Как Авито научили искусственный интеллект продавать лучше людей
Привет, Пикабу! Хочу рассказать про офигенный кейс от Авито, как они с помощью машинного обучения в три раза повысили эффективность своего отдела продаж. История реальная, результаты впечатляющие.
Начнём с проблемы, которая знакома всем
Представь: ты работаешь менеджером по продажам в большой компании. У тебя в базе десятки тысяч клиентов. Каждый день нужно кому-то звонить, что-то предлагать, продавать. Но вот незадача — времени на всех не хватает, а понять, кому именно звонить и что предлагать, просто нереально.
Обычно в таких ситуациях менеджеры действуют по одному из сценариев:
Звонят всем подряд с одинаковым предложением
Придумывают "сезонные акции" типа "скидка к 23 февраля"
Работают по наитию — "а давайте крупным клиентам предложим то, маленьким это"
Результат предсказуемый — куча времени потрачено, а толку мало. ROI стремится к нулю, менеджеры выгорают, руководство недовольно.
Что происходило в Авито до внедрения системы
В коммерческом департаменте Авито работали сотни менеджеров, которые каждый день общались с тысячами продавцов. Основная задача — продать рекламу и услуги продвижения.
Проблема была в том, что невозможно лично знать каждого из десятков тысяч клиентов. Менеджеры пытались подстроиться: маленьким предпринимателям предлагали одно, крупным компаниям — другое. Но это всё равно были общие шаблоны.
Например, приходит весна — давайте всем садоводам предложим рекламу семян. Приближается учебный год — пора звонить тем, кто продаёт канцтовары. Логично, но слишком примитивно.
Главная беда такого подхода в том, что ты не знаешь, а что было бы, если бы ты вообще не звонил клиенту. Может, он и так бы купил рекламу на ту же сумму? Или наоборот — без твоего звонка вообще ничего не купил бы?
Менеджеры считали свою эффективность просто: была выручка клиента до звонка 10 тысяч, стала после звонка 50 тысяч — значит, я заработал для компании 40 тысяч. Но это неправильная логика.
Как решили проблему с помощью машинного обучения
В Авито решили подойти к вопросу научно. Руководитель аналитики коммерческого департамента Роман Захаров (кстати, выпускник МГУ и бывший сотрудник Яндекса) предложил создать систему, которую назвали красивым словом "Автотаскинг".
Основная идея простая: давайте научим компьютер предсказывать, какой будет эффект от каждого конкретного предложения каждому конкретному клиенту.
Для этого создали ML-модель, которая учитывает:
Характеристики клиента (размер бизнеса, история покупок, активность)
Тип предложения
Множество других факторов
Модель отвечает на главный вопрос: насколько больше денег потратит этот клиент, если ему позвонить с этим предложением, по сравнению с тем, если ему вообще не звонить.
Как это работает на практике
Представь, что ты менеджер и завтра нужно работать. Раньше ты сам решал, кому звонить, что предлагать, как аргументировать.
Теперь утром ты открываешь систему, а там готовый план:
Клиент #1: ИП Иванов, продаёт автозапчасти
Предложение: скидка 20% на продвижение объявлений
Аргументация: сейчас сезон ремонта, конкуренция высокая
Приоритет: высокий
Прогнозируемый эффект: +15 тысяч рублей выручки
Клиент #2: ООО "Мебель Люкс"
Предложение: пакет премиум-размещения
Аргументация: без продвижения теряете 30% трафика конкурентам
Приоритет: средний
Прогнозируемый эффект: +8 тысяч рублей выручки
И так далее. Система выдаёт ровно столько задач, сколько менеджер может обработать за день.
Самое сложное — собрать правильные данные
Чтобы обучить такую модель, нужны качественные данные. И тут началось самое интересное.
Недостаточно просто взять историю звонков и продаж. Нужно понимать, что произошло бы, если бы звонка не было. Для этого пришлось проводить настоящие эксперименты.
Клиентов случайным образом делили на две группы:
Тестовая группа — им звонили с предложениями
Контрольная группа — им не звонили
Потом сравнивали результаты и считали реальный эффект от работы менеджеров.
Но тут вылезла неожиданная проблема: оказалось, что больше половины клиентов вообще не берут трубку. Как оценить эффективность звонка, если звонка по факту не было?
Пришлось создавать дополнительную модель, которая предсказывает вероятность дозвона. И уже с учётом этого корректировать эксперименты.
Результаты превзошли все ожидания
После внедрения системы получили дикие результаты:
Эффективность работы менеджеров выросла в 2,8 раза. То есть каждый звонок стал приносить почти в три раза больше дополнительной выручки.
70% предложений теперь генерируется автоматически. Менеджерам не нужно думать, что предлагать — система всё решает за них.
Обрабатывают только 40% клиентской базы, но получают тот же результат, что раньше с полной базой. Огромная экономия времени и ресурсов.
Представляете? Система научилась выбирать именно тех клиентов, которым действительно полезно предложение, и отсекать тех, кто всё равно ничего не купит или купит без звонка.
Почему это работает лучше человека
Человеческий мозг просто не способен учесть сотни факторов одновременно. Менеджер может помнить, что клиент крупный, что у него сезонный бизнес, что он недавно жаловался на конкурентов. Но он не может одновременно анализировать поведение тысяч похожих клиентов и находить скрытые закономерности.
ML-модель может. Она видит паттерны, которые человек никогда не заметит:
Клиенты с такими-то характеристиками лучше реагируют на такие-то предложения
В определённые дни недели конверсия выше
После определённых действий клиенты более склонны покупать
Plus модель постоянно учится на новых данных и становится точнее.
Неожиданные проблемы и их решения
В процессе внедрения вылезло много неочевидных сложностей:
Проблема №1: Даже в контрольной группе (которой не должны были звонить) менеджеры иногда сами инициативно звонили клиентам. Это портило чистоту эксперимента.
Решение: Научились выделять группы клиентов с одинаковой вероятностью получить звонок и сравнивать именно их.
Проблема №2: Сложно было понять, сколько времени должно пройти после звонка, чтобы оценить его эффект. Слишком мало — не все покупки учтутся, слишком много — влияет куча других факторов.
Решение: Остановились на 30 днях после звонка и научились корректно атрибутировать эффект именно на этот звонок.
Проблема №3: Как убедить менеджеров работать по новой системе, а не по старым привычкам?
Решение: Показали конкретные цифры эффективности и дали возможность сравнить результаты.
Что это означает для будущего продаж
Этот кейс показывает, куда движутся продажи в крупных компаниях. Скоро человек будет заниматься только общением с клиентами, а все аналитические задачи возьмёт на себя искусственный интеллект.
Представьте продажника будущего:
Он не думает, кому звонить — система выбирает
Он не придумывает, что предлагать — система генерирует
Он не гадает, как аргументировать — система подсказывает
Он просто звонит и общается, используя всю мощь данных и аналитики
Звучит как фантастика, но в Авито это уже реальность.
Выводы
Главный урок этой истории: данные и аналитика могут кардинально изменить эффективность любого бизнес-процесса. Но для этого нужно:
Правильно формулировать задачу. Не "как продать больше", а "как понять, кому и что продавать".
Собирать качественные данные. Недостаточно просто логировать действия — нужно проводить эксперименты.
Решать операционные проблемы. Самая крутая модель не поможет, если её невозможно внедрить в реальные процессы.
Не бояться автоматизации. Система не заменяет менеджеров, а делает их суперэффективными.
Авито показали, что даже в такой "человеческой" сфере как продажи можно применить машинное обучение и получить фантастический результат.
А какие процессы в вашей компании можно было бы оптимизировать с помощью данных и ML? Пишите в комментариях, обсудим!
Статья основана на докладе Романа Захарова о системе Автотаскинг в Авито
Больше интересного https://t.me/vladimirexp