на истории и текущем состоянии, а не на надежде
Predictive forecasting обычно использует исторические результаты и текущий pipeline. В Dynamics 365, например, predictive forecast учитывает прошлые close rates и траекторию текущей воронки, чтобы оценить ожидаемую выручку.
Для меня здесь важен не конкретный продукт, а принцип. Модель должна видеть одинаково определённые события: когда появилась возможность, как двигалась по этапам, что менялось перед выигрышем или проигрышем, как переносились сроки.
Если в истории один менеджер ставит этап по факту, а другой — «на перспективу», модель получает два разных языка в одном поле. Сначала договоритесь о языке.
Проверяемые источники: Microsoft — Analyze revenue outcome using predictive forecasting · Microsoft — Dynamics 365 Sales documentation
Manager commit и AI forecast отвечают на разные вопросы
Commit менеджера — это управленческая позиция. Человек говорит: я ожидаю закрыть эту сумму и беру на себя ответственность за оценку. Predictive forecast — статистический взгляд на текущие сигналы и историю.
Я бы не заменяла одно другим. Расхождение между ними часто полезнее любой единственной цифры. Менеджер уверен, а модель заметно ниже? Есть повод посмотреть, какие факты в сделке поддерживают уверенность. Модель выше, чем команда? Возможно, в pipeline появился сильный класс возможностей, который люди оценивают слишком осторожно.
Нормальный forecast помогает задавать вопросы. Плохой пытается отменить разговор цифрой.
Проверяемые источники: Microsoft — Analyze revenue outcome using predictive forecasting
Данные, без которых я бы не запускала прогноз
Минимум — корректные даты создания и закрытия, этапы с понятным смыслом, сумма, owner, результат, история изменения close date и основные активности. Для более глубокого анализа пригодятся сегмент клиента, тип сделки, продукт, источник и состав участников.
Не надо собирать всё подряд. Поле полезно только если оно заполняется достаточно стабильно и связано с процессом. «Настроение менеджера» в свободном комментарии выглядит интереснее, чем есть на самом деле.
Отдельно следите за leakage. Если модель обучается на поле, которое появляется уже после фактического решения клиента, на тесте она будет гениальной, а в реальном прогнозе — бесполезной.
Проверяемые источники: Microsoft — Dynamics 365 Sales documentation · Microsoft — Prioritize opportunities through predictive scores
Stage drift ломает прогноз тихо
Команда меняет процесс. Этап «демо» начинает означать не то, что год назад. Появляется новый продукт с другим циклом. Срок согласования закупки растёт. Историческая модель продолжает считать, что мир прежний.
Это и есть одна из причин регулярно проверять forecast по сегментам. Не только общая ошибка, но и новые клиенты против существующих, крупные против малых, новый продукт против зрелого, короткий цикл против длинного.
Если ошибка резко выросла в одном сегменте, не обязательно менять всю модель. Возможно, изменилась сама воронка.
Проверяемые источники: Microsoft — Analyze revenue outcome using predictive forecasting
Прогноз должен объяснять отклонение, а не прятать его
Руководителю мало знать, что forecast снизился. Нужны причины, которые можно проверить: несколько крупных сделок сдвинули close date, упала скорость перехода между этапами, стало меньше новых возможностей, ухудшился конкретный сегмент.
AI может помогать собирать такое объяснение из CRM и коммуникаций. Но фактическая часть должна оставаться привязанной к данным. Не «клиенты стали осторожнее», если этого нельзя показать. А «в пяти крупнейших сделках появился перенос срока» — уже рабочий сигнал.
Хорошее объяснение ведёт к управленческому действию: пересмотреть ресурс, проверить конкретный кластер сделок, изменить ожидание периода.
Проверяемые источники: Microsoft — Dynamics 365 Sales documentation
Как проверить forecast без магии
Возьмите несколько прошлых периодов и воспроизведите прогноз так, как будто будущего вы ещё не знаете. Сравните ожидаемую сумму с фактом. Затем посмотрите не только среднюю ошибку, но и направление: система постоянно завышает или занижает? Где именно?
Следующий шаг — сравнить predictive forecast с простым baseline. Например, историческим коэффициентом по этапам. Если сложная AI-модель не выигрывает у простого правила достаточно стабильно, её ценность стоит пересмотреть.
И обязательно сохраняйте версию процесса. Forecast, который работал полгода назад, не получает пожизненный сертификат точности. Продажи меняются быстрее модели.
Проверяемые источники: Microsoft — Analyze revenue outcome using predictive forecasting · Microsoft — Dynamics 365 Sales documentation
Новый продукт и новый рынок лучше проверять отдельно
История особенно плохо помогает там, где история закончилась. Новый продукт, новая страна или другой тип клиента могут иметь совсем иной цикл сделки. Модель всё равно найдёт похожие паттерны — вопрос, насколько они применимы.
Я бы явно помечала новые сегменты и не смешивала их с зрелым forecast, пока не накопится собственная история. Руководителю лучше увидеть широкий диапазон и причину неопределённости, чем точную цифру, основанную на чужом сегменте.
Это же касается резких изменений процесса. Когда команда полностью поменяла квалификацию или pricing, старые данные не исчезают, но их вес нужно пересмотреть.
Проверяемые источники: Microsoft — Analyze revenue outcome using predictive forecasting · Microsoft — Dynamics 365 Sales documentation
Что обычно спрашивает команда продаж
Какие данные нужны для AI-прогноза продаж?
История сделок, этапы, даты, суммы, owner, исходы и изменения сроков. Дополнительные признаки полезны только если они стабильно заполняются и доступны до момента прогнозирования.
AI forecast точнее прогноза менеджеров?
Иногда да, иногда нет. Я бы сравнивала оба подхода на ваших прошлых периодах. Особенно полезно смотреть, где мнение менеджеров и модель расходятся и почему.
Можно ли доверять прогнозу при неполной CRM?
С осторожностью. Если CRM не отражает реальное состояние сделки, прогноз измеряет качество заполнения системы, а не только вероятность выручки.
Forecast нужен не ради ещё одной цифры на дашборде. Он должен раньше показать, где ожидание периода расходится с реальностью, и дать команде время что-то сделать. Если решения после прогноза не меняются, точность модели — второстепенный вопрос.
Следом по воронке полезно посмотреть для «прогнозирование продаж с помощью ИИ»: Какие KPI показывать на дашборде AI-системы · Как AI определяет следующий шаг по сделке · Как выбрать CRM для процесса с AI-автоматизацией.