Прогноз продаж с помощью ИИ: реально ли и как
ИИ-прогноз выручки реален, если на отложенных месяцах модель хотя бы на минимум из договора обгоняет простой прогноз, выбранный заранее. В соревновании M5 по розничным продажам (итоги, 2020) победители в среднем обошли эталонные методы более чем на 20%.
Переносить эту цифру на свой бизнес напрямую не получится. История продаж и учёт у вас свои, срок прогноза тоже, поэтому пройдёт ли модель, покажет только проверка на вашей истории. Ниже разберём, как её поставить и записать в договор, даже если вы не аналитик.

Что показал M5 и почему это не обещание для вашего бизнеса
M5 был открытым соревнованием по прогнозированию розничных продаж. Организаторы выставили против участников 24 эталонных метода, которые обычно применяют в прогнозировании продаж. Решения-победители в среднем обошли их более чем на 20% по взвешенной метрике ошибки, принятой в соревновании.
Для покупателя прогноза важнее оговорка из того же отчёта. По отдельным товарам и магазинам победители обошли эталоны ненамного, так что за прогноз по каждой позиции стоит платить только после проверки на своих данных.
Сколько модель выиграет у простого прогноза именно у вас, M5 не скажет. Там правила проверки задали организаторы, одинаковые для всех участников. В вашем проекте их задаёт договор, и если их не записать, подрядчик может проверить модель так, как удобно ему.
Прогноз, план и «спросить ChatGPT» отличаются сильнее, чем кажется
План ставит руководитель, и цифра в нём может быть амбициозной. Прогноз оценивает, что будет, если условия останутся прежними. Когда бюджет на следующий год считают как «прошлый месяц плюс несколько процентов», план и прогноз склеиваются в одну цифру. Тогда сезонный провал приходит по расписанию, но застаёт врасплох, и закрывать его порой приходится срочным кредитом.
Хороший прогноз как раз и показывает разрыв между планом и реальностью заранее, пока ещё можно сократить закупку или отложить платёж.
Чат-бот, которому вставили таблицу продаж и спросили «сколько заработаем в марте», проверенного прогноза не даст. Цифру он назовёт уверенно, но проверить её не на чем, потому что никто не прогнал этот способ на вашей прошлой истории. Для черновой прикидки сойдёт, а закупку по такой цифре планировать рискованно.
С маркетингом та же проблема. Сказать собственнику, сколько выручки принесёт рекламный бюджет, нельзя без честной статистики заявок. Если половина заявок оказывается мусором, то и прогноз выручки по ним получится мусорным, как бы хорошо ни считала модель. Начинать стоит с того, чтобы проверить качество заявок из Директа, и только потом строить на них модель.
Хватит ли ваших данных для ИИ-прогноза выручки
В документации Prophet, открытого инструмента прогнозирования, сказано, что он лучше всего работает с рядами, где сильная сезонность и история в несколько сезонов. Ещё там отмечено, что Prophet устойчив к пропускам данных и сдвигам тренда и обычно хорошо обрабатывает выбросы.
Если у бизнеса годовая сезонность, а полных годовых циклов в истории мало, модели не на чем отделить сезон от тренда. Один январь не скажет, провал это или новая норма. Тогда честнее считать от воронки продаж (сколько заявок, какая конверсия, какой средний чек) и давать широкий диапазон.
Длина истории ещё не всё, важно и качество учёта. В исследовании Gartner о работе отделов продаж (пресс-релиз 2020 года) только 47% опрошенных считали данные своей организации качественными. Прежде чем платить за модель, ответьте себе на четыре вопроса:
- Сколько полных годовых циклов лежит в учёте без дыр и смены системы?
- Отмечены ли разовые события, например крупная разовая сделка или остановка склада?
- Выручка везде считается одинаково, по отгрузке или по оплате?
- Есть ли дни или позиции с нулевыми продажами?
Второй пункт стоит денег, потому что неотмеченная разовая сделка на миллион может выглядеть для модели как начало роста, и следующий прогноз окажется завышен. От четвёртого пункта зависит, какой метрикой можно мерить точность.

Готовы ли данные: пять пунктов проверки
Четыре вопроса выше находят проблемы. Решение «готовы или рано» принимают по пяти пунктам, и каждый проверяется выгрузкой из CRM или учётной системы.
- Глубина истории. Посчитайте полные годовые циклы. Полным считается цикл, в котором есть каждый месяц и учёт не переезжал в другую систему. При годовой сезонности с одним-двумя полными циклами мы бы модель пока не заказывали. Одного-двух январей мало, чтобы отличить сезон от случайности.
- Шаг ряда. Шаг задаёт решение, ради которого нужен прогноз. Бюджет и кредит часто планируют помесячно, а закупку бывает нужно считать по неделям. Сведите выручку к шагу своего решения и отметьте шаги с нулём. Если нули остаются в обычных, не сезонных периодах, укрупните шаг или разрез: недели вместо дней, группы товаров вместо позиций. Дробить ряд мельче шага решения незачем, решение от этого точнее не станет, а нулей прибавится.
- Поля. В каждой строке выгрузки нужны дата, сумма, база (отгрузка или оплата) и тот разрез, который собираетесь прогнозировать: товар, группа, канал. Отдельной колонкой идёт метка разового события с причиной. Имена и контакты покупателей не нужны, об этом в разделе о персональных данных.
- Внешние факторы. Выпишите, что двигает вашу выручку помимо сезона, например акции, изменения цен, рекламный бюджет, отсутствие товара на складе. Для каждого фактора проверьте две вещи. Хранится ли его история за те же циклы, что и выручка. Известно ли его значение заранее, на дату среза. Фактор без истории модели не поможет, а фактор, который узнают только по итогам месяца, в прогноз брать нельзя (четвёртый шаг порядка проверки ниже). Этот список потом станет приложением о доступности данных к договору.
- Пропуски. Отделите пропуск от нуля. Ноль значит, что продаж правда не было, пропуск значит, что данных за период нет или они потеряны. Prophet к пропускам устойчив, но по правилу из первого пункта цикл с пропущенным сезонным месяцем полным уже не считается. Допустимый уровень пропусков найдите так. Исключите циклы, где пропущены сезонные месяцы, и пересчитайте первый пункт. Если полных циклов по-прежнему достаточно, разрозненные пропуски в остальных месяцах не мешают. Пропуски в последних 20% истории закройте до старта, иначе модель придётся проверять на дырявых окнах.
Проект можно начинать, когда закрыты все пять пунктов. Если не закрыт первый или пятый пункт, модель подождёт, а пока считайте от воронки, с диапазоном. Если не хватает полей или истории факторов, закажите подготовку данных отдельным этапом до модели.

Когда ИИ-прогноз работает, а когда нет
Таблица ниже поможет понять, в какую колонку попадает ваш бизнес. В последнем столбце написано, где это посмотреть самому, подрядчик для этого не нужен.
| Признак | Модель оправдана | Модель не нужна или пока рано | Как проверить у себя |
|---|---|---|---|
| Тип бизнеса | выручку складывает поток однотипных продаж, и одна сделка месяц не делает | выручку делают несколько крупных сделок или проектов в год | выгрузите сделки за год и посмотрите, какую долю месячной выручки давала самая крупная из них в каждом месяце |
| Стабильность спроса | месяцы повторяют друг друга с поправкой на сезон и тренд | скачки вызваны событиями, которых раньше не было: новый конкурент, смена правил площадки, разовые сделки | возьмите месяцы, где сезонный наивный прогноз промахнулся сильнее всего, и выпишите причину каждого промаха |
| Сезонность | сезон есть, и в истории несколько полных годовых циклов | сезон есть, а полный цикл один или два | посчитайте полные годовые циклы без дыр и смены системы, это первый вопрос из списка выше |
| Горизонт | прогноз нужен на срок решения, и на отложенной истории помещается несколько проверочных окон такой длины | нужен прогноз на год вперёд, а окна такой длины в историю не помещаются | разделите примерно 20% своей истории на горизонт в месяцах: меньше одного окна значит, что проверить модель не на чем, одно окно даёт слабую проверку |
| Разрез | общая выручка или крупные группы товаров | каждая позиция отдельно, особенно с редкими продажами | посчитайте долю позиций с нулевыми продажами хотя бы в одном месяце |
Если по типу бизнеса, сезонности или горизонту вы в колонке «рано», модель сейчас не окупит проверки. Пока обойдитесь расчётом от воронки и сезонным наивным прогнозом, а к модели вернитесь, когда накопится история. Если в колонке «рано» у вас только стабильность спроса, модель пригодится для обычных месяцев, а месяцы с новыми событиями закрывают ручной поправкой с записанной причиной. Новому продукту без истории модель не поможет в любом случае, о нём поговорим в вопросах в конце статьи.
Как проверить прогноз до того, как ему поверить
Главное правило записано в учебнике «Forecasting: Principles and Practice», одном из основных по прогнозированию. Любой новый метод прогнозирования сравнивают с простыми эталонными методами, и если он их не обгоняет, его не стоит рассматривать.
Наивный прогноз говорит, что следующий месяц будет как прошлый, а сезонный наивный повторяет тот же месяц прошлого года.
Проверяют на отложенной выборке. Последние месяцы истории прячут от модели, она строит по ним прогноз, а потом его сравнивают с фактом. Тот же учебник называет обычный размер такой выборки около 20% всего ряда и уточняет, что доля зависит от длины истории и горизонта прогноза.
Одного проверочного отрезка (окна) мало, на нём модели может просто повезти. В M5 первые четыре решения и большинство из первой полусотни проверяли точность минимум на четырёх последних 28-дневных окнах.
Порядок проверки, который стоит согласовать с подрядчиком до старта работ:
- Выберите наивный метод. При годовой сезонности это сезонный наивный, без неё обычный наивный. Выбор записывают до того, как кто-то увидел результаты, иначе простой прогноз для сравнения подберут так, чтобы модель выглядела лучше.
- Назовите горизонт (срок, на который прогноз нужен для решения). Закупку и кредит планируют на разные сроки. Модель и наивный прогноз сравнивают на одном и том же горизонте.
- Задайте окна проверки датами срезов. Дата среза отмечает день, до которого модель видит данные, всё более позднее от неё спрятано.
- Проверьте, что модель знает только прошлое. В окне модель получает только то, что было известно на дату среза. Фактические рекламные расходы, цены и остатки прогнозного месяца в неё не попадают, как и выручка, исправленная задним числом. Плановые цифры допустимы, если их записали до даты среза.
- Постройте в каждом окне два прогноза, модели и наивный, по одним и тем же данным на один и тот же горизонт, и посчитайте ошибку обоих в рублях. Улучшение показывает, на сколько процентов ошибка модели меньше ошибки наивного прогноза.
- Примите модель, если улучшение не ниже минимума из договора в каждом окне или в оговорённой доле окон.
| Что проверяем | Как | Порог | Если не прошло |
|---|---|---|---|
| Длина истории | считаем полные годовые циклы в данных, на которых модель обучается | по нашей рекомендации несколько полных циклов, Prophet по документации лучше всего работает на истории в несколько сезонов | пока считать от воронки, с диапазоном |
| Отложенная проверка | модель не видела последних месяцев | около 20% истории | цифры точности на тех же месяцах, на которых модель обучалась, не принимать |
| Число окон проверки | прогноз строили на нескольких срезах подряд | больше одного окна | просить перепроверку на нескольких окнах |
| Подглядывание в будущее | у каждого показателя, который получает модель, есть дата, когда он становится известен | в окне только данные на дату среза | убрать этот показатель и пересчитать |
| Нули в данных | есть ли нулевые периоды в ряду, который прогнозируем | нули есть, значит MAPE не годится | отчёт пересчитать в MAE |
| Сравнение с наивным | ошибка модели и наивного на тех же окнах и горизонте | улучшение не ниже минимума из договора | от модели отказаться |
| Разовые события | список выбросов и что с ними сделали | все крупные события помечены | разметить и переобучить модель |
Шаблон пункта о приёмке для договора или приложения к нему. Прочерки вы заполняете вместе с подрядчиком до старта.
| Пункт | Что вписать |
|---|---|
| Что прогнозируем | выручку по оплатам или по отгрузкам, разрез ___ |
| Метрика | MAE в рублях, по каждому окну отдельно |
| База сравнения | ___ наивный прогноз по тем же данным и на тот же горизонт |
| Горизонт | ___ месяцев вперёд от даты среза |
| Окна проверки | даты срезов ___, данные после среза модели не передаются |
| Минимальное улучшение | ошибка модели ниже ошибки наивного не меньше чем на ___% в каждом окне |
| Доступность данных | список признаков с датой, когда каждый становится известен, в приложении |
| Настройка | параметры фиксируются до расчёта на окнах проверки, после показа результатов меняются только с проверкой на новых месяцах |
| Контроль после сдачи | ___ месяцев живого прогноза, считаются по тем же правилам |
| Если не прошло | ___ (доработка за счёт подрядчика, отказ от этапа поддержки) |
Результат проверки показывают один раз. Если после показа модель «чуть подкрутили», старые окна для приёмки уже не годятся, и проверять её придётся на новых месяцах факта.
Перепроверять стоит любую цифру от нейросети, не только прогноз выручки. Как это делать с её отчётом по рекламе, мы разбирали в статье о проверке отчёта нейросети по рекламе.
«Точность 85%» против чего? Какую метрику записать в договор
Фраза «точность 85%» без названия метрики и без базы сравнения ничего не сообщает.
MAPE, средняя процентная ошибка, многим нравится, потому что звучит понятно. У неё два дефекта, оба описаны в том же учебнике. Если в каком-то периоде фактическое значение равно нулю, метрика становится бесконечной или неопределённой. Кроме того, процентные ошибки штрафуют промах в одну сторону сильнее, чем в другую. Поэтому если в ряду, который прогнозируете, бывают нули (дни без продаж или месяцы, когда товар не продавался), отчёт в MAPE не принимайте.
MAE показывает среднюю ошибку в рублях. Её легко объяснить финансисту, а нулевые продажи её не ломают, поэтому для приёмки она удобнее всего.
С MASE сложнее. Она сравнивает ошибку модели со средней ошибкой простого прогноза «как в прошлом периоде» на тех месяцах, на которых модель обучалась. Для сезонного ряда учебник предлагает брать в сравнение сезонный наивный прогноз. Значение меньше единицы значит, что модель ошибается меньше, чем в среднем ошибался простой прогноз на старых месяцах, но это ещё не повод принимать модель. MASE удобна, чтобы сравнивать товары с разной выручкой, а в договор идёт разница с наивным прогнозом на одних и тех же месяцах.
Возьмём условный пример, все цифры в нём придуманы для наглядности. История продаж по месяцам охватывает три года, то есть 36 месяцев. Около 20% уходит на проверку. 36 × 0,2 = 7,2, округляем до 7 месяцев. Модель обучается на первых 29 месяцах и прогнозирует последние 7. Для простоты здесь одно окно проверки, в договоре их должно быть несколько.
| Часть ряда | Месяцев |
|---|---|
| Вся история | 36 |
| Обучение модели | 29 |
| Проверка | 7 |
Допустим, на месяцах обучения модели прогноз «как в прошлом месяце» на шаг вперёд ошибался в среднем на 400 000 ₽, а на семи отложенных месяцах модель ошиблась в среднем на 300 000 ₽. MASE = 300 000 / 400 000 = 0,75, формально меньше единицы. Знаменатель здесь посчитан по обычному наивному прогнозу. С сезонным числа будут другими, а вывод о приёмке тот же. Теперь на тех же семи месяцах считаем сезонный наивный прогноз, и он ошибся в среднем на 310 000 ₽. Его MASE тоже ниже единицы, 0,775. Модель точнее него всего на 3,2% (10 000 / 310 000), а в договоре записан минимум 10%, так что приёмку она не проходит. Планку «меньше единицы» здесь взял даже простой прогноз, поэтому для приёмки она сама по себе ничего не доказывает.
| Прогноз | Средняя ошибка на 7 проверочных месяцах | MASE при знаменателе 400 000 ₽ |
|---|---|---|
| Модель | 300 000 ₽ | 0,75 |
| Сезонный наивный | 310 000 ₽ | 0,775 |
| Улучшение модели | 3,2% при минимуме 10% | приёмка не пройдена |
Бывает и наоборот. Проверочный период выдался неспокойным, MASE у модели выше единицы, а наивный прогноз на тех же месяцах ошибся ещё сильнее. Модель тогда может пройти приёмку, хотя MASE у неё больше единицы.

Почему прогноз всё равно промахнётся и что с этим делать
Модель учится на прошлом и не знает событий, которых в прошлом не было. Новый конкурент или смена правил маркетплейса для неё сюрприз. В такие месяцы промахивается любой прогноз, с ИИ или без. Хуже, если прогноз был одной цифрой без диапазона, ведь тогда после первого же промаха руководитель может перестать ему верить, хотя на модель потратили год.
Первым делом нужен диапазон вместо одной цифры. Пессимистичный, базовый и оптимистичный сценарий дают финансисту то, с чем можно работать. Резерв считают от нижней границы, а закупку готовят с оглядкой на верхнюю.
Ещё прогноз надо регулярно пересчитывать. Если обновлять его по мере прихода фактов, он постепенно сходится к реальности. Когда он за неделю прыгает с «выполним план» на «провалим», это повод спросить подрядчика, почему модель так нервно реагирует на свежие данные.
А под события, о которых известно заранее, нужна ручная поправка к прогнозу модели. Каждую записывают с причиной, чтобы потом проверить, помогла ли она.
Данные клиентов и зарубежные ИИ-сервисы
Выгружать CRM в зарубежную нейросеть без подготовки нельзя. По статье 12 закона 152-ФЗ «О персональных данных» оператор обязан уведомить Роскомнадзор, уполномоченный орган по защите прав субъектов персональных данных, до начала трансграничной передачи персональных данных.
Для прогноза выручки обойти эту проблему несложно. Модели нужны суммы по дням, неделям и товарам, а имена, телефоны и почта покупателей ей ни к чему. Путей три, и выбрать один нужно до первой выгрузки.
- Выгрузить только агрегаты без данных о людях.
- Взять сервис, который обрабатывает данные в России.
- Подать уведомление в Роскомнадзор до начала передачи. У этого пути по той же статье есть свои условия и сроки, их стоит разобрать с юристом.
Не отдавайте подрядчику полную выгрузку CRM «чтобы модель сама разобралась». Сначала решите, какие поля ей нужны, и уберите остальные.
Сколько стоит ИИ-прогноз и что спросить у подрядчика
Для ориентира возьмём цены, которые в апреле 2026 года одна студия назвала в статье своего блога. Внедрение ИИ-прогнозирования продаж стоит от 150 000 ₽, поддержка от 30 000 ₽ в месяц. Это нижняя граница, причём заниженная. Если сложить минимумы этапов из той же статьи, выйдет больше 150 000 ₽.
Если взять эти минимальные цены, первый год обойдётся в 150 000 ₽ разово плюс 30 000 × 12 = 360 000 ₽ поддержки, всего 510 000 ₽.
| Статья | Сумма за первый год |
|---|---|
| Внедрение | 150 000 ₽ |
| Поддержка, 30 000 ₽ × 12 | 360 000 ₽ |
| Итого | 510 000 ₽ |
Окупаемость считайте от своих потерь, причём только от той их части, которую уберёт модель и не убрал бы бесплатный наивный прогноз, с которым её сравнивали на проверке.
Допустим, срочные кредиты и штрафы из-за кассовых разрывов стоят вам 1 200 000 ₽ в год, и после приёмки модель уберёт из них на 600 000 ₽ в год больше, чем сезонный наивный прогноз. Обе цифры условные, подставьте свои. Экономия 600 000 ₽ в год, то есть 50 000 ₽ в месяц. После вычета поддержки остаётся 20 000 ₽ в месяц, и внедрение окупается за 150 000 / 20 000 = 7,5 месяца с момента приёмки. Если сверх наивного прогноза модель убирает лишь 300 000 ₽ в год, экономия в месяц меньше поддержки, и проект не окупится никогда. Свою цифру берут из той же проверки, посмотрев, какие разрывы на проверочных месяцах модель увидела бы заранее, а наивный прогноз пропустил, и сколько они стоили.
| Показатель | Модель убирает 600 000 ₽ в год сверх наивного | Модель убирает 300 000 ₽ в год сверх наивного |
|---|---|---|
| Экономия в месяц | 50 000 ₽ | 25 000 ₽ |
| Поддержка в месяц | 30 000 ₽ | 30 000 ₽ |
| Остаток в месяц | 20 000 ₽ | −5 000 ₽ |
| Окупаемость внедрения | 7,5 месяца | не окупается |
Останавливайте проект и в другом случае, если модель не прошла приёмку по правилам из договора. Платить за её поддержку дальше незачем.
Когда предложение сильно дороже этих цифр, просите разбивку по этапам. Подготовка данных, модель, проверка, интеграция и поддержка стоят по отдельности, и так видно, за что именно платите.
Вопросы подрядчику до подписания и ответы, после которых стоит насторожиться:
| Вопрос | Какой ответ должен насторожить |
|---|---|
| 1. На скольких полных годовых циклах модель будет обучаться? | «данных хватит любых» без вопроса о вашей сезонности или обещание выделить годовой сезон по одному году истории |
| 2. Какие окна отложите для проверки и как гарантируете, что модель на них не настраивали? | «проверим на всей истории», одно окно, точность на тех же данных, на которых модель обучалась, или предложение выбрать окна после расчёта |
| 3. Какой метрикой будете мерить и что сделаете с нулевыми продажами? | «точность 85%» без названия метрики или MAPE, когда у вас бывают дни и товары без продаж |
| 4. С каким наивным прогнозом сравните модель, на каком горизонте и какое минимальное улучшение предлагаете записать в договор? | «сравнивать не с чем, раньше у вас прогноза не было», отказ записать минимум или выбор базы после того, как результаты уже видны |
| 5. Какие данные получает модель и когда каждый из них становится известен на практике? | подрядчик не может назвать дату для каждого показателя или берёт фактические расходы на рекламу и цены прогнозного месяца |
| 6. Будет ли у прогноза диапазон и как часто вы его пересчитываете? | только одна цифра без сценариев или пересчёт «по запросу» без графика |
| 7. Где обрабатываются наши данные и попадут ли к вам персональные данные клиентов? | просьба выгрузить CRM целиком или ответ, где обрабатываются данные, звучит неопределённо |
Тревожный ответ на второй, четвёртый или пятый вопрос сам по себе повод не подписывать, потому что без этих пунктов приёмку по шаблону выше не провести. Тревожные ответы на остальные вопросы обсуждайте и вписывайте решение в договор. Если подрядчик уходит от ответа на половину вопросов, сравните его с другим исполнителем по тому же списку.
Если хотите сначала понять, есть ли смысл проверять прогноз именно у вас, начните с диагностики, с неё у нас открывается внедрение ИИ в бизнес. На ней мы записываем показатели «до», а для прогноза считаем, на сколько ошибается простой метод на вашей истории. Правила приёмки модели согласуем до её расчёта.
Частые вопросы о прогнозировании продаж
Как посчитать прогноз продаж без ИИ? Возьмите тот же месяц прошлого года и поправьте его на тренд последних месяцев. Это грубо, зато прозрачно, и такой расчёт можно сделать в таблице за вечер.
Можно ли прогнозировать продажи нового продукта без истории? Модель, которая учится на прошлом, тут не поможет. Работают прогноз по воронке (сколько контактов, какая конверсия, какой средний чек) и аналогия с похожим продуктом. Диапазон у такого прогноза широкий, зато не врёт.
Какая точность прогноза считается нормальной? Единой нормы нет, она зависит от отрасли, горизонта и разреза. Замерьте у себя, на сколько рублей в среднем ошибался прогноз «тот же месяц прошлого года» за последние месяцы. Это точность простейшего прогноза на ваших данных, та база, которую модель должна обогнать. Отдельно сравните её с ошибкой того способа, которым вы планируете сейчас.
Выручку прогнозировать по отгрузкам или по оплатам? По одной базе, и всегда по той же. Если в ряду смешаны отгрузки и оплаты, модель примет разрыв между ними за смену тренда. Для кассовых разрывов нужны оплаты, для закупок отгрузки, и это могут быть два разных прогноза.
Кому принадлежит модель после проекта? Это решает договор. Перед подписанием проверьте, что записать в договоре о правах на результат нейросети, иначе при смене подрядчика можно остаться без модели и без истории её настроек.
Видео по теме
Дмитрий Брынин загружает в ChatGPT финансовую модель интернет-магазина. Потом он смотрит, какой отчёт и какие точки роста выдаст нейросеть.
Посмотрите, как он сверяет итоговые суммы с исходной таблицей и почему не советует отдавать модели сырой Excel. Так же стоит проверять любой ответ чат-бота о ваших продажах, прежде чем на него опираться.
Автор канала «Николаенко pro B2B» снимает ролики для руководителей отделов продаж. В ролике он подключает Claude к своей amoCRM и проверяет модель на живых задачах отдела, от настройки доступа до разбора сделок и писем.
Когда он создаёт интеграцию, модель получает доступ только к данным аккаунта, уведомлениям и файлам, а удалять файлы он ей не разрешает. Такие границы стоит задать и вам, до того как ИИ получит доступ к сделкам и клиентам. Если модель зарубежная, а в CRM есть персональные данные, сначала перечитайте раздел о данных клиентов выше.
Источники
- Forecasting: Principles and Practice, раздел об оценке точности прогноза.
- The M5 Accuracy competition: Results, findings and conclusions, препринт итоговой статьи организаторов соревнования, 2020.
- Gartner. Пресс-релиз об уверенности руководителей продаж в точности прогнозов, 2020.
- Документация Prophet, открытый инструмент прогнозирования, 2026.
- Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных», статья 12, редакция от 26.07.2026.
- Статья блога студии о прогнозировании продаж нейросетями, апрель 2026.
Такой подход позволяет увеличить спрос и снизить стоимость каждого клиента
Продвижение с оплатой за трафик
Оптимизация сайта под максимально широкий пул ключевых запросов
Вид поискового продвижения, при котором оплата производится за целевые действия