Продажи / Pipeline value
Как посчитать pipeline с ИИ: формула и контроль прогноза
Pipeline value — это сумма ожидаемой стоимости всех активных сделок. Базовая формула: сумма (сумма сделки × вероятность закрытия). ИИ улучшает этот расчёт, предсказывая вероятность закрытия каждой сделки на основе исторических данных и текущих сигналов, а также выявляя риски и аномалии.
Проблема
Почему это важно
Без точного расчёта pipeline менеджеры и руководители не видят реальную картину будущей выручки. Они ориентируются на общую сумму сделок в воронке, которая часто завышена, потому что включает сделки с низкой вероятностью закрытия. Это приводит к ошибкам в планировании ресурсов, бюджета и прогнозов для инвесторов.
Почему возникает
- Ручной расчёт вероятности закрытия сделки основан на интуиции менеджера, а не на данных.
- Данные о сделках разрознены в CRM, таблицах и почте, их сложно собрать в единую картину.
- Отсутствие регулярного обновления вероятностей при изменении стадии сделки или поведения клиента.
Риски и потери
- Переоценка будущей выручки ведёт к неверному найму, закупкам и кассовым разрывам.
- Недооценка pipeline приводит к упущенным возможностям и нехватке ресурсов для закрытия сделок.
- Непрозрачность прогноза снижает доверие руководства и инвесторов к отчётам.
Что влияет на результат
- Сумма сделки
- Вероятность закрытия сделки
- Стадия сделки
- Историческая конверсия по стадиям
- Активность клиента (ответы, встречи, документы)
- Срок сделки и длительность цикла
Типичные ошибки ручного подхода
- Менеджеры завышают вероятность, чтобы показать хороший результат.
- Вероятности не пересматриваются при изменении стадии или поведения клиента.
- Сумма сделки берётся без учёта скидок и допродаж.
- Не учитываются сделки, которые застряли на одной стадии дольше обычного.
Определение
Что важно понимать
Pipeline
Совокупность всех активных сделок на разных стадиях воронки продаж.
Показывает потенциальную выручку и загрузку отдела продаж.Pipeline value
Суммарная ожидаемая стоимость сделок с учётом вероятности закрытия.
Даёт реалистичную оценку будущей выручки для планирования.Вероятность закрытия сделки
Оценка шанса, что сделка успешно завершится сделкой.
Ключевой фактор в расчёте pipeline value; ИИ повышает точность этой оценки.Данные
Какие данные нужны
Данные о сделках
Основа для расчёта pipeline value: суммы, стадии, даты.
- Название сделки
- Сумма сделки
- Стадия
- Дата создания
- Ожидаемая дата закрытия
- Менеджер
Исторические данные о закрытых сделках
Для обучения модели прогнозирования вероятности закрытия.
- Сумма сделки
- Стадия на каждом этапе
- Длительность цикла
- Исход (выиграна/проиграна)
- Количество взаимодействий с клиентом
Данные о активности клиента
Сигналы для ИИ: ответы на письма, посещения, демо.
- Дата последнего контакта
- Количество встреч
- Открытые письма
- Запрошенные документы
Методология
Методика расчёта pipeline value с ИИ
Принципы
- Использовать вероятность закрытия, а не просто сумму сделок.
- Вероятность должна пересматриваться динамически при изменении данных.
- ИИ обучается на исторических данных и учитывает множество факторов, а не только стадию.
- Прогноз должен быть прозрачным: объяснимым и проверяемым.
Допущения
- Данные о сделках и исторических исходах доступны в структурированном виде.
- Исторические данные репрезентативны для текущих условий рынка.
- ИИ-модель может быть обучена на достаточном объёме данных (минимум несколько сотен сделок).
Ошибки
- Использовать одинаковую вероятность для всех сделок на одной стадии без учёта индивидуальных факторов.
- Не обновлять вероятности при изменении поведения клиента.
- Игнорировать аномалии, например, резкое падение активности по сделке.
- Рассчитывать pipeline только вручную в Excel без автоматизации.
Роль ИИ
Как ИИ решает задачу
Прогнозирование вероятности закрытия сделки
Данные на входе: Сумма сделки, Стадия, Историческая конверсия по стадиям, Активность клиента, Длительность цикла
Что делает модель: Обучается на исторических данных и предсказывает вероятность успешного закрытия для каждой активной сделки.
Результат: Вероятность в процентах для каждой сделки.
Как используется: Система использует вероятность для расчёта pipeline value и приоритизации сделок.
Выявление аномалий в pipeline
Данные на входе: Текущие значения pipeline по менеджерам, стадиям, периодам, Исторические тренды
Что делает модель: Сравнивает текущие показатели с историческими и выявляет резкие отклонения.
Результат: Список аномалий с указанием степени отклонения.
Как используется: Руководитель получает уведомления о сделках, которые требуют внимания.
Приоритизация сделок для менеджеров
Данные на входе: Прогнозные вероятности, Сумма сделки, Оставшееся время до закрытия
Что делает модель: Ранжирует сделки по ожидаемой ценности и срочности.
Результат: Список сделок в порядке приоритета.
Как используется: Менеджер фокусируется на самых перспективных сделках.
Разбор
Как это работает
- 1
Вход: данные о сделках из CRM (сумма, стадия, даты). Действие: система собирает и нормализует данные. Результат: единая таблица сделок.
- 2
Вход: исторические данные о закрытых сделках. Действие: модель обучается на этих данных, выявляя закономерности. Результат: модель прогнозирования вероятности.
- 3
Вход: текущие данные о сделках. Действие: модель предсказывает вероятность закрытия для каждой сделки. Результат: список вероятностей.
- 4
Вход: вероятности и суммы сделок. Действие: система рассчитывает pipeline value как сумму (сумма × вероятность). Результат: общий pipeline value.
- 5
Вход: текущий pipeline value и исторические значения. Действие: система сравнивает и выявляет аномалии. Результат: уведомления о рисках.
- 6
Вход: прогнозные вероятности и суммы. Действие: система ранжирует сделки по приоритету. Результат: список приоритетных сделок для менеджеров.
- 7
Вход: изменения в сделках (новая активность, смена стадии). Действие: система пересчитывает вероятности и pipeline value. Результат: обновлённый прогноз.
Расчет
Формула расчёта pipeline value
Базовая формула для расчёта pipeline value: сумма по всем активным сделкам произведения суммы сделки на вероятность её закрытия. ИИ уточняет вероятность, но формула остаётся той же.
Pipeline value
PV = Σ (Сумма сделки_i × Вероятность закрытия_i)- Сумма сделки_i — ожидаемая сумма i-й сделки
- Вероятность закрытия_i — вероятность успешного закрытия i-й сделки (от 0 до 1)
Условный пример: Три сделки: 1) 1 000 000 ₽ × 0,7 = 700 000 ₽; 2) 500 000 ₽ × 0,5 = 250 000 ₽; 3) 2 000 000 ₽ × 0,2 = 400 000 ₽. Итого PV = 700 000 + 250 000 + 400 000 = 1 350 000 ₽.
Вероятность может быть задана бизнес-правилом (например, по стадии) или предсказана ИИ-моделью.
Доступная мощность отдела продаж (часы)
Доступная мощность = Количество менеджеров × Рабочие часы в смене × Коэффициент доступности- Количество менеджеров — число сотрудников в отделе продаж
- Рабочие часы в смене — среднее количество рабочих часов в смену
- Коэффициент доступности — доля времени, доступного для работы с сделками (например, 0,7)
Условный пример: Для 5 менеджеров, работающих по 8 часов в день, с коэффициентом доступности 0,7: 5 × 8 × 0,7 = 28 часов доступной мощности в день.
Допущение: Расчёт показывает, сколько часов менеджеры могут уделить работе с сделками.
Прогнозная нагрузка (часы)
Прогнозная нагрузка = Количество сделок × Среднее время на сделку- Количество сделок — ожидаемое число активных сделок
- Среднее время на сделку — среднее время, необходимое для работы с одной сделкой
Условный пример: Если в отделе 120 сделок и среднее время на сделку 0,2 часа, то нагрузка = 120 × 0,2 = 24 часа.
Допущение: Показывает, сколько часов потребуется для обработки всех сделок.
Разрыв между нагрузкой и мощностью (часы)
Разрыв = Прогнозная нагрузка − Доступная мощность- Прогнозная нагрузка — часы, необходимые для работы с сделками
- Доступная мощность — часы, доступные менеджерам
Условный пример: При нагрузке 24 часа и мощности 28 часов разрыв = 24 − 28 = −4 часа (перегрузки нет).
Допущение: Отрицательное значение означает, что мощности хватает; положительное — дефицит.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчёт pipeline value с ИИ и управленческий вывод
- Допущение: Отдел продаж из 5 менеджеров
- Допущение: В CRM 120 активных сделок
- Допущение: Суммы сделок от 100 000 до 3 000 000 ₽
- Допущение: Исторические данные за 2 года
- Допущение: Среднее время на сделку — 0,2 часа
- Допущение: Рабочие часы в смене — 8 часов
- Допущение: Коэффициент доступности — 0,7
ИИ-модель предсказывает вероятности для каждой сделки. Например, сделка на 2 000 000 ₽ на стадии 'переговоры' получает вероятность 0,6, а не 0,5 как раньше. Суммарный pipeline value составил 45 000 000 ₽ вместо 60 000 000 ₽ по старой методике. Доступная мощность: 5 × 8 × 0,7 = 28 часов в день. Прогнозная нагрузка: 120 × 0,2 = 24 часа. Разрыв: 24 − 28 = −4 часа, мощности хватает.Разница в 15 000 000 ₽ — это завышенный прогноз, который вёл к неверному планированию. ИИ показал, что реальный ожидаемый доход ниже, что позволило скорректировать бюджет и ресурсы. Отрицательный разрыв по мощности говорит, что команда справляется с текущей нагрузкой, но стоит следить за изменениями.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогнозная вероятность закрытия сделки
- Сумма сделки
- Оставшееся время до закрытия
- Аномалии в активности клиента
Какие риски учтены
- Сделки с высокой суммой, но низкой вероятностью
- Сделки, застрявшие на одной стадии дольше обычного
- Резкое снижение активности клиента
Какие варианты рассматривались
- Использовать фиксированные вероятности по стадиям (проще, но менее точно)
- Рассчитывать pipeline вручную в Excel (трудоёмко и с ошибками)
ИИ-подход даёт более точный прогноз за счёт учёта множества факторов и автоматического обновления, что позволяет принимать обоснованные управленческие решения.
Если исторических данных мало (менее 100 сделок), ИИ-модель может быть нестабильной, тогда лучше использовать бизнес-правила с ручной корректировкой.
Результат
Что видит пользователь
Дашборд с pipeline value и прогнозом
Общая сумма pipeline value, разбивка по менеджерам, стадиям, динамика за периоды, список аномалий.
Руководитель видит реальную картину и может вовремя скорректировать планы.Уведомления об аномалиях
Сообщения о сделках с резким падением вероятности или застоем.
Менеджер оперативно реагирует на риски.Список приоритетных сделок
Ранжированный список сделок по ожидаемой ценности и срочности.
Менеджер фокусируется на самых перспективных сделках.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и нормализация данных о сделках из CRM
- Обучение и переобучение модели прогнозирования вероятности
- Расчёт pipeline value и его обновление при изменении данных
- Выявление аномалий и отправка уведомлений
Требует настройки
- Настройка интеграции с CRM
- Определение порогов для аномалий (например, отклонение более 20%)
- Настройка ролей и прав доступа к дашборду
Остаётся за человеком
- Принятие решений по сделкам с аномалиями
- Корректировка стратегии продаж на основе прогноза
- Верификация причин аномалий
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить данные о сделках из CRM в Excel
- Назначить вероятности по стадиям вручную (бизнес-правило)
- Рассчитать pipeline value по формуле в Excel
Рабочая система
- Настроить автоматическую выгрузку данных из CRM в базу данных
- Разработать скрипт для расчёта pipeline value по формуле
- Создать дашборд для визуализации
- Настроить уведомления об аномалиях по порогам
Расширенный вариант
- Обучить ИИ-модель на исторических данных для прогнозирования вероятности
- Интегрировать данные о активности клиента (письма, встречи)
- Внедрить сценарный анализ (что если вероятность изменится)
Подготовка
Чек-лист перед запуском
- 1
Определить источники данных о сделках (CRM, таблицы)
- 2
Собрать исторические данные о закрытых сделках за 1-2 года
- 3
Очистить данные от дублей и ошибок
- 4
Настроить интеграцию CRM с аналитической системой
- 5
Определить бизнес-правила для вероятностей (если без ИИ)
- 6
Обучить ИИ-модель на исторических данных
- 7
Настроить дашборд для отображения pipeline value
- 8
Установить пороги для аномалий
- 9
Провести тестовый запуск и сверить с ручным расчётом
- 10
Обучить менеджеров работе с дашбордом
Вывод
Главное
Точный расчёт pipeline value основан на реалистичной оценке вероятности закрытия каждой сделки, которую лучше всего даёт ИИ, обученный на исторических данных.
Основные данные — суммы сделок, стадии, исторические исходы, активность клиента. Ключевой расчёт — сумма (сумма × вероятность).
ИИ прогнозирует вероятность закрытия, выявляет аномалии и приоритизирует сделки, делая прогноз точным и актуальным.
Начните с выгрузки данных о сделках в Excel и назначения вероятностей по стадиям, чтобы получить базовую оценку pipeline value.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как строить обучение вокруг пути: бизнес-проблема -> модель решения -> данные -> автоматизация -> интерфейс -> работающее решение. Этот подход применим и к расчёту pipeline: сначала определяем проблему неточного прогноза, затем строим модель (формула + ИИ), собираем данные, автоматизируем расчёт и выводим в интерфейс.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
Нужно ли программировать, чтобы использовать ИИ для расчёта pipeline?
Нет, не обязательно. Можно начать с простых формул в Excel, а затем использовать готовые инструменты или платформы, которые автоматизируют расчёт и прогнозирование без кода.
Что делать, если у нас мало исторических данных?
При малом объёме данных ИИ-модель может быть нестабильной. Начните с бизнес-правил (вероятности по стадиям) и постепенно накапливайте данные для обучения модели.
Как часто нужно пересчитывать pipeline?
Рекомендуется пересчитывать ежедневно или в реальном времени при изменении данных о сделках, чтобы прогноз всегда был актуальным.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы? Приходите на бесплатный вебинар ReMetod.