Как AI анализирует маржинальность заказов

Выручка сама по себе ещё не показывает, насколько хорошо компания зарабатывает.

Можно продать на:

100 млн ₸

и получить одну прибыль.

А можно продать на те же:

100 млн ₸

но заработать в два раза меньше.

Причина — маржинальность.

На неё влияют:

• закупочная цена;
• себестоимость;
• скидки;
• логистика;
• дополнительные работы;
• возвраты;
• индивидуальные условия клиента.

Поэтому руководителю важно смотреть не только:

сколько продали,

но и:

насколько выгодно продали.

AI помогает автоматизировать этот анализ.

Он может объединять данные из 1С, CRM, складского и производственного контура и находить:

• низкомаржинальные заказы;
• убыточные сделки;
• менеджеров с чрезмерными скидками;
• клиентов, которые дают оборот, но мало прибыли;
• товары, у которых маржа постепенно снижается.

Разберём, как это работает.

Что такое маржинальность заказа

Упрощённо:

Маржа = Выручка – переменные затраты

А маржинальность:

Маржинальность = Маржа / Выручка × 100%

Например:

Выручка заказа: 10 млн ₸

Себестоимость: 7 млн ₸

Маржа: 3 млн ₸

Маржинальность: 30%

То есть с каждого 1 млн ₸ выручки компания получает 300 000 ₸ маржи до учёта постоянных расходов.

Почему одной выручки недостаточно

Представим двух менеджеров.

Менеджер А

Продал:

50 млн ₸

Средняя маржинальность:

30%

Маржа:

15 млн ₸

Менеджер Б

Продал:

60 млн ₸

Средняя маржинальность:

18%

Маржа:

10,8 млн ₸

По выручке менеджер Б выглядит сильнее.

По марже — наоборот.

Именно поэтому собственнику важно видеть оба показателя.

Где брать данные для анализа маржинальности

Обычно используются несколько систем.

CRM

Хранит:

• клиента;
• сделку;
• менеджера;
• цену;
• скидку;
• коммерческие условия.

1С

Хранит:

• себестоимость;
• закупочную цену;
• товар;
• фактическую реализацию;
• возвраты;
• расходы.

Производство

Может содержать:

• материалы;
• труд;
• дополнительные операции;
• фактические затраты.

AI объединяет эти данные и анализирует экономику заказа.

1. AI находит низкомаржинальные заказы

Например, нормальная маржинальность компании:

25–30%.

Но в нескольких заказах:

8–12%.

AI автоматически выделяет их:

Заказ X имеет маржинальность 9,4%, что значительно ниже среднего уровня по данной товарной группе.

Руководителю не нужно вручную просматривать сотни реализаций.

2. AI выявляет убыточные заказы

Иногда фактические расходы оказываются выше выручки.

Например:

Выручка: 5 млн ₸

Фактическая себестоимость: 5,4 млн ₸

Маржа:

-400 000 ₸

AI может автоматически сообщить:

Заказ закрыт с отрицательной маржей.

Это особенно важно в проектном и производственном бизнесе.

3. AI анализирует маржу по менеджерам

Например:

AI может отметить:

Менеджер Б показывает высокий оборот, но значительно более низкую маржинальность.

Дальше можно проверить:

• скидки;
• продуктовый микс;
• тип клиентов.

4. AI анализирует влияние скидок

Например:

обычная скидка:

5%.

Менеджер регулярно даёт:

12–15%.

AI может показать:

Рост скидок снизил среднюю маржинальность заказов менеджера с 27% до 20%.

Это помогает контролировать не только продажи, но и прибыльность.

5. AI выявляет скидки без экономического эффекта

Например:

менеджер даёт больше скидок.

Но его конверсия не растёт.

AI может сформировать:

Менеджер X предоставляет скидку в среднем на 6 п.п. выше команды, при этом его конверсия сопоставима со средней.

Это повод пересмотреть практику скидок.

6. AI анализирует маржинальность по клиентам

Не каждый крупный клиент одинаково выгоден.

Например:

Клиент A

Выручка: 50 млн ₸
Маржинальность: 28%

Клиент B

Выручка: 70 млн ₸
Маржинальность: 11%

По обороту B важнее.

По прибыльности — не обязательно.

AI может показать:

Клиент B входит в топ по выручке, но находится значительно ниже по валовой марже.

7. AI определяет клиентов, которые «съедают» прибыль

Причина может быть не только в скидке.

Например:

• индивидуальная логистика;
• возвраты;
• сервис;
• отсрочка;
• специальные условия.

AI может учитывать дополнительные затраты и выявлять:

Клиент приносит высокий оборот, но фактическая прибыльность ниже целевого уровня.

8. AI анализирует маржинальность по продуктам

Например:

Продукт A

Маржинальность: 35%

Продукт B

22%

Продукт C

9%

AI может показать:

Товарная группа C создаёт значительный оборот, но минимальную маржу.

Это полезно для ассортиментной политики.

9. AI выявляет снижение маржинальности товара во времени

Например:

январь:

28%

март:

24%

июнь:

19%

AI обнаруживает тренд:

Маржинальность продукта X снижается третий квартал подряд.

Дальше нужно искать причину.

10. AI анализирует рост закупочной цены

Например:

закупочная цена выросла:

на 14%

а продажная цена:

на 4%.

AI может показать:

Рост себестоимости не компенсирован изменением цены продажи.

Это приводит к снижению маржи.

11. AI выявляет запаздывание изменения цен

Очень частая проблема.

Закупочная цена уже выросла.

Но менеджеры продолжают продавать по старому прайсу.

AI может предупредить:

По товару X закупочная цена выросла на 11%, но отпускная цена не пересматривалась 60 дней.

Это прямой риск маржи.

12. AI анализирует проектную себестоимость

В проектном бизнесе сначала есть:

плановая себестоимость.

После завершения:

фактическая.

Например:

План:

8 млн ₸

Факт:

10 млн ₸

AI показывает:

Фактическая себестоимость превысила плановую на 25%.

Дальше анализируется причина.

13. AI ищет причины перерасхода

Например:

• материалы;
• дополнительные часы;
• логистика;
• субподряд;
• переделки.

AI может классифицировать:

Основной фактор перерасхода — дополнительные работы, не включённые в первоначальное коммерческое предложение.

Это очень важно для проектных компаний.

14. AI анализирует плановую и фактическую маржу

При продаже сделка могла выглядеть отлично.

Например:

Плановая маржа: 30%

После исполнения:

Фактическая: 18%

AI может показать:

Заказ формально был прибыльным на этапе продажи, но фактическая маржа снизилась на 12 п.п.

Так выявляются ошибки расчёта.

15. AI определяет, где ошибается коммерческий расчёт

Например:

в проектах регулярно недооцениваются:

• монтаж;
• доставка;
• дополнительные работы.

AI может найти:

В 7 из 10 проектов монтажные затраты превышали план более чем на 20%.

Это уже системная проблема калькуляции.

16. AI анализирует производство под заказ

Для производственной компании маржа зависит от:

• материалов;
• отходов;
• трудозатрат;
• оборудования;
• переделок.

AI может сравнивать:

план → факт.

Например:

Заказы типа X имеют среднюю фактическую маржу на 6 п.п. ниже расчётной.

Это повод пересмотреть технологию или цену.

17. AI выявляет продуктовые комбинации с низкой маржой

Например:

сам продукт выгодный.

Но в определённой комплектации:

• дорогая доставка;
• много ручной работы.

AI может найти:

Комплектация X системно снижает маржинальность заказа.

Это неочевидно без анализа массива данных.

18. AI анализирует логистику

Например:

доставка в конкретный регион дорогая.

Менеджер продаёт по общей цене.

AI может показать:

Средняя маржа заказов в регионе X ниже на 7 п.п. из-за логистики.

Теперь можно:

• изменить цену;
• ввести минимальный заказ;
• пересмотреть условия.

19. AI анализирует возвраты

Возврат может полностью изменить экономику заказа.

Например:

сделка выглядела прибыльной.

После возврата:

• транспорт;
• восстановление;
• повторная доставка.

AI может пересчитать фактическую маржу.

20. AI анализирует рекламации

Если заказ требует:

• ремонта;
• замены;
• дополнительного выезда,

это тоже снижает прибыльность.

AI может связать сервисные расходы с конкретным клиентом или заказом.

21. AI анализирует стоимость обслуживания клиента

Для более зрелой модели можно учитывать:

• количество обращений;
• выездов;
• поддержки.

Например:

два клиента имеют одинаковую выручку.

Но один требует в 4 раза больше сервиса.

Фактическая прибыльность будет разной.

22. AI анализирует отсрочку платежа

Отсрочка напрямую не всегда входит в валовую маржу.

Но она влияет на финансовую экономику клиента.

Например:

один клиент платит:

сразу.

Другой:

через 90 дней.

Если учитывать стоимость капитала, второй клиент может быть менее выгодным.

23. AI анализирует прибыльность с учётом дебиторки

Например:

клиент имеет хорошую маржу.

Но регулярно задерживает платежи.

AI может дополнительно отметить:

Коммерческая маржинальность высокая, но финансовый риск клиента повышен из-за длительной дебиторки.

Так решение становится более комплексным.

24. AI анализирует маржинальность по каналам продаж

Например:

Прямые продажи

Маржа: 31%

Дилеры

22%

Маркетплейс

14%

С учётом комиссий картина может сильно отличаться.

AI помогает понять реальную прибыльность канала.

25. AI анализирует маржинальность по маркетинговым источникам

Если связаны:

реклама → CRM → продажа → 1С,

можно считать не просто выручку по каналу.

А:

валовую прибыль.

Например:

канал A дал:

20 млн ₸ выручки

канал B:

15 млн ₸

Но после учёта маржи B может быть выгоднее.

26. AI анализирует маржу по регионам

Например:

в одном регионе выше:

• логистика;
• скидки;
• сервис.

AI может показать:

Несмотря на рост продаж, регион X имеет среднюю маржинальность ниже компании на 8 п.п.

Это уже стратегическая информация.

27. AI анализирует маржу по филиалам

Например:

два филиала имеют одинаковый оборот.

Но один работает:

28% маржи.

Другой:

16%.

Причины могут быть:

• ассортимент;
• скидки;
• закупки.

AI помогает найти фактор.

28. AI анализирует маржу по типам клиентов

Например:

Enterprise

20%

Средний бизнес

27%

Малый бизнес

33%

Но Enterprise даёт большие объёмы.

AI помогает балансировать:

оборот и прибыльность.

29. AI анализирует тендерные продажи

В тендерах часто высокий оборот и низкая маржа.

AI может показать:

Тендерные сделки формируют 35% выручки, но только 14% валовой прибыли.

Это помогает руководителю оценивать реальную ценность канала.

30. AI контролирует минимальную маржу до продажи

Самый полезный сценарий — не ждать результата.

Например:

менеджер формирует предложение.

AI видит:

Плановая маржа — 12%.

Минимальный норматив:

20%.

Система предупреждает:

Маржинальность ниже допустимого уровня. Требуется согласование руководителя.

Это предотвращает плохие сделки до их заключения.

31. AI может запускать согласование скидки

Например:

скидка снижает маржу ниже порога.

CRM автоматически запускает:

Согласование РОПа / коммерческого директора.

Так контроль встроен в процесс.

32. AI показывает эффект скидки в деньгах

Менеджеру полезно видеть:

Скидка 5%

не только как процент.

Например:

Скидка 5% снижает маржу заказа с 2,4 млн ₸ до 1,7 млн ₸.

Тогда решение о скидке воспринимается иначе.

33. AI может показывать максимальную допустимую скидку

Например:

целевая минимальная маржа:

20%.

AI рассчитывает:

Максимальная скидка без выхода ниже целевой маржи — 6,3%.

Это сильный инструмент для переговоров.

34. AI анализирует динамическое ценообразование

В более зрелой системе AI может рекомендовать диапазон цены с учётом:

• себестоимости;
• клиента;
• объёма;
• истории.

Но цену нельзя бездумно передавать AI.

Нужны правила и коммерческая политика.

35. AI выявляет заказы с подозрительно высокой маржой

Не только низкой.

Например:

маржинальность внезапно:

70%.

При среднем:

25%.

Это может быть:

• ошибка себестоимости;
• неправильная цена;
• неполные расходы.

AI выделяет аномалию для проверки.

36. AI ищет ошибки данных

Например:

у одного заказа:

• себестоимость 0;
• маржа 100%.

Очевидно, что это проблема учёта.

AI может пометить:

Данные требуют проверки.

Это важно, чтобы не принимать решения на ошибочных цифрах.

37. AI формирует ежедневный отчёт

Например:

Выручка

За день: 18 млн ₸.

Средняя маржинальность

24,6%.

Ниже нормы

7 заказов.

Критично

2 заказа ниже 10%.

Причина

Высокие скидки и рост закупочной цены.

Рекомендация

Проверить сделки X и Y.

Это намного полезнее большого Excel.

38. AI формирует отчёт РОПа

Например:

Менеджер A

Выручка: 50 млн ₸
Маржа: 29%

Менеджер B

Выручка: 60 млн ₸
Маржа: 18%

AI:

Менеджер B выполняет план по обороту, но значительная часть результата получена за счёт скидок.

Теперь руководитель видит реальную картину.

39. AI формирует отчёт собственника

Собственнику полезно видеть:

• выручку;
• валовую прибыль;
• среднюю маржу;
• долю низкомаржинальных заказов;
• основные причины потерь.

Например:

Выручка выросла на 12%, но валовая прибыль только на 3%. Основная причина — снижение средней маржинальности с 27% до 24%.

Это уже управленческий вывод.

40. AI прогнозирует будущую маржу

Если видно:

• текущую воронку;
• себестоимость;
• предполагаемые скидки,

можно прогнозировать:

какой будет маржинальность месяца.

Например:

При текущей структуре открытых сделок средняя маржа месяца может снизиться до 21%.

Это позволяет вмешаться заранее.

Как может выглядеть AI-анализ заказа

Например:

Заказ: №1542

Клиент: ТОО «Альфа»

Выручка: 12 млн ₸

Плановая себестоимость: 8 млн ₸

Фактическая себестоимость: 9,5 млн ₸

Плановая маржинальность: 33%

Фактическая: 21%

Основное отклонение: +1,2 млн ₸ материалы, +300 тыс ₸ логистика.

Рекомендация: проверить нормы материалов и условия доставки для аналогичных заказов.

Так AI превращает цифры в конкретный разбор.

Как может выглядеть AI-отчёт за месяц

Выручка

320 млн ₸.

Валовая прибыль

76 млн ₸.

Средняя маржинальность

23,8%.

План

27%.

Потеря относительно целевой маржи

Около 10 млн ₸ валовой прибыли.

Основные причины

1. Рост закупочных цен.
2. Высокие скидки.
3. Дорогая логистика.

Наибольший резерв

Пересмотр цен по товарной группе X.

Это намного полезнее просто диаграммы продаж.

Что AI должен получать из 1С

Например:

• фактическую реализацию;
• себестоимость;
• закупочные цены;
• возвраты;
• товары.

1С часто является основным источником фактической экономики.

Что AI получает из Bitrix24

Например:

• сделку;
• менеджера;
• клиента;
• скидку;
• плановую сумму;
• историю согласования.

Таким образом:

Bitrix24 — коммерческая логика.

1С — фактическая экономика.

AI — анализ.

Почему важно определить методику маржи

До внедрения нужно договориться:

что именно считаем маржой.

Например:

учитываем ли:

• логистику;
• бонусы;
• комиссии;
• монтаж;
• сервис.

Если финансовый отдел и продажи считают по-разному, AI не решит эту проблему.

Сначала нужна единая методология.

Маржа и прибыль — не одно и то же

Это важно.

Маржа обычно не включает все постоянные расходы бизнеса.

Поэтому заказ с маржей 20% не означает:

20% чистой прибыли.

AI должен использовать правильные термины, чтобы руководство не получало ложную картину.

AI не исправляет плохую себестоимость

Если в 1С себестоимость рассчитывается неправильно, AI будет анализировать неправильные цифры.

Поэтому нужен аудит данных.

AI не должен сам менять цену без правил

Он может показать:

Цена приводит к марже ниже норматива.

Но решение:

• поднять цену;
• согласовать скидку;
• отказаться;

принимает ответственный человек.

Типовые ошибки внедрения AI-анализа маржинальности

Ошибка №1. Смотреть только на выручку

Высокий оборот может скрывать низкую прибыльность.

Ошибка №2. Использовать плановую себестоимость после завершения заказа

Нужно смотреть факт.

Ошибка №3. Не учитывать скидки

Это один из главных факторов.

Ошибка №4. Не учитывать логистику

Особенно для удалённых регионов.

Ошибка №5. Сравнивать всех менеджеров без контекста

У них могут быть разные продукты.

Ошибка №6. Не учитывать возвраты и рекламации

Фактическая маржа будет завышена.

Ошибка №7. Считать маржу разными методами

Данные становятся несопоставимыми.

Ошибка №8. Анализировать только после продажи

Лучше контролировать маржу ещё на этапе КП.

Ошибка №9. Показывать только процент

Полезно показывать и деньги.

Ошибка №10. Не превращать вывод в процесс

Нужны согласования и правила.

Как внедрять AI-анализ маржинальности поэтапно

Этап 1. Утвердить формулу

Что включается в себестоимость.

Этап 2. Определить источник факта

Чаще всего 1С.

Этап 3. Связать заказ с CRM

Каждая сделка должна иметь соответствующий заказ или реализацию.

Этап 4. Построить базовый отчёт

Выручка, себестоимость, маржа.

Этап 5. Добавить AI-анализ

Поиск аномалий и причин.

Этап 6. Добавить разрезы

По:

• менеджерам;
• клиентам;
• продуктам.

Этап 7. Настроить нормативы

Минимальная допустимая маржа.

Этап 8. Автоматизировать согласования

Низкая маржа → руководитель.

Этап 9. Добавить прогноз

Маржинальность будущих сделок.

Этап 10. Контролировать эффект

Как меняется валовая прибыль.

Как Profi Soft внедряет AI-анализ маржинальности

В Profi Soft мы начинаем не с нейросети.

Сначала определяем:

• где хранится себестоимость;
• как считается маржа;
• где фиксируются скидки;
• как CRM связана с 1С;
• какие пороги важны собственнику.

После этого строится архитектура:

Bitrix24 + 1С + BI + AI.

AI становится аналитическим слоем, который помогает находить:

• невыгодные заказы;
• проблемных клиентов;
• аномальные скидки;
• снижение маржи;
• ошибки расчёта.

Что может входить в проект Profi Soft

• аудит финансовой модели продаж;
• интеграция Bitrix24 с 1С;
• передача себестоимости;
• контроль скидок;
• плановая и фактическая маржа;
• минимальная допустимая маржинальность;
• автоматическое согласование;
• BI-дашборд;
• AI-анализ отклонений;
• анализ клиентов;
• анализ менеджеров;
• анализ продуктовых групп;
• прогноз маржинальности;
• ежедневный управленческий дайджест.

Что получает менеджер

Менеджер видит ещё до отправки КП:

• цену;
• скидку;
• плановую маржу.

И понимает:

можно ли давать дополнительную скидку.

Это помогает вести переговоры осознаннее.

Что получает РОП

РОП контролирует:

• не только выполнение плана;
• но и качество выручки.

Он видит:

• кто даёт большие скидки;
• какие сделки ниже нормы;
• где падает маржинальность.

Что получает собственник

Самый важный эффект:

собственник перестаёт смотреть на бизнес только через оборот.

Он получает ответ:

Сколько мы продали?

и сразу:

Сколько реально заработали на этих продажах?

А также:

Где именно теряем маржу?

Это уже более зрелая модель управления.

Главный вывод

AI-анализ маржинальности — это не просто расчёт процента.

Главная ценность в том, что AI может анализировать тысячи заказов и находить:

• где скидки слишком большие;
• где выросла себестоимость;
• какие клиенты мало прибыльны;
• какие продукты теряют маржу;
• где плановая экономика расходится с фактом.

Правильная архитектура выглядит так:

CRM → коммерческие условия

1С → фактическая себестоимость

BI → показатели

AI → отклонения, причины и рекомендации

Именно тогда компания начинает управлять не только выручкой, но и качеством этой выручки.

Закажите аудит AI-аналитики маржинальности

Если сегодня отдел продаж ориентируется в основном на оборот, а реальная маржа становится понятна только после закрытия месяца, контроль можно перенести значительно раньше.

Команда Profi Soft поможет:

• связать Bitrix24 и 1С;
• определить методику маржинальности;
• настроить плановую и фактическую маржу;
• внедрить контроль скидок;
• построить AI-аналитику;
• настроить автоматические согласования.

Оставьте заявку на аудит. Мы покажем, как использовать данные Bitrix24, 1С и AI, чтобы находить низкомаржинальные заказы до того, как они начинают съедать прибыль компании.

Чек-лист AI-анализа маржинальности

Проверьте, умеет ли ваша система:

• рассчитывать плановую маржу;
• получать фактическую себестоимость из 1С;
• сравнивать план и факт;
• находить низкомаржинальные заказы;
• выявлять убыточные сделки;
• анализировать скидки;
• анализировать менеджеров;
• анализировать клиентов;
• анализировать продукты;
• анализировать регионы;
• учитывать логистику;
• учитывать возвраты;
• учитывать рекламации;
• выявлять рост закупочной цены;
• находить ошибки данных;
• контролировать минимальную маржу;
• запускать согласование скидок;
• прогнозировать маржинальность;
• показывать потери в деньгах;
• формировать рекомендации руководителю.

Если большая часть этих расчётов сегодня делается вручную в Excel после закрытия периода, у компании есть большой потенциал для автоматизации.

Часто задаваемые вопросы

Может ли AI рассчитывать маржинальность заказа?

Да, если доступны корректные данные о выручке и себестоимости.

Откуда лучше получать себестоимость?

Чаще всего из 1С или ERP, где ведётся фактический учёт затрат.

Можно ли контролировать маржу ещё до продажи?

Да. Можно использовать плановую себестоимость и блокировать или согласовывать сделки ниже установленного порога.

Может ли AI выявлять слишком большие скидки?

Да. Он может анализировать влияние скидки на маржу и сравнивать менеджеров.

Можно ли анализировать фактическую маржу после выполнения заказа?

Да. Это особенно полезно в производстве и проектном бизнесе.

Можно ли учитывать логистику и сервис?

Да, если эти затраты доступны и корректно привязаны к заказу или клиенту.

Может ли AI определить причину снижения маржи?

Да, если есть детализация по себестоимости, скидкам и другим факторам. Например, рост закупочной цены или перерасход материалов.

Можно ли анализировать прибыльность клиентов?

Да. Можно сравнивать выручку, валовую маржу, скидки, возвраты и дополнительные расходы.

Нужна ли интеграция Bitrix24 с 1С?

Для полноценного анализа обычно очень полезна: CRM содержит коммерческую часть, а 1С — фактическую экономику.

С чего лучше начать?

С единой методики расчёта маржи, связки сделок Bitrix24 с заказами 1С и простого отчёта плановая маржа → фактическая маржа → причины отклонений.