Как подготовить данные компании для AI

Во многих компаниях AI пытаются внедрять слишком рано.

Сначала выбирают модель, подключают чат-бота, покупают сервис, запускают пилот.

А потом обнаруживают главную проблему:

AI не на чем нормально работать.

Данные находятся:

• в CRM;
• в 1С;
• в Excel;
• в WhatsApp;
• в телефонии;
• в локальных файлах;
• в головах сотрудников.

При этом:

• клиенты дублируются;
• сделки заполнены частично;
• причины отказов выбираются случайно;
• суммы расходятся между системами;
• статусы неактуальны;
• документы называются по-разному;
• никто не знает, где находится «правильная» цифра.

В такой ситуации даже сильный AI будет давать слабый результат.

Поэтому подготовка данных — один из самых важных этапов AI-трансформации бизнеса.

Разберём, что именно нужно сделать до внедрения AI.

Почему AI так сильно зависит от качества данных

AI не понимает бизнес магически.

Он анализирует то, что ему доступно.

Если в системе неправильные данные, результат тоже будет неправильным.

Простой принцип:

плохие данные → плохие выводы.

Например, руководитель спрашивает:

Почему продажи упали?

Но в CRM половина сделок не закрыта корректно.

AI может сделать неверный вывод.

Или:

Какие клиенты перестали покупать?

Но фактические продажи находятся в 1С, а AI видит только CRM.

Тогда анализ будет неполным.

AI-проект начинается не с нейросети

Лучше начинать с вопросов:

Какие решения мы хотим принимать с помощью AI?

Например:

• прогнозировать выручку;
• анализировать звонки;
• находить слабые места продаж;
• контролировать маржинальность;
• выявлять риск ухода клиентов;
• искать спящих клиентов;
• анализировать производство;
• контролировать дебиторку.

После этого становится понятно, какие данные нужны.

Шаг 1. Определить бизнес-задачу

Это главное.

Не:

«Хотим внедрить AI».

А:

«Хотим заранее видеть клиентов с риском ухода».

Или:

«Хотим автоматически анализировать звонки менеджеров».

Или:

«Хотим прогнозировать выполнение плана продаж».

Под каждую задачу нужен свой набор данных.

Пример: прогноз продаж

Нужны:

• история сделок;
• суммы;
• стадии;
• даты;
• активности;
• фактические продажи.

Пример: анализ звонков

Нужны:

• записи;
• транскрибации;
• менеджер;
• сделка;
• результат.

Пример: анализ маржи

Нужны:

• выручка;
• себестоимость;
• скидки;
• клиент;
• продукт;
• заказ.

То есть первым делом определяется не технология, а вопрос бизнеса.

Шаг 2. Провести инвентаризацию данных

Нужно понять:

Какие данные вообще есть в компании?

Обычно источники такие:

CRM

• клиенты;
• сделки;
• задачи;
• коммуникации.

1С

• продажи;
• оплаты;
• задолженность;
• товары;
• склад;
• себестоимость.

Телефония

• записи звонков;
• длительность;
• номера.

Мессенджеры

• переписка;
• файлы;
• договорённости.

Документы

• договоры;
• регламенты;
• КП;
• инструкции.

BI и Excel

• управленческие отчёты;
• бюджеты;
• KPI.

После инвентаризации появляется карта данных.

Шаг 3. Определить источник истины

Одна из самых важных задач.

Если цена хранится:

• в CRM;
• в 1С;
• в Excel,

нужно определить:

какая система главная.

Например:

Клиенты и коммуникации → Bitrix24

Товары и себестоимость → 1С

Остатки → 1С

Управленческие дашборды → BI

Это называется master system.

Без этого AI может получать противоречивые данные.

Шаг 4. Убрать дубли

Одна из самых частых проблем.

Например, один клиент записан как:

ТОО Альфа

Альфа

ALFA LLP

ТОО «Альфа»

AI может считать это четырьмя разными компаниями.

Поэтому нужно:

• объединять дубли;
• использовать BIN/ИИН или другой устойчивый идентификатор;
• унифицировать названия.

Шаг 5. Использовать стабильные ID

AI и интеграции не должны связывать данные только по названию.

Название может измениться.

Нужны стабильные идентификаторы:

• ID клиента;
• ID сделки;
• ID заказа;
• ID товара.

Например:

CRM Deal ID 1250

связан с:

1C Order ID 7842

Это сильно повышает надёжность аналитики.

Шаг 6. Нормализовать справочники

Например, причины отказов:

• дорого;
• цена;
• высокая цена;
• дорого для клиента.

Фактически это одно и то же.

Нужно привести к единому справочнику.

То же касается:

• регионов;
• источников;
• типов клиентов;
• продуктов;
• статусов.

Шаг 7. Сделать поля обязательными там, где это важно

Если AI должен анализировать:

причины отказов,

но менеджеры их не заполняют, анализ невозможен.

Если нужен:

прогноз по срокам,

но нет даты закрытия, качество будет слабым.

Важно определить минимальный набор обязательных полей.

Шаг 8. Не делать обязательным всё подряд

Есть и обратная ошибка.

В CRM делают 50 обязательных полей.

Менеджеры начинают:

• ставить случайные значения;
• писать что угодно;
• обходить систему.

Для AI такие данные хуже пустых.

Поэтому обязательными должны быть только действительно важные поля.

Шаг 9. Проверить качество дат

Даты — критически важный тип данных.

Например:

• дата сделки;
• дата оплаты;
• дата отгрузки;
• дата следующего контакта.

Частая проблема:

менеджеры ставят всем сделкам:

31 декабря.

Тогда прогнозирование становится бессмысленным.

Шаг 10. Проверить полноту истории

Для AI часто нужна история.

Например, чтобы прогнозировать отток клиентов, нужно знать:

• как часто они покупали раньше;
• как менялся оборот;
• какие были обращения.

Если история отсутствует, модель будет слабее.

Шаг 11. Не удалять важную историю

Иногда компании очищают CRM слишком агрессивно.

Например, удаляют старые сделки.

Это ошибка.

Для AI старые данные могут быть полезны для обучения закономерностям.

Лучше архивировать, а не уничтожать.

Шаг 12. Проверить качество данных 1С

Если AI анализирует:

• прибыль;
• маржу;
• остатки;
• задолженность,

1С становится критичным источником.

Нужно проверить:

• корректность документов;
• своевременность проведения;
• справочники;
• остатки;
• себестоимость.

Шаг 13. Определить момент готовности финансовых данных

Например, себестоимость может быть окончательно рассчитана только после закрытия месяца.

Тогда нельзя использовать предварительную цифру как факт.

AI должен понимать:

предварительные данные

и

закрытые данные.

Шаг 14. Очистить клиентскую базу

Для AI-анализа клиентов важно убрать:

• дубли;
• тестовые записи;
• сотрудников;
• служебные контакты;
• старые некорректные карточки.

Иначе аналитика будет шумной.

Шаг 15. Сегментировать клиентов

Полезные признаки:

• отрасль;
• размер;
• регион;
• тип;
• канал;
• статус.

Тогда AI может сравнивать похожих клиентов.

Например:

дилеров с дилерами,

а не дилера с конечным покупателем.

Шаг 16. Определить клиентскую ценность

Для AI важно понимать:

кого считать важным.

Например:

• выручка;
• маржа;
• LTV;
• стратегический статус.

Тогда AI сможет приоритизировать.

Шаг 17. Привязать коммуникации к клиенту

Звонки и переписки должны быть связаны с:

• контактом;
• компанией;
• сделкой.

Если запись звонка существует отдельно, AI не понимает бизнес-контекст.

Шаг 18. Централизовать переписки

Если часть общения идёт в личных мессенджерах менеджеров, компания теряет данные.

Для AI лучше, чтобы коммуникации попадали в единый корпоративный контур.

Например:

мессенджер → Bitrix24 → карточка клиента.

Шаг 19. Проверить качество записей звонков

AI плохо анализирует:

• шум;
• обрывы;
• плохую слышимость.

Перед массовым внедрением нужно протестировать реальные записи.

Шаг 20. Сделать транскрибацию структурированной

Полезно хранить:

• текст;
• участников;
• время;
• тип звонка;
• связь со сделкой.

Так AI может использовать разговор в контексте.

Шаг 21. Подготовить документы

Если AI должен работать с корпоративными знаниями, нужно привести в порядок:

• регламенты;
• инструкции;
• договоры;
• FAQ;
• технические документы.

Шаг 22. Убрать устаревшие версии

Например:

есть три инструкции:

v1

v2

final

AI не понимает автоматически, какая актуальная.

Нужно определить:

актуальную версию.

Шаг 23. Использовать понятную структуру документов

Хороший документ содержит:

• заголовки;
• разделы;
• даты;
• версии;
• автора.

Это сильно улучшает работу поиска и AI.

Шаг 24. Избавиться от «Excel как базы данных»

Excel хорош для анализа.

Но плохо подходит как единственная операционная база.

Проблемы:

• разные версии;
• ручные изменения;
• нет единой структуры;
• данные теряются.

Если важная информация постоянно хранится в Excel, её желательно перенести в системный источник.

Шаг 25. Создать единый слой данных

Для зрелого AI-проекта полезна архитектура:

CRM + 1С + производство + другие системы

↓

Хранилище / Data Mart

↓

BI / AI

Это даёт единый контролируемый слой.

Шаг 26. Нужно ли Data Warehouse

Не всегда.

Если компания небольшая, можно начать без полноценного хранилища.

Но когда источников много:

• CRM;
• несколько баз 1С;
• сайт;
• телефония;
• производство;

единое хранилище становится полезным.

Шаг 27. Определить частоту обновления

Не все данные нужны в реальном времени.

Например:

звонки — почти сразу.

выручка — раз в час или день.

финансовая отчётность — раз в день.

Это снижает сложность проекта.

Шаг 28. Создать data dictionary

Очень полезная практика.

Это справочник:

что означает каждое поле.

Например:

Revenue

Что это?

• закрытые сделки?
• отгрузки?
• оплаты?

Если разные сотрудники понимают показатель по-разному, AI тоже будет ошибаться.

Шаг 29. Определить формулы KPI

Например:

Конверсия

может считаться:

• лид → сделка;
• квалификация → договор;
• сделка → оплата.

Нужно зафиксировать формулу.

Шаг 30. Согласовать бизнес-термины

Например:

• клиент;
• лид;
• заказ;
• выручка;
• маржа;
• прибыль.

В компании все должны понимать их одинаково.

Шаг 31. Разделить факты и комментарии

AI может работать и с текстом.

Но важно отличать:

фактическое поле

от:

мнения сотрудника.

Например:

Статус оплаты: не оплачено

— факт.

Клиент вроде готов оплатить

— комментарий.

AI должен понимать разницу.

Шаг 32. Сохранять историю изменений

Очень важно для аналитики.

Например:

• как менялась стадия сделки;
• как менялся прогноз;
• когда переносился срок.

Если система хранит только текущее значение, часть аналитики теряется.

Шаг 33. Проверить временные зоны и даты

Если компания работает в нескольких странах, даты могут храниться по-разному.

Это влияет на:

• SLA;
• время ответа;
• аналитику активности.

Все временные данные нужно унифицировать.

Шаг 34. Унифицировать валюты

Например:

• KZT;
• USD;
• RUB;
• UZS.

AI не должен складывать их напрямую.

Нужно:

• хранить валюту;
• курс;
• базовую валюту.

Шаг 35. Нормализовать единицы измерения

Например:

• кг;
• тонна;
• штука;
• упаковка.

Для производства это особенно важно.

Иначе AI будет сравнивать несопоставимые значения.

Шаг 36. Подготовить данные по продуктам

Товарный справочник должен быть:

• чистым;
• структурированным;
• без дублей.

Полезны поля:

• категория;
• бренд;
• тип;
• статус.

Это делает AI-анализ намного сильнее.

Шаг 37. Связать товар с продажей

AI должен понимать:

какой продукт был продан в какой сделке.

Без этого невозможно нормально анализировать:

• cross-sell;
• маржу;
• повторные продажи.

Шаг 38. Подготовить данные для AI-помощника руководителя

Если задача:

управленческий AI-дайджест,

нужны:

• KPI;
• план;
• факт;
• отклонения;
• ответственные.

Не нужно передавать AI все таблицы компании.

Нужен подготовленный слой.

Шаг 39. Не давать AI лишние данные

Принцип:

минимально необходимый доступ.

Если AI анализирует продажи, ему необязательно видеть:

• зарплаты;
• персональные документы сотрудников.

Это снижает риски.

Шаг 40. Настроить права доступа

AI должен соблюдать те же права, что и системы.

Например:

менеджер не должен через AI узнать:

зарплату директора.

Поэтому права — часть архитектуры.

Шаг 41. Классифицировать чувствительные данные

Например:

Публичные

Каталог товаров.

Внутренние

Процессы.

Конфиденциальные

Финансы.

Персональные

Данные сотрудников и клиентов.

Разные категории требуют разного уровня защиты.

Шаг 42. Определить, какие данные можно передавать внешнему AI

Это особенно важно для:

• коммерческой тайны;
• договоров;
• финансов.

Компания должна понимать:

• где обрабатываются данные;
• кто имеет к ним доступ;
• какие данные запрещено отправлять наружу.

Шаг 43. Вести журнал действий AI

Желательно хранить:

• какой запрос был;
• какие данные использованы;
• какой ответ получен;
• какое действие было выполнено.

Это важно для контроля и аудита.

Шаг 44. Не позволять AI менять критичные данные без подтверждения

Например:

AI может предложить:

Закрыть сделку как проигранную.

Но лучше:

менеджер подтверждает.

То же относится к:

• платежам;
• договорам;
• ценам.

Шаг 45. Проверять качество AI на выборке

Перед запуском нужно взять реальные кейсы.

Например:

100 звонков.

Сравнить:

• оценку AI;
• оценку РОПа.

И только потом масштабировать.

Шаг 46. Создать эталонные примеры

Например:

хороший звонок.

плохой звонок.

правильная причина отказа.

Это помогает тестировать AI.

Шаг 47. Ввести data quality KPI

Можно измерять:

• процент заполненных карточек;
• процент дублей;
• процент сделок без следующего шага;
• количество некорректных данных.

Качество данных должно стать измеримым показателем.

Шаг 48. Назначить владельцев данных

У каждого блока должен быть ответственный.

Например:

CRM-данные → РОП

Финансы → CFO

Номенклатура → коммерческий отдел / 1С

Иначе ошибки никто не исправляет.

Шаг 49. Не пытаться очистить всё сразу

В большой компании можно чистить данные годами.

Лучше идти от AI-сценария.

Например:

для анализа звонков не обязательно сначала идеально очищать весь склад.

Нужно подготовить именно тот контур, который влияет на задачу.

Шаг 50. Начать с минимально достаточного набора

Например, для AI-прогноза продаж:

• сумма;
• стадия;
• дата;
• активность;
• менеджер;
• факт оплаты.

Этого уже достаточно для первого результата.

Потом модель можно расширять.

Как выглядит плохая архитектура

Например:

CRM отдельно

1С отдельно

Excel отдельно

WhatsApp отдельно

AI напрямую подключён ко всему

Результат:

• противоречивые данные;
• сложность;
• высокий риск ошибок.

Как выглядит правильная архитектура

Более зрелый вариант:

Bitrix24 → клиенты и сделки

1С → финансы, товары, оплаты

Производство → производственные показатели

↓

Интеграционный слой

↓

Единые данные / BI

↓

AI

Так проще контролировать результат.

Как подготовить данные для разных AI-сценариев

AI-анализ продаж

Нужны:

• сделки;
• стадии;
• активности;
• результаты.

AI-анализ звонков

Нужны:

• аудио;
• транскрипция;
• связь со сделкой.

AI-прогноз выручки

Нужны:

• история;
• текущая воронка;
• фактические продажи.

AI-retention

Нужны:

• история покупок;
• частота;
• коммуникации;
• сервис.

AI-анализ маржи

Нужны:

• выручка;
• себестоимость;
• скидки;
• расходы.

То есть универсального набора нет.

Нужно ли иметь идеальные данные

Нет.

Это важный момент.

Если ждать идеала, AI-проект никогда не начнётся.

Нужно определить:

достаточно ли данных для конкретного сценария.

Например:

для первого AI-анализа звонков может быть достаточно:

• записи;
• менеджера;
• результата.

Дальше данные улучшаются.

Три уровня зрелости данных

Уровень 1. Данные есть

Но разрознены.

Уровень 2. Данные структурированы

Есть единые справочники и связи.

Уровень 3. Данные управляемы

Есть:

• владельцы;
• правила;
• качество;
• история;
• права.

Чем выше уровень, тем более сложные AI-сценарии можно внедрять.

Что можно сделать за первый месяц

Например:

1. Выбрать 1–2 AI-задачи.
2. Провести аудит источников.
3. Убрать ключевые дубли.
4. Определить master-системы.
5. Настроить обязательные поля.
6. Связать CRM и 1С.
7. Сделать первую витрину.
8. Запустить пилот AI.

Не обязательно начинать с большой цифровой трансформации.

Типовые ошибки подготовки данных

Ошибка №1. Сначала покупать AI

А потом искать, что ему дать.

Ошибка №2. Загружать всё подряд

AI получает шум.

Ошибка №3. Не определять источник истины

Цифры расходятся.

Ошибка №4. Игнорировать дубли

Клиенты считаются несколько раз.

Ошибка №5. Не фиксировать историю

Прогноз становится слабее.

Ошибка №6. Не подключать 1С

AI видит CRM, но не видит факт.

Ошибка №7. Считать Excel полноценным источником истины

Версии быстро расходятся.

Ошибка №8. Не определять методику KPI

AI и руководитель говорят о разных цифрах.

Ошибка №9. Игнорировать безопасность

Данные получают лишние пользователи.

Ошибка №10. Хотеть идеальных данных до старта

Проект бесконечно откладывается.

Как понять, что данные готовы для AI

Можно использовать простой тест.

Есть ли ответы на вопросы:

• где находится источник данных;
• кто за него отвечает;
• как часто обновляется;
• насколько он полный;
• насколько он точный;
• есть ли уникальный ID;
• есть ли история;
• можно ли проверить цифру;
• кто имеет доступ.

Если на большинство вопросов есть чёткий ответ, можно переходить к AI-пилоту.

Как Profi Soft готовит компании к AI

В Profi Soft мы начинаем AI-проекты с архитектуры данных.

Сначала изучаем:

• Bitrix24;
• 1С;
• телефонию;
• переписки;
• BI;
• другие системы.

Дальше определяем:

что является источником истины и какие данные реально нужны для выбранного AI-сценария.

После этого строится архитектура:

CRM + 1С + процессы + BI + AI.

Так AI становится частью цифровой системы управления бизнесом, а не отдельным экспериментом.

Что может входить в проект Profi Soft

• аудит данных;
• аудит Bitrix24;
• аудит 1С;
• карта источников;
• поиск дублей;
• нормализация справочников;
• интеграция CRM и 1С;
• подготовка витрин данных;
• BI;
• настройка прав;
• AI-пилот;
• контроль качества;
• регламент работы с данными.

Что получает руководитель

Руководитель получает не просто «готовность к AI».

У компании появляется более качественная управленческая система.

Становится понятно:

• где находятся данные;
• кто за них отвечает;
• какие цифры правильные;
• какие показатели можно автоматизировать.

То есть подготовка к AI сама по себе улучшает управляемость бизнеса.

Главный вывод

AI не начинается с нейросети.

AI начинается с данных.

Чтобы получить качественный результат, компании нужно:

определить бизнес-задачу → найти нужные данные → очистить их → связать системы → определить источник истины → настроить права → проверить качество.

И только потом подключать AI.

Правильная архитектура выглядит так:

Bitrix24 + 1С + другие системы → единый слой данных → BI → AI.

Чем качественнее этот фундамент, тем полезнее AI.

И наоборот:

если фундамент слабый, даже самая современная нейросеть будет давать красивые, но ненадёжные ответы.

Закажите аудит готовности данных к AI

Если компания хочет внедрять:

• AI-помощника руководителя;
• AI-анализ продаж;
• AI-финдиректора;
• анализ звонков;
• прогнозирование;
• AI-retention,

начинать стоит с данных.

Команда Profi Soft поможет определить:

• какие данные уже есть;
• чего не хватает;
• где есть дубли и ошибки;
• какие системы нужно связать;
• какой AI-сценарий можно запустить первым.

По итогам можно сформировать:

• карту данных;
• архитектуру;
• список проблем качества;
• приоритеты интеграции;
• roadmap AI-внедрения.

Оставьте заявку на аудит. Мы покажем, насколько ваши данные готовы к AI и что нужно изменить, чтобы AI действительно помогал управлять бизнесом, а не просто генерировал красивые ответы.

Чек-лист готовности данных к AI

Проверьте, есть ли у вашей компании:

• понятная бизнес-задача для AI;
• карта источников данных;
• определённые master-системы;
• уникальные ID клиентов;
• уникальные ID заказов;
• очищенные дубли;
• единые справочники;
• корректные даты;
• история изменений;
• качественная CRM;
• качественные данные 1С;
• связанные звонки;
• связанные переписки;
• структурированные документы;
• единая методика KPI;
• data dictionary;
• права доступа;
• защита чувствительных данных;
• владельцы данных;
• процесс контроля качества.

Если половина пунктов отсутствует, это не означает, что AI внедрять нельзя. Это означает, что начинать нужно с подготовки фундамента.

Часто задаваемые вопросы

Нужно ли сначала идеально очистить все данные?

Нет. Лучше подготовить данные под конкретный AI-сценарий и затем постепенно расширять контур.

Можно ли внедрять AI без хранилища данных?

Да. Для небольших проектов достаточно прямых интеграций или подготовленных витрин.

Нужно ли обязательно связывать Bitrix24 и 1С?

Не для каждого сценария, но для задач, связанных с продажами, оплатами, маржой и историей покупок, это обычно значительно повышает качество анализа.

Как понять, какая система должна быть источником истины?

Для каждого типа данных выбирается одна master-система. Например, коммуникации — CRM, а себестоимость — 1С.

Можно ли использовать Excel?

Да, но лучше не делать его единственным операционным источником критичных данных.

Нужны ли исторические данные?

Для прогнозов, churn-аналитики и поиска закономерностей — да, история особенно важна.

Как подготовить звонки для AI?

Нужны качественные записи, транскрипция и связь с конкретным клиентом или сделкой.

Как защитить данные?

Через права доступа, минимально необходимый доступ, журналирование и разделение чувствительных данных.

С чего начать подготовку?

С одного бизнес-вопроса и аудита того, какие данные нужны для ответа на него.

Когда можно запускать первый AI-пилот?

Когда для выбранного сценария есть достаточно полные, проверяемые и связанные данные.