Как AI определяет причины отказов в продажах

В CRM почти всегда есть поле:

«Причина отказа».

Но на практике оно часто заполняется формально:

• дорого;
• неактуально;
• выбрали конкурента;
• нет бюджета;
• думает;
• пропал.

Проблема в том, что эти причины далеко не всегда отражают реальную ситуацию.

Например, менеджер ставит:

«Дорого».

Но если посмотреть звонок и переписку, может оказаться, что клиент:

• не понял ценность;
• сравнивал с другим продуктом;
• не получил ответ на важный вопрос;
• ждал КП три дня;
• не общался с ЛПР;
• просто потерял интерес.

То есть формальная причина одна.

А реальная причина может быть совсем другой.

Именно здесь AI даёт серьёзное преимущество.

Он может анализировать:

• звонки;
• переписку;
• этапы CRM;
• сроки;
• действия менеджера;
• данные по клиенту;
• фактический результат.

И на основании всей истории сделки формировать более объективную картину:

почему клиент действительно отказался.

Почему обычной причины отказа в CRM недостаточно

Менеджеру проще выбрать один вариант из списка.

Например:

«Дорого».

Но для руководителя этого мало.

Нужно понять:

• действительно ли цена была слишком высокой;
• почему клиент сравнивал по цене;
• была ли ценность объяснена;
• кто был конкурентом;
• был ли бюджет;
• был ли следующий шаг;
• насколько быстро отвечал менеджер.

То есть вопрос должен звучать не:

«Что менеджер выбрал в CRM?»

А:

«Что реально происходило в коммуникации перед отказом?»

Что AI может анализировать

Для определения причины отказа AI может использовать несколько источников.

CRM

• стадия;
• сумма;
• длительность;
• ответственный;
• активности;
• причина отказа.

Звонки

• содержание;
• вопросы;
• возражения;
• тон разговора;
• следующий шаг.

Переписка

• вопросы клиента;
• ответы менеджера;
• скорость ответа;
• возражения;
• упоминания конкурентов.

1С

• история покупок;
• оплаты;
• фактические продажи;
• повторные заказы.

Чем больше контекста, тем точнее вывод.

1. AI определяет, действительно ли причина была «дорого»

Например, клиент говорит:

У конкурента дешевле.

Менеджер ставит:

Причина отказа: цена.

Но AI может заметить:

• клиент не получил расчёт окупаемости;
• менеджер не объяснил преимущества;
• сразу дал скидку;
• не выяснил критерии сравнения.

Тогда реальная причина может быть:

«Ценность не была доказана».

Это принципиально другая управленческая проблема.

2. AI отличает «нет бюджета» от «нет приоритета»

Клиент пишет:

Сейчас нет бюджета.

Это может означать две разные ситуации.

Первая:

действительно нет денег.

Вторая:

задача просто не приоритетна.

AI может анализировать контекст.

Если клиент раньше говорил:

Нам это интересно, но вернёмся в следующем квартале,

то причина может быть:

«Перенос бюджета».

Если же:

Мы пока вообще не понимаем, зачем это нужно,

то проблема скорее в приоритете.

3. AI определяет, когда клиент ушёл к конкуренту

Клиент может прямо сказать:

Выбрали другую компанию.

AI может извлечь:

• название конкурента;
• причину выбора;
• цену;
• срок;
• функциональность.

Например:

Конкурент: Компания X.

Причина: быстрее срок внедрения.

Это уже полезная рыночная информация.

4. AI определяет, что клиент отказался из-за долгого ответа

Очень частая причина.

Например:

клиент запросил КП.

Ответ получил через 4 дня.

После этого написал:

Мы уже выбрали другого подрядчика.

Менеджер в CRM ставит:

«Выбрали конкурента».

Но реальная причина:

«Медленная реакция».

AI может это увидеть по временной линии.

5. AI находит потерю сделки после КП

Типичный сценарий:

• КП отправили;
• follow-up не было;
• клиент пропал.

Менеджер ставит:

«Не отвечает».

Но AI может сформулировать:

После отправки предложения не было контакта 9 дней. Следующий шаг не был согласован.

То есть причина отказа:

«Отсутствие follow-up».

6. AI определяет плохую квалификацию

Иногда сделку вообще не стоило доводить до КП.

Например:

• бюджет не выяснили;
• срок не подтверждён;
• ЛПР неизвестен;
• потребность слабая.

Менеджер делает расчёт.

Клиент исчезает.

AI может отметить:

Сделка была слабо квалифицирована до этапа коммерческого предложения.

Это означает, что проблема не в закрытии, а раньше.

7. AI определяет отсутствие ЛПР

Менеджер долго общается с сотрудником.

Но человек не принимает решение.

После недели переговоров:

Руководство не согласовало.

Причина в CRM:

«Отказ руководства».

AI может определить:

ЛПР не был вовлечён в процесс до финального этапа.

Это слабое место в работе менеджера.

8. AI определяет, что клиент не понял продукт

Иногда клиент задаёт одни и те же вопросы несколько раз.

Например:

А это вообще что нам даст?

Как это поможет продажам?

Если менеджер отвечает только про функции, клиент может отказаться.

AI может выделить:

В коммуникации осталась неопределённость по бизнес-ценности решения.

Это гораздо полезнее причины:

«Неактуально».

9. AI определяет техническое несоответствие

Например:

клиенту нужна интеграция с определённой системой.

Компания её не поддерживает.

AI может определить:

Причина отказа — функциональное несоответствие.

И дополнительно:

Чаще всего упоминаемая недостающая функция — интеграция X.

Это уже сигнал продуктовой команде.

10. AI определяет слишком долгий срок реализации

Клиент говорит:

Нам нужно запустить за две недели.

Компания предлагает:

6 недель.

AI фиксирует:

Причина отказа — срок.

Но полезно и дальше:

Потеря сделки связана именно с невозможностью попасть в требуемый дедлайн.

Если таких сделок много, это стратегическая проблема.

11. AI выявляет внутренние задержки

Например:

клиент ждал:

• расчёт;
• согласование;
• договор;
• технический ответ.

AI может показать:

28% времени сделки было потеряно на внутреннем согласовании цены.

Тогда причина отказа клиента — не просто «срок».

А:

медленный внутренний процесс.

12. AI определяет ошибки в работе с возражениями

Например:

клиент:

Дорого.

Менеджер:

Давайте сделаем скидку 15%.

Клиент всё равно отказался.

AI может определить:

Ценовое возражение было отработано скидкой без выяснения критериев сравнения.

Это конкретная зона обучения.

13. AI определяет слишком раннюю скидку

Если менеджер регулярно снижает цену при первом сопротивлении, AI может увидеть закономерность.

Например:

В 47% проигранных сделок менеджер предлагал скидку ещё до обсуждения ценности.

Это уже не единичная ошибка, а системное слабое место.

14. AI анализирует «клиент пропал»

«Пропал» — одна из самых бесполезных причин отказа.

AI может раскладывать её.

Например:

• не было следующего шага;
• менеджер не делал follow-up;
• предложение было отправлено без обсуждения;
• клиент явно написал, что выбрал другого.

То есть вместо «пропал» появляются реальные категории.

15. AI анализирует длинные сделки без результата

Например:

сделка длилась 90 дней.

При этом:

• 3 раза переносился срок;
• не определён бюджет;
• нет ЛПР.

AI может отметить:

Сделка имела низкую вероятность закрытия уже на раннем этапе, но оставалась активной слишком долго.

Это помогает очищать воронку.

16. AI сравнивает выигранные и проигранные сделки

Это особенно полезно.

Например, в выигранных сделках чаще:

• выявлен ЛПР;
• есть конкретный срок;
• следующий шаг фиксируется.

В проигранных:

• цена обсуждается слишком рано;
• нет follow-up;
• клиент долго ждёт ответ.

AI может выявлять такие закономерности.

17. AI может находить системные причины отказов

Например, за квартал проиграно 500 сделок.

AI группирует:

• цена;
• сроки;
• отсутствие follow-up;
• конкурент;
• техническое несоответствие;
• слабая квалификация.

И показывает:

Наибольшая управляемая причина потерь — отсутствие следующего шага после КП.

Это намного полезнее просто диаграммы.

18. AI отличает управляемые и неуправляемые причины

Очень важный момент.

Неуправляемые

Например:

• проект отменили;
• компания клиента закрылась;
• бюджет урезали.

Управляемые

Например:

• медленный ответ;
• нет следующего шага;
• слабая квалификация;
• плохая работа с возражением.

AI может разделять эти группы.

Руководителю важнее управляемые причины.

19. AI может считать денежный объём потерь

Не только количество сделок.

Например:

Цена — 20 сделок на 50 млн ₸.

Долгий ответ — 8 сделок на 90 млн ₸.

По количеству цена выглядит главной проблемой.

По деньгам — скорость реакции.

Это уже другой управленческий вывод.

20. AI показывает причины по менеджерам

Например:

Менеджер А

• часто теряет после КП;
• мало follow-up.

Менеджер Б

• слабая квалификация;
• слишком много случайных лидов.

Менеджер В

• низкая конверсия на ценовых переговорах.

Обучение становится персональным.

21. AI показывает причины по продуктам

Например:

по продукту A основная причина:

цена.

По продукту B:

функциональность.

По продукту C:

долгий срок поставки.

Это помогает принимать продуктовые решения.

22. AI показывает причины по каналам маркетинга

Например:

из рекламы A часто приходит:

нет бюджета.

Из рекламы B:

высокая конверсия, но длинный цикл.

AI помогает понять качество лидов.

23. AI анализирует причины по регионам

Например:

в одном регионе чаще проигрывают по цене.

В другом:

• логистика;
• срок поставки.

Это помогает адаптировать коммерческую стратегию.

24. AI анализирует причины по сегментам клиентов

Например:

Малый бизнес

Основная причина — бюджет.

Средний бизнес

Срок внедрения.

Enterprise

Интеграции и требования безопасности.

Так продажи становятся более сегментированными.

25. AI выявляет новые причины, которых нет в CRM

Очень полезный сценарий.

В CRM может быть 5 фиксированных причин.

Но AI из разговоров обнаруживает новую:

Клиенты регулярно боятся сложного внедрения.

Тогда можно добавить категорию:

«Высокая воспринимаемая сложность проекта».

Это помогает улучшить аналитику.

26. AI помогает улучшать справочник причин отказа

Например, старый список:

• дорого;
• конкурент;
• неактуально;
• другое.

Он слишком грубый.

После анализа можно создать более полезную структуру:

• цена;
• нет бюджета;
• слабая ценность;
• срок;
• техническое несоответствие;
• конкурент;
• плохой follow-up;
• нет ЛПР;
• проект отложен.

Так CRM начинает собирать более качественные данные.

27. AI может предлагать причину отказа менеджеру

Когда сделка закрывается, AI анализирует историю и предлагает:

Вероятная причина: клиент выбрал конкурента из-за срока.

Менеджер подтверждает или исправляет.

Это лучше, чем полностью автоматическая запись без контроля.

28. AI может проверять выбранную менеджером причину

Например:

менеджер указал:

«Цена».

AI видит в переписке:

Мы остановили проект до следующего года.

Система может предупредить:

Выбранная причина не соответствует коммуникации. Возможная причина — проект отложен.

Это повышает качество CRM.

29. AI может анализировать финальную коммуникацию

Очень важно последнее сообщение или звонок перед проигрышем.

Например:

Мы решили идти с другим подрядчиком, потому что у них внедрение за две недели.

AI сразу получает:

конкурент + срок.

Такие сообщения особенно ценны.

30. AI анализирует молчаливые отказы

Сложнее, когда клиент ничего не сказал.

Тогда AI смотрит:

• активность;
• ответ менеджера;
• длительность;
• предыдущие возражения.

И может сформировать не «причину», а:

вероятную гипотезу.

Например:

Вероятная причина — отсутствие follow-up после отправки КП.

Важно обозначать, что это гипотеза, а не факт.

31. AI должен показывать уровень уверенности

Например:

Причина: срок — высокая уверенность.

Потому что клиент сказал это напрямую.

Или:

Причина: недостаточная ценность — средняя уверенность.

Потому что это интерпретация.

Это помогает не воспринимать AI-вывод как абсолютную истину.

32. AI может выявлять «скрытые» причины

Например, клиент говорит:

Пока не готовы.

Но до этого несколько раз спрашивал:

• про гарантии;
• поддержку;
• риски.

AI может предположить:

Недостаточное доверие к решению.

Это более глубокий уровень анализа.

Но такие выводы нужно использовать осторожно.

33. AI анализирует качество follow-up

Например:

менеджер после КП пишет:

Есть новости?

Это слабый follow-up.

Сильнее:

Получилось посмотреть расчёт? Какие вопросы по срокам или бюджету остались?

AI может анализировать качество дальнейшей коммуникации.

34. AI определяет отсутствие повторного контакта

Например:

КП отправлено.

После этого:

0 касаний.

AI ставит:

Высокий риск потери из-за отсутствия сопровождения.

Это позволяет вмешаться до закрытия сделки.

35. AI помогает предотвращать отказ ещё до него

Самая сильная задача — не анализировать потерю постфактум.

А заранее видеть риск.

Например:

• долго нет ответа;
• ЛПР не выявлен;
• клиент сравнивает конкурентов;
• нет следующего шага.

AI может сообщить:

Сделка имеет высокий риск отказа.

И создать задачу менеджеру.

36. AI может создавать ранние предупреждения

Например:

Клиент дважды выразил сомнение в цене и не согласовал следующий шаг.

Или:

После КП нет активности 5 дней.

Так менеджер получает сигнал до того, как сделка будет потеряна.

37. AI помогает РОПу готовить разборы

Перед планёркой AI может сформировать:

Топ-5 проигранных сделок недели.

И по каждой:

• причина;
• ошибка менеджера;
• что можно было сделать иначе.

Это превращает реальные сделки в материал для обучения.

38. AI помогает формировать библиотеку типичных ошибок

Например:

• рано дали скидку;
• не выявили ЛПР;
• не договорились о следующем шаге;
• долго отправляли КП.

Эти кейсы можно использовать при обучении новых менеджеров.

39. AI может сравнивать отделы или филиалы

Например:

Алматы

Основная потеря — цена.

Астана

Основная потеря — сроки.

Это помогает руководителю видеть различия в процессах.

40. AI связывает причины отказа с экономикой

Важно не просто знать:

почему проиграли.

Нужно понимать:

сколько денег потеряли по каждой причине.

Например:

Тогда становится понятно, что исправлять первым.

Как может выглядеть AI-анализ одной проигранной сделки

Например:

Клиент: ТОО «Альфа»

Сумма: 18 млн ₸

Стадия: КП

Причина в CRM: дорого

AI-анализ:

Фактические сигналы:

• клиент сравнивал с конкурентом;
• конкурент обещал запуск быстрее;
• менеджер не уточнил критерии выбора;
• после КП follow-up был только через 6 дней.

Основная причина: срок / конкурент.

Дополнительный фактор: слабый follow-up.

Уверенность: высокая.

Что можно улучшить: фиксировать следующий контакт сразу после КП и раньше выяснять критерии выбора.

Это гораздо полезнее одного поля «дорого».

Как может выглядеть отчёт РОПа

Проиграно за месяц

42 сделки.

Потенциал

186 млн ₸.

Основные причины

1. Долгий срок — 31%.
2. Нет follow-up — 24%.
3. Цена — 19%.
4. Конкурент — 14%.
5. Техническое несоответствие — 12%.

Главный управляемый фактор

Отсутствие качественного follow-up после КП.

Менеджер с максимальным риском

У менеджера X 43% потерянных сделок заканчиваются без конкретного следующего шага.

Рекомендация

Разобрать стандарт сопровождения после КП.

Это уже готовая повестка для планёрки.

Какие данные нужны для качественного анализа

Минимально:

• история стадий CRM;
• причина отказа;
• активности.

Лучше добавить:

• звонки;
• переписку;
• встречи.

Ещё сильнее:

• 1С;
• фактические оплаты;
• история повторных покупок.

Тогда AI видит реальный результат.

Почему AI должен анализировать звонки и переписку вместе

Клиент может:

• звонить;
• потом писать;
• потом снова звонить.

Если анализировать только один канал, часть контекста потеряется.

Лучше строить единую клиентскую историю.

Почему 1С тоже важна

CRM может показать:

Сделка проиграна.

Но через месяц клиент всё равно покупает через другой канал.

Или наоборот:

сделка закрыта успешно, но оплаты нет.

Поэтому при зрелой архитектуре полезна связка:

Bitrix24 + телефония + переписка + 1С + AI.

AI не должен придумывать причины

Это принципиально.

Если клиент прямо сказал:

Выбрали конкурента из-за срока,

причина ясна.

Если он просто перестал отвечать, AI должен написать:

«Вероятная причина»

а не выдавать гипотезу за факт.

Как оценивать достоверность

Полезно использовать три уровня.

Высокая уверенность

Клиент сказал причину прямо.

Средняя

Есть несколько косвенных признаков.

Низкая

AI делает гипотезу на основе поведения.

Так аналитика становится честнее.

Типовые ошибки внедрения AI-анализа отказов

Ошибка №1. Анализировать только поле CRM

Это не AI-анализ, а обычная статистика.

Ошибка №2. Верить формальной причине менеджера

Она может быть неточной.

Ошибка №3. Автоматически принимать AI-гипотезу за факт

Нужно учитывать уверенность.

Ошибка №4. Использовать слишком широкий список причин

100 категорий невозможно управлять.

Ошибка №5. Использовать слишком короткий список

«Дорого / неактуально / другое» почти бесполезно.

Ошибка №6. Смотреть только количество

Нужно учитывать сумму потерянных сделок.

Ошибка №7. Искать виноватого менеджера

Цель — найти слабый процесс.

Ошибка №8. Не разделять управляемые и неуправляемые причины

Иначе команда тратит время не туда.

Ошибка №9. Анализировать только проигранные сделки

Нужно сравнивать их с выигранными.

Ошибка №10. Не использовать выводы для изменений

Если AI определил проблему, но скрипт и процесс не изменились, ценность минимальна.

Как внедрять AI-анализ причин отказа поэтапно

Этап 1. Очистить причины в CRM

Создать понятный справочник.

Этап 2. Подключить коммуникации

• звонки;
• переписки.

Этап 3. Запустить AI-классификацию

AI предлагает причину.

Этап 4. Добавить уровень уверенности

Факт или гипотеза.

Этап 5. Сравнить с причиной менеджера

И выявлять расхождения.

Этап 6. Построить аналитику

По:

• менеджерам;
• продуктам;
• каналам;
• сегментам.

Этап 7. Добавить денежный эффект

Сколько выручки теряется.

Этап 8. Запустить ранние предупреждения

Не только объяснять отказ, но и предотвращать его.

Как Profi Soft внедряет AI-анализ причин отказа

В Profi Soft мы рассматриваем причину отказа не как одно поле в CRM.

Мы анализируем всю историю:

лид → звонок → переписка → квалификация → КП → переговоры → отказ.

Дальше AI может сопоставлять:

• CRM;
• телефонию;
• переписку;
• задачи;
• 1С.

И формировать более объективную картину.

Что может входить в проект Profi Soft

• аудит воронки;
• аудит причин отказа;
• настройка Bitrix24;
• интеграция телефонии;
• подключение переписки;
• AI-анализ звонков;
• AI-анализ сообщений;
• автоматическая классификация отказов;
• определение конкурентов;
• анализ сроков;
• анализ ценовых возражений;
• контроль follow-up;
• ранние сигналы риска;
• BI;
• дашборд РОПа;
• обучение команды.

Что получает менеджер

Не просто отметку:

«Сделка проиграна».

А обратную связь:

• что произошло;
• где появился риск;
• что можно было сделать иначе.

Это превращает каждую потерянную сделку в материал для обучения.

Что получает РОП

Руководитель видит:

• реальные причины потерь;
• какие ошибки повторяются;
• где проблема в менеджере;
• где проблема в процессе;
• где проблема в продукте.

Это намного сильнее субъективного разбора отдельных кейсов.

Что получает собственник

Самый важный вопрос:

Почему компания недополучает выручку?

AI помогает разложить потерянные деньги по причинам.

Например:

35 млн ₸ — сроки.

24 млн ₸ — плохой follow-up.

18 млн ₸ — техническое несоответствие.

После этого цифровая аналитика превращается в конкретный план действий.

Главный вывод

Причина отказа — это не поле «дорого» в CRM.

Это результат всей истории взаимодействия клиента с компанией.

AI помогает анализировать:

• что говорил клиент;
• что отвечал менеджер;
• как быстро реагировала компания;
• был ли выявлен ЛПР;
• как отрабатывались возражения;
• был ли следующий шаг;
• где возникла задержка;
• кого выбрал клиент.

Правильная схема выглядит так:

CRM + звонки + переписка → AI-анализ → реальная причина отказа → изменение процесса.

И ещё сильнее:

AI замечает риск → предупреждает менеджера → сделка не становится отказом.

Именно тогда AI начинает влиять не только на аналитику, но и на выручку.

Закажите аудит AI-аналитики отказов

Если сегодня менеджеры вручную выбирают причины отказа, а РОП потом строит отчёт «дорого / неактуально / конкурент», компания может терять настоящие причины потерь.

Команда Profi Soft поможет:

• привести в порядок причины отказов;
• связать Bitrix24 со звонками и перепиской;
• настроить AI-классификацию;
• выявлять реальные причины;
• находить слабые места;
• построить аналитику для РОПа;
• настроить ранние сигналы риска.

Оставьте заявку на аудит. Мы покажем, как превратить потерянные сделки в источник данных для роста конверсии и как с помощью AI находить причины отказа ещё до того, как клиент окончательно уйдёт.

Чек-лист AI-анализа причин отказа

Проверьте, умеет ли ваша система:

• анализировать историю сделки;
• анализировать звонки;
• анализировать переписку;
• сравнивать формальную и фактическую причину;
• выявлять ценовые возражения;
• определять конкурентов;
• выявлять отсутствие ЛПР;
• находить слабую квалификацию;
• выявлять отсутствие follow-up;
• анализировать скорость ответа;
• определять технические причины;
• выявлять задержки;
• анализировать причины по менеджерам;
• анализировать причины по продуктам;
• анализировать причины по каналам;
• считать денежный объём потерь;
• разделять управляемые и неуправляемые причины;
• показывать уровень уверенности AI;
• формировать рекомендации;
• предупреждать о риске до отказа.

Если причина отказа сегодня определяется одним кликом менеджера, компания видит только часть реальной картины.

Часто задаваемые вопросы

Может ли AI автоматически определять причину отказа?

Да, если у него есть доступ к истории сделки, звонкам или переписке. Для неоднозначных случаев лучше использовать вероятную причину и уровень уверенности.

Может ли AI понять, что причина не в цене?

Да. Например, анализ может показать, что клиент не понял ценность или компания слишком долго отвечала.

Можно ли сравнивать AI-причину с причиной менеджера?

Да. Это один из самых полезных сценариев для повышения качества CRM-данных.

Может ли AI определять конкурента?

Да, если клиент упоминает его в разговоре или переписке.

Может ли AI находить причины «клиент пропал»?

Он может анализировать историю и формировать вероятную гипотезу: отсутствие follow-up, слабая квалификация или другие факторы.

Можно ли анализировать потерянную выручку по причинам?

Да. Сделки можно группировать не только по количеству, но и по потенциальной сумме.

Может ли AI определить слабое место конкретного менеджера?

Да. Например, системные ошибки в квалификации, работе с ценой или фиксации следующего шага.

Можно ли использовать AI до фактического отказа?

Да. Это один из самых ценных сценариев — выявлять ранние признаки риска сделки.

Нужна ли интеграция с 1С?

Для самой причины отказа не всегда. Но 1С помогает связать CRM с фактическими продажами и историей клиента.

С чего лучше начать?

С очистки справочника причин отказа, подключения звонков и переписок и сравнения AI-выводов с реальными проигранными сделками.