Сегодня бизнес всё активнее использует современные технологии, чтобы сэкономить время и ресурсы. Если раньше менеджеры вручную мониторили цены конкурентов, подбирали условия для каждого клиента и готовили коммерческие предложения (КП), то теперь значительную часть этих задач можно автоматизировать с помощью искусственного интеллекта.
Особенно перспективным направлением стала работа с большими языковыми моделями (LLM) в связке с аналитическими методами. Такой подход позволяет не просто ускорить подготовку документов, но и сделать их максимально персонализированными, а это напрямую влияет на конверсию и лояльность клиентов.
Какие задачи можно автоматизировать
отделах продаж есть целый набор повторяющихся операций, которые идеально подходят для автоматизации:
- Сегментация клиентов по истории покупок, объёму заказов, частоте обращений и чувствительности к цене.
- Формирование текста КП с учётом предпочтений клиента: любимые товары, часто заказываемые категории, диапазон бюджета.
- Подготовка прайс-оферов с оптимальной скидкой, условиями оплаты и доставки.
- Адаптация стиля коммуникации под конкретный сегмент — от формального до дружелюбного.
- Интеграция с CRM или ERP, чтобы подставлять актуальные данные и запускать рассылки в один клик.
Как это работает: от данных до готового документа
1. Сбор и подготовка данных
Любая автоматизация начинается с качественных данных.
Сначала агрегируется история покупок клиента: список артикулов, объёмы, даты заказов, каналы продаж, средний чек и «время жизни» клиента в компании.
Затем рассчитывается ценовая чувствительность — насколько клиент реагирует на скидки по конкретным товарам или категориям.
Это помогает выделить сегменты:
- «ценочувствительные» — реагируют на акции и скидки;
- «лояльные» — готовы покупать без значительных ценовых стимулов.
На основе этих данных создаётся краткое текстовое резюме профиля клиента, которое потом передаётся в LLM.
2. Архитектура генерации: RAG + LLM
Чтобы коммерческое предложение было не просто шаблонным, а действительно «попадало в цель», используется связка RAG (Retrieval—Augmented Generation) и LLM. Такой подход позволяет подмешивать в генерацию актуальные факты о клиенте и бизнес-правила компании.
2.1. Поиск данных (Retrieval)
- Профили клиентов сохраняются в векторном хранилище в виде эмбеддингов.
- При запросе система извлекает топ‑K фактов о клиенте: историю покупок, сегмент, последние обращения, ценовую чувствительность.
2.2. Формирование промта
- Создаётся системный шаблон, например:
- «Ты – менеджер по продажам, формируешь КП для клиента {Имя}. У него история: {список SKU, объёмы, даты}. Он часто заказывает {категории}, предпочитает бюджет в диапазоне {min}–{max}. Рекомендуемая маржа — {значение}».
- В шаблон подставляются динамические поля:частые SKU;
рекомендуемые новые позиции;
целевая маржа;
условия оплаты и доставки. - Добавляются примеры удачных КП из прошлых кейсов, чтобы модель ориентировалась на стиль и структуру.
2.3. Генерация текста
- Модель формирует заголовок, блок с оферами, условия по срокам, скидкам и доставке.
- Проводится автоматическая проверка на соответствие бизнес-правилам: минимальная маржа, максимальный допустимый дисконт.
2.4. Пост-обработка
- В текст подставляются реальные ссылки, артикулы, изображения и графические блоки из BI-систем.
- Формируется финальный документ, готовый к отправке клиенту.
Пример персонализации в КП:
Если клиент часто покупает профессиональные шампуни и реагирует на скидки в категории «уход за волосами», модель может предложить:
«В дополнение к вашим любимым шампуням мы подготовили специальное предложение на маски и сыворотки для волос с 20% скидкой при заказе до конца месяца».
3. Автоматизация и интеграция
В CRM можно добавить кнопку «Сгенерировать КП». При её нажатии система обращается к API LLM, получает готовый документ и сохраняет его вместе с метаданными: временем генерации, уровнем уверенности модели и т.д.
Далее настраиваются триггеры рассылки: например, при появлении нового прогноза или приближении к лимиту скидки.
4. Оценка эффективности и улучшения
Чтобы понять, насколько автоматизация работает, отслеживаются ключевые метрики:
- открываемость и кликабельность писем;
- конверсия в заказы и средний чек;
- прирост показателей по сравнению с контрольной группой.
На основе обратной связи от менеджеров и клиентов промты дорабатываются, а модель дообучается.
Заключение
Использование больших языковых моделей в сочетании с RAG‑подходом позволяет создать по сути «виртуального продавца» — интеллектуального помощника, который формирует по‑настоящему персонализированные и экономически обоснованные коммерческие предложения на основе аналитики продаж и детальных профилей клиентов. Такой инструмент ускоряет процессы продаж, повышает конверсию и обеспечивает более точное попадание в потребности каждого заказчика.
Возможности LLM‑модуля легко масштабируются: он может быть интегрирован, например, в формат чат‑бота, способного оперативно отвечать на вопросы клиентов. Однако в рамках этой статьи мы сосредоточились именно на автоматизации подготовки КП, оставив этот популярный сценарий за рамками обзора.
Помимо очевидных преимуществ, скорости и персонализации, внедрение LLM с RAG‑подходом даёт бизнесу и стратегические выгоды:
- Адаптивность: «виртуальный продавец» автоматически учитывает любые изменения в клиентской базе и на рынке, мгновенно корректируя оферы и условия — от динамики цен до оптимального набора товаров в B2B‑предложении.
- Сквозная интеграция: связка с ERP/CRM и BI‑платформами позволяет не только генерировать КП, но и отслеживать их эффективность в реальном времени, сопоставляя просмотры и клики с последующими заказами. Эти данные возвращаются в цикл дообучения модели, повышая её точность.
- Тиражирование лучших практик: LLM с векторным хранилищем знаний помогает быстро распространять удачные решения по разным сегментам и регионам, уменьшая рутинную работу менеджеров и освобождая им время для стратегических задач.
Перспективы применения не ограничиваются только подготовкой предложений. LLM с RAG‑подходом можно интегрировать с системами автозаказа, которые будут автоматически контролировать остатки на складах, формировать краткие сводки по ключевым товарам и бизнес‑метрикам (оборачиваемость, уровень сервиса), Это позволит заранее выявлять риски — например, задержки поставок или изменения а также анализировать текстовые отчёты поставщиков. условий — и оперативно уведомлять ответственных сотрудников.
В итоге внедрение ИИ, в данном случае LLM с RAG‑подходом — это не просто технологическое улучшение, а шаг к построению интеллектуальной, адаптивной и самообучающейся системы продаж, которая объединяет аналитику, автоматизацию и персонализацию в единую экосистему.