Делаю AI-агента для маркетинга 2. Почему все сломалось на CRM

В первой части я писал, что идея проекта родилась не из интереса к AI как таковому, а из попытки честно посчитать маркетинг в проекте с длинным циклом сделки.

Тогда мне казалось, что главная задача впереди - научить систему анализировать маркетинг, видеть закономерности и принимать решения лучше человека.

На практике все сломалось намного раньше. Не на модели, не на логике оптимизации, не на интеграциях. Все сломалось на CRM.

Изначально задача была вполне прикладной.

Я хотел собрать реальную окупаемость маркетинга за прошлый год - и в целом, и по отдельным каналам. Параллельно хотел понять текущую картину по длине сделки: как быстро лиды реально доходят до продажи и на какие сроки вообще можно опираться в аналитике.

Когда начал разбирать это руками, вскрылась важная вещь: продажи в моем кейсе шли не равномерно, а тремя волнами

Если ты смотришь только на лиды или даже на короткий хвост по продажам, ты просто не видишь значимую часть реального результата, а значит, можешь делать неправильные выводы по каналам, подрядчикам и качеству трафика (это не новость и не инсайт, но некоторые почему-то не учитывают когорты в своей работе).

Что я ожидал увидеть в нормальной системе

Чтобы считать такую аналитику без боли, мне были нужны довольно базовые вещи:

То есть не что-то космическое.

По сути я хотел получить внятный ответ на несколько простых вопросов:

Но на практике оказалось, что система не дает даже нормальной базы для таких ответов.

Самая болезненная проблема была очень простая: отсутствовали структурированные данные, не было нужных обязательных полей, часть ключевой информации вообще не фиксировалась как данные.

Многое жило только в комментариях к карточке. А комментарий - это удобно для человека, но почти бесполезно для нормальной аналитики. Например, оценка качества лида могла быть описана текстом в карточке, а могла не быть описана вообще.

Причина отказа могла быть написана в свободной форме, а могла не быть зафиксирована.

Часть маркетинговых данных иногда тоже терялась - например, метки со звонков не всегда пробрасывались корректно и фактически тоже уезжали в комментарии.

Отдельная проблема была в дисциплине ведения воронки. Иногда карточка заявки перескакивала из дозвона сразу в бронь.

В реальности между этими точками, скорее всего, были и квалификация, и показы, и промежуточные контакты - просто это не было зафиксировано как система.

И вот в этот момент становится очевидно: проблема не в том, что данных мало, а в том, что им нельзя доверять.

Пока ты смотришь на CRM как на место, где просто что-то записывают, все это кажется терпимым, но как только ты пытаешься строить на этих данных аналитику, автоматизацию или AI, все начинает ломаться.

Потому что если:

то любая красивая аналитика сверху будет очень условной.

А AI в такой системе не исправит проблему, он просто будет быстрее анализировать хаос.

Это, наверное, и был главный вывод второго этапа работы: плохие данные нельзя додумать моделью.

Я хотел строить умного маркетингового агента, но до этого нужно было сначала пересобрать саму систему сбора данных.

Не просто немного поправить CRM и попросить менеджеров вести аккуратнее, а именно заново продумать архитектуру.

Стало понятно, что без этого нельзя надежно считать ни окупаемость, ни конверсии, ни качество трафика, ни реальные точки потерь в воронке.

После этого у меня довольно быстро сложился базовый список требований к нормальной CRM-архитектуре для такого проекта.

Нужны были:

Для маркетингового агента мало просто видеть сделки и контакты.

Ему нужны реальные сущности, на которых держится аналитика и оптимизация: источники, кампании, объявления, ключевые слова, площадки, этапы воронки, причины потерь, оценки качества лида, статусы квалификации и реальные точки перехода по воронке.

Именно тогда стало понятно, что проект надо начинать не с ума, а со структуры.

AI не исправит плохие данные.

Более того, если данные ненадежны, он будет оптимизировать кампании хуже человека, а не лучше. Потому что начнет принимать решения на основе кривой картины мира.

Поэтому в маркетинге путь к нормальной автоматизации начинается не с модели.Он начинается с архитектуры данных.

Сначала ты строишь систему, в которой данным можно доверять и только потом поверх нее имеет смысл строить аналитику, автоматизацию и AI.

Именно на этом этапе мне стало понятно, какие сущности реально нужны агенту и как вообще должна выглядеть система, на которой он может работать не как игрушка, а как полезный инструмент.

Об этом и будет следующая часть.

В ней разберу, какие именно сущности я в итоге считаю базовыми для маркетингового агента и почему связки сделки + контакты для такой задачи вообще недостаточно.

P.S. Если у вас похожая ситуация - CRM вроде есть, лиды есть, а нормально понять, где именно разваливается воронка, невозможно, значит проблема, скорее всего, не в количестве данных, а в их структуре.

И это как раз тот этап, где можно быстро получить реальную пользу: понять, на каком конкретно этапе затык, какие данные у вас не собираются, что именно мешает нормальной аналитике и что нужно чинить в первую очередь.

P.P.S. Если у вас похожая ситуация с CRM и аналитикой — можете написать мне в Telegram
Могу посмотреть вашу воронку и подсказать, где теряются данные и деньги.