Как с помощью AI найти причины, почему клиенты не покупают

В CRM закрытая сделка часто имеет короткую причину: «дорого», «неактуально», «выбрали конкурента». Но между первым звонком и этим статусом могло произойти гораздо больше: менеджер не уточнил потребность, слишком рано перешёл к цене, пропустил возражение или не договорился о следующем контакте.

AI-аналитика продаж помогает проверять такие ситуации на большом массиве разговоров. Система транскрибирует звонки, находит повторяющиеся темы и возражения и сопоставляет их с результатом сделки. Вместо вывода «клиенты не покупают из-за цены» бизнес может проверить, в скольких проигранных сделках цена действительно была основным conversion blocker.

Почему причины отказов сложно найти вручную

Менеджер помнит отдельные разговоры. Head of Sales может прослушать выборку записей. CRM показывает финальный статус. Ни один из этих источников по отдельности не даёт полной картины.

Если команда проводит 5 000 звонков в месяц, а руководитель проверяет 100, вручную анализируется только 2% разговоров. Даже качественная выборка может не показать проблему, которая повторяется в другом сегменте или на конкретном этапе sales funnel.

Вторая проблема — субъективная оценка. Один менеджер указывает «дорого», второй — «нет бюджета», третий — «подумает». Для win-loss analysis это могут быть разные категории, хотя за ними стоит одна и та же причина.

Поэтому анализ причин отказов стоит строить на единой системе тегов и сопоставлять содержание разговора с фактическим результатом сделки.

Как AI анализирует разговоры с клиентами

Базовый процесс начинается с call transcription. Speech-to-text преобразует запись в текст и, в зависимости от системы, разделяет реплики менеджера и клиента.

Далее AI-анализ звонков может работать с несколькими типами сигналов.

Возражения и ключевые фразы

Keyword spotting находит слова и фразы вроде «дорого», «нужно согласовать», «уже работаем с другим поставщиком». Более сложный objection detection группирует разные формулировки по смыслу.

Например, «не закладывали бюджет», «вернёмся к этому в следующем квартале» и «сейчас нет средств» можно анализировать как разные проявления возражения, связанного с бюджетом.

Sentiment и изменение интереса

Sentiment analysis можно использовать как дополнительный сигнал для поиска моментов, когда реакция клиента меняется. Но один sentiment score не объясняет причину проигрыша сделки.

Негативная реакция после озвучивания цены ещё не доказывает, что проблема именно в цене. Клиент мог до этого не понять ценность продукта. Поэтому customer intent analysis и sentiment стоит рассматривать вместе с контекстом разговора и данными CRM.

Какие причины потери продаж можно искать

Speech analytics становится полезной, когда система ищет конкретные паттерны.

Например, можно сравнить выигранные и проигранные сделки и проверить:

• как часто менеджер переходит к презентации до завершения discovery;

• после каких формулировок чаще всего возникают ценовые возражения;

• получает ли клиент ответ на своё возражение;

• договариваются ли стороны о конкретном следующем шаге;

• какие вопросы регулярно возникают перед отказом.

Исследование 2026 года на 5 183 B2B sales calls показало, что успешные и неуспешные разговоры отличались структурой переходов между discovery, value proposition, objection handling, confirmation и closing. Это хороший пример того, почему при анализе разговоров с клиентами важно смотреть не только на отдельные слова, но и на последовательность этапов.

Как AI помогает sales, support и marketing

Для sales-команды conversation intelligence может показать, какие возражения менеджеры пропускают и на каком этапе чаще всего теряется клиент. Эти данные можно использовать для sales coaching AI и проверки скриптов продаж.

Support видит повторяющиеся проблемы действующих клиентов. Если одна и та же тема регулярно возникает после продажи, её можно учитывать ещё на этапе презентации продукта.

Marketing получает реальные формулировки клиентов. Если реклама обещает одно преимущество, а во время звонков люди постоянно спрашивают о другом, это сигнал проверить ICP, посадочную страницу и рекламные сообщения.

Так customer experience analytics связывает разговоры с решениями разных команд.

Как проверить, действительно ли найденная причина влияет на продажи

Сам по себе AI-отчёт ещё ничего не оптимизирует. Найденный паттерн нужно сопоставить с результатами в CRM.

Допустим, за месяц система проанализировала 1 000 sales calls. В 240 разговорах клиенты поднимали вопрос цены. 150 таких сделок были проиграны.

На первый взгляд, главная проблема — цена. Но дополнительный анализ показывает, что в 110 из этих 150 проигранных разговоров менеджер озвучил стоимость до того, как зафиксировал потребность клиента.

Тогда гипотеза меняется: проверять нужно не только цену, но и момент её презентации.

Команда меняет скрипты продаж, проводит coaching и сравнивает следующие 1 000 звонков. Если доля сделок, потерянных после такого сценария, сокращается, появляется аргумент в пользу изменения процесса.

Какие метрики стоит связать с AI-аналитикой

Sales analytics должна объединять данные разговоров с показателями воронки. В первую очередь стоит смотреть на conversion rate и win rate в разрезе конкретных возражений.

Например:

Без возражения по цене: 120 wins / 400 opportunities = 30% win rate.

С ценовым возражением: 30 / 200 = 15% win rate.

Дальше этот сегмент можно разделить по менеджерам, продуктам, GEO или этапам воронки.

Таким же образом можно анализировать average deal size, lead-to-call conversion и причины проигрыша сделок. При использовании lead scoring AI полезно проверять, действительно ли признаки, которым модель присваивает высокий балл, связаны с последующими продажами.

Как внедрить AI-аналитику без хаоса

Начинать со всех звонков и десятков показателей необязательно. Для первой проверки можно взять 200–500 выигранных и проигранных разговоров за один период и по одному продукту.

Сначала определяют 5–10 категорий: price, timing, competitor, missing feature, no decision, qualification, objection handling. Затем автоматический анализ звонков распределяет разговоры по этим категориям, а команда вручную проверяет часть результатов.

Следующий шаг — AI в CRM или другая интеграция, которая позволяет сопоставить найденный сигнал со статусом сделки. Именно здесь становится видно, какие паттерны связаны с wins и losses.

После этого инсайты распределяются между ответственными командами: sales меняет coaching, marketing проверяет сообщения, product получает повторяющиеся запросы, support — проблемы, возникающие после продажи.

Почему качество телефонии влияет на AI-анализ

AI работает с тем аудио, которое получает на входе. Фоновый шум, обрывы, наложение голосов и другие проблемы с качеством звонка могут ухудшить транскрипцию. Ошибка в транскрипте затем влияет на keyword spotting, objections analysis и другие результаты.

DID Global не предоставляет собственный сервис AI-анализа разговоров. Компания обеспечивает телефонную инфраструктуру для международных звонков: виртуальные номера, SIP Trunk, Облачную АТС и другие инструменты для корпоративной телефонии.

Записи и данные звонков можно использовать как входные данные для внешних AI-решений, если это поддерживается выбранной конфигурацией и интеграцией.