ИИ аналитика звонков: кейс внедрения под ваш скрипт и CRM

Почему один человек ОКК — это слепая зона

У одного из наших клиентов было 300-400 звонков в день и один человек в отделе контроля качества. Он сидел над записями целыми днями понедельник-пятница, выбирал вчерашнюю дату и шёл по списку. Звонки за понедельник он разбирал во вторник, итоги попадали к РОПу только в среду. Обратная связь приходила к менеджеру через двое суток, когда сделка уже либо ушла, либо остыла.

Внутри этих 300-400 звонков был сильный перекос: ОКК концентрировался на первичных обращениях, потому что там проще оценить скрипт и приветствие. А вот вторичные разговоры, когда сделка уже в работе у менеджера, почти никто не слушал. Именно на этапе ведения возникала главная проблема — клиент тёплый, но менеджер где-то недокрутил, не дожал возражение, не перезвонил вовремя.

Субъективность оценок ОКК была, но это второстепенно. Главная боль — оценки не были полными и развернутыми. РОП получал чек-лист с галочками, но не понимал, почему именно эта сделка слилась и что конкретно сказать менеджеру на планёрке. Управленческое решение строилось на ощущениях, а не на данных.

Когда у вас 7-14 менеджеров, никакой РОП — как бы тонко он ни чувствовал команду — не может прозрачно объяснить причины конкретного результата месяца. Почему Иван продал на 4 миллиона, а Мария на 1,5 при одинаковом потоке лидов. До ИИ-аналитики ответ был «по ощущению», после — становится конкретным: у Марии 6 неотработанных возражений из 10 и медленная реакция на входящие.

Что даёт ИИ аналитика звонков отделу продаж

ИИ аналитика звонков — это не «прослушка звонков ИИ» в смысле тотального наблюдения, а инструмент контроля качества, который слушает 100% разговоров и подсвечивает то, что важно. Расшифровка сама по себе — это сырьё, а не продукт. Бизнесу нужны не транскрипты, а ответы на вопросы: где мы теряем деньги, какой менеджер работает плохо, какие возражения не отрабатываются.

Анализ звонков с помощью ИИ закрывает три задачи одновременно. Первая — контроль качества: соблюдение скрипта, приветствие, выявление потребности, презентация, следующий шаг. Вторая — обогащение CRM: краткое содержание, теги, поля сделки, рекомендация по клиенту. Третья — операционное управление: РОП получает не 200 расшифровок, а 5-7 рисковых сделок с пометкой «тёплый клиент, менеджер теряет».

Важно отделить ИИ-аналитику от смежных инструментов. Коллтрекинг считает источники звонков и показывает рекламу. CRM-виджет с расшифровкой даёт текст, но не оценку. ИИ для анализа звонков — это уровень выше: он понимает смысл диалога, находит возражения, оценивает теплоту клиента и формирует управленческий сигнал. Покупать одно вместо другого — частая и дорогая ошибка.

Главное отличие нашего подхода от коробочных сервисов в том, что мы не продаём универсальный движок. Мы внедряем систему под ваш скрипт, вашу воронку и поля вашей CRM. У застройщика и у онлайн-школы разные критерии успешного звонка, разная семантика возражений, разная роль менеджера. Шаблонный SaaS этого не учитывает, а кастом — учитывает с первого дня.

Когда внедрение действительно окупается

ИИ аналитика звонков окупается не везде. Если у вас 200 звонков в месяц и стандартный скрипт «здравствуйте, чем могу помочь», вам хватит поминутного SaaS за 1,5-6 рублей. Кастомное внедрение в этом сценарии переплата. Мы честно говорим клиентам: ниже 3000-5000 звонков в месяц можно начинать с коробки, а не с нас.

Решение действительно работает, когда совпадают четыре фактора. Первое — объём от 5000 звонков в месяц, чтобы ОКК физически не справлялся. Второе — высокий средний чек, где одна спасённая сделка окупает месяц аналитики. Третье — нестандартный скрипт с вариативностью: ипотека, проектное финансирование, сложный продукт. Четвёртое — отдел продаж 5-50 менеджеров, где РОП теряет видимость команды.

Отдельный сильный сигнал — если у вас уже есть ОКК-человек, который выгорает от ручной прослушки. Это означает, что процесс контроля качества выстроен, критерии понятны, и вам нужно не «придумать с нуля», а автоматизировать существующее. В таких компаниях пилот заходит за 2-3 недели и сразу даёт измеримый эффект.

Когда не подходит. Шумные записи без CRM, типовой колл-центр со скриптом из 5 строк, ожидание «магии без настройки», требования к real-time подсказкам в моменте звонка без готовности тратить на инфраструктуру. И ещё один сценарий — если вы хотите подменить РОПа ИИ. Не получится. Аналитика даёт прозрачность и сигналы, а решения принимает человек.

Как устроен пайплайн от записи до отчёта

Пайплайн строится так. Первый шаг — забор аудиозаписи из телефонии или CRM. Поддерживаем Mango, UIS, Sipuni, Билайн, МТС, Zadarma, OnlinePBX и нативные записи в amoCRM и Битрикс24. Запись приходит в очередь обработки сразу после завершения звонка, без ручной выгрузки.

Второй шаг — speech-to-text слой. Аудио проходит через ASR и диаризацию: разделение реплик клиента и менеджера, расстановка таймкодов. Здесь мы боролись с реальной проблемой объёма: менеджер мог говорить час, а в карточке сделки уже было 14 предыдущих разговоров на транскрибации. Очереди ломали систему — пришлось отдельно проектировать приоритизацию: новый звонок по тёплой сделке обрабатывается раньше архивного.

Третий шаг — LLM-анализ. На транскрипте отрабатывает цепочка промптов: классификация типа разговора, проверка по чек-листу, извлечение возражений, оценка теплоты клиента, формирование краткого содержания. Каждый критерий считается отдельно и попадает в скоринг. Здесь мы намеренно не привязываемся к конкретной модели — стек обновляется каждые 2-3 месяца, и это часть нашей работы как подрядчика.

Четвёртый шаг — выгрузка результата. Краткое содержание и оценка падают в комментарий сделки в CRM, ключевые поля заполняются автоматически, рисковые сделки попадают в дашборд РОПа с возможностью кликом перейти прямо в карточку. Параллельно из транскрипций мы собираем базу знаний: какие вопросы задают клиенты, как лучшие менеджеры отвечают на возражения. Эта база потом используется для обучения новичков.

Что именно анализирует ИИ в разговоре

Когда мы говорим, что ИИ слушает звонки, имеем в виду конкретный набор критериев. Их собирают вместе с РОПом и ОКК на этапе аудита, потому что универсального чек-листа не бывает. Для застройщика важно «спросил про ипотеку», для онлайн-школы — «выявил цель обучения», для B2B — «зафиксировал ЛПР и бюджет». Шаблонный список из 20 пунктов не работает.

Базовый слой одинаков для всех. Приветствие и представление, выявление потребности, презентация продукта, отработка возражений, фиксация следующего шага. К этому добавляются поведенческие сигналы: длинные паузы, перебивания клиента, токсичные формулировки, стоп-слова, скорость реакции. Эти параметры ИИ ловит лучше человека — он не устаёт и не зевает на 80-м звонке.

Дальше идёт смысловой слой, ради которого всё и затевается. Неотработанное возражение — самый полезный сигнал бизнесу. На первичном этапе у клиентов возражений почти нет, они появляются позже, когда менеджер ведёт сделку. И именно там часть менеджеров теряется. ИИ помечает: возражение прозвучало, ответа не было, клиент попрощался. Это и есть тот сигнал, который РОП должен увидеть в течение часа, а не через двое суток.

Отдельно — оценка теплоты клиента. Это то, что мы перенастроили после пилота. Сначала транскрибировали и оценивали всё подряд, но быстро поняли: внимание РОПа надо направлять не на каждый разговор, а на сделки, где менеджер рискует потерять тёплого. Связка «теплота клиента + риск потери» дала больший эффект, чем тотальный анализ. РОП за день разбирает 5-7 сигналов вместо 300 расшифровок.

Реальные цифры после внедрения

Внедрение шло в комплексе с AI-агентами на первой линии, поэтому отделить эффект только от аналитики звонков сложно — это честно. Но в сумме за 3 месяца после запуска у клиента изменилось следующее. Тёплых клиентов стало на 30% больше, потому что если менеджер чего-то не узнал на звонке, ему подсвечивалось напоминание, а ИИ-агенты до передачи клиента менеджеру собирали и выдавали всю информацию о запросе.

Меньше клиентов уходит в отбой сразу же на первой стадии. До внедрения первичный звонок часто заканчивался формальным «мы вам перезвоним» без квалификации. Теперь первая стадия проходит с полным набором вопросов: бюджет, сроки, локация, цель покупки. К менеджеру лид попадает уже горячим, с пониманием контекста.

100% сделок обрабатывается аналитикой. Это, наверное, главный сдвиг. Плохая или некачественная работа менеджера сразу становится явной — РОП видит сразу, не через двое суток. Если менеджер три дня подряд не фиксирует следующий шаг и пропускает возражения, это попадает в отчёт сегодня вечером, а не в обзор за прошлый месяц.

Скорость реакции менеджера — отдельный пункт. Подсвечивали в оценку оперативность взятия сделки в работу: сколько прошло от поступления лида до первого касания. Это не напрямую аналитика звонков, но шло в одной системе, и результат заметен — горячие лиды перестали остывать в очереди.

Самый неочевидный вывод после первого месяца: причина «почему есть продажи или почему нет, почему одни менеджеры продают, а другие при том же скрипте не продают» стала прозрачной и понятной. До этого РОП объяснял разрыв между лучшим и худшим менеджером интуицией. После — конкретными цифрами по 15 критериям.

Как выглядит разбор одного звонка

Возьмём типовой звонок менеджера застройщика длиной 11 минут. Клиент звонит по двушке в готовом ЖК. Что видит РОП в дашборде через 5-7 минут после окончания разговора.

Таймкод 00:00-00:42 — приветствие и представление. Критерий выполнен. ИИ отмечает: менеджер назвал имя, компанию, уточнил, как обращаться. Балл 1 из 1.

Таймкод 00:42-03:15 — выявление потребности. Критерий выполнен частично. Менеджер спросил про бюджет и сроки, но не уточнил источник финансирования (ипотека или собственные) и состав семьи. Балл 2 из 4. Комментарий ИИ: пропущенный вопрос про ипотеку — типичная причина потери на этапе подбора, потому что без этой информации менеджер показывает не те квартиры.

Таймкод 03:15-07:30 — презентация. Менеджер рассказал про планировку, этажность, отделку. Не упомянул сроки сдачи и инфраструктуру района. Балл 3 из 5. Возражение клиента: «Дороговато». Реакция менеджера: «Это рыночная цена, у нас всё качественно». Возражение помечено как неотработанное — нет аргументации, нет работы с ценностью, нет альтернативы по площади.

Таймкод 07:30-10:45 — следующий шаг. Менеджер предложил приехать на показ, но не назначил конкретную дату. Балл 1 из 2. Итоговый скоринг звонка — 6,2 из 10. Теплота клиента — высокая (озвучил конкретный бюджет, сроки 2-3 месяца, готов смотреть). Решение системы: пометить как рисковую сделку, эскалировать РОПу, рекомендация менеджеру — перезвонить в течение 24 часов с альтернативной планировкой и расчётом ипотеки.

Никакой РОП — как бы тонко он ни чувствовал команду — не может прозрачно объяснить, почему одни менеджеры продают, а другие нет. Это всегда было «по ощущению». С ИИ-аналитикой причина стала прозрачной и понятной.

— Артём Костецкий, основатель MBK-Agent · после года работы с ИИ-аналитикой звонков

Сценарий для недвижимости в amoCRM

Недвижимость — отдельная история, и универсальный сервис здесь чаще мешает, чем помогает. У застройщика средний чек 5-15 миллионов, цикл сделки от 2 недель до полугода, у клиента в голове 5-7 вариантов от конкурентов. Промахнуться на квалификации = потерять лид навсегда. Поэтому критерии ИИ-аналитики настраиваются под воронку девелопера или агентства специально.

Что именно должно попадать в amoCRM из звонка по недвижимости. Поле «Бюджет» — диапазон, который клиент назвал, плюс источник (ипотека, собственные, материнский капитал, продажа текущей квартиры). Поле «Локация» — конкретные ЖК или районы интереса. Поле «Параметры» — количество комнат, площадь, этажность, отделка. Поле «Сроки покупки» — когда планирует выйти на сделку. Поле «Состав семьи» — для понимания мотивации. Поле «Возражения» — список с таймкодами, какие прозвучали и какие отработаны.

Отдельно ИИ ловит специфические сигналы. «Клиент спрашивает срок сдачи дома» — система сверяет с базой ЖК и подсвечивает, если менеджер назвал неточную дату. «Клиент упомянул другой ЖК» — фиксируем конкурента, чтобы РОП видел, с кем сравнивают. «Клиент спрашивает про скидку» — помечаем как сигнал готовности к сделке, эскалируем для решения по индивидуальным условиям.

Этапы воронки в amoCRM при этом размечаются автоматически. Если на звонке клиент назвал бюджет и сроки — сделка переходит на этап «Квалифицирован». Если согласовал просмотр — переходит на «Назначен показ» с задачей менеджеру и автоматическим напоминанием за день. Если возражение прозвучало и не отработано — задача РОПу с пометкой «риск потери», а не молчаливое зависание сделки на этапе.

Как мы запускаем пилот за 2-4 недели

Первая неделя — аудит. Слушаем выборку звонков вместе с РОПом и ОКК, собираем критерии оценки, изучаем текущий скрипт и регламент. Смотрим, какие поля сделки заполняются вручную, что РОП хочет видеть в дашборде, какие сигналы критичны для эскалации. Параллельно подключаемся к телефонии и CRM, проверяем, что записи доступны и соответствуют 152-ФЗ по хранению.

Вторая неделя — настройка пайплайна. Подключаем ASR, настраиваем диаризацию, собираем первую версию промпт-цепочки под ваши критерии. Прогоняем 100-200 исторических звонков, смотрим, где система ошибается, где теряет смысл, где даёт ложно-положительные срабатывания. Это ожидаемая часть — первая версия скоринга всегда требует правок.

Третья неделя — пилот в боевом контуре на одном отделе или одной команде. ИИ обрабатывает все новые звонки, результаты падают в CRM, РОП и ОКК сравнивают с ручной оценкой. Здесь мы донастраиваем критерии — какие-то оказываются избыточными, какие-то нужно добавить. Например, у нашего клиента после первой недели стало понятно, что транскрибация всех разговоров избыточна; важнее связка «теплота + риск потери».

Четвёртая неделя — масштабирование на весь отдел и обучение команды. РОП учится читать дашборд, менеджеры — работать с рекомендациями ИИ по клиенту, ОКК переключается с ручной прослушки на верификацию рисковых сделок и развитие критериев. После запуска мы остаёмся на сопровождении: модели и критерии донастраиваются ещё 2-3 месяца, потому что бизнес меняется, скрипт меняется, и аналитика должна меняться вместе с ним.

Real-time подсказки и где они оправданы

Тренд последнего года — agent assist в моменте звонка: подсказки оператору прямо во время разговора, контекст по клиенту, next-best-action. Это работает, но не везде и стоит дороже, чем post-call аналитика. Прежде чем заказывать real-time, посчитайте экономику.

Real-time реально нужен в двух сценариях. Первый — большой колл-центр с типовыми сценариями, где скрипт один и подсказка ускоряет обработку: банки, поддержка, ритейл. Второй — узкие отрасли с регуляторными требованиями: оператор обязан произнести определённую формулу, и ИИ контролирует это в моменте. Если у вас отдел продаж 10-30 человек с длинными консультативными разговорами, real-time даёт меньше пользы, чем качественный пост-анализ.

Технически real-time требует другой инфраструктуры: потоковое распознавание, низкая задержка, отдельный канал в АТС. Это всё реализуемо, но удваивает или утраивает стоимость внедрения. Поэтому мы обычно начинаем с post-call аналитики и через 3-6 месяцев докручиваем real-time только там, где появляется конкретный кейс с ROI.

Альтернатива real-time для отделов продаж — короткое окно реакции после звонка. Если ИИ выдаёт отчёт через 3-5 минут после завершения разговора, менеджер успевает перезвонить с уточнением, пока клиент ещё не переключился. Это в 90% случаев закрывает ту же задачу, что и подсказка в моменте, но без дорогой потоковой инфраструктуры.

152-ФЗ, on-prem и российский контур

Записи звонков — это персональные данные клиента, и работать с ними по 152-ФЗ нужно правильно. Согласие на запись и обработку, хранение на территории РФ, ограничение доступа, журналирование операций. Это не формальность — за нарушения штрафы выросли, и проверки реально приходят.

Для большинства клиентов хватает облачного решения с серверами в России. Мы работаем с российскими ЦОДами, шифрование на хранении, доступ по ролям, выгрузка журналов для аудита. Для клиентов с особыми требованиями — финсектор, госзаказчики, девелоперы с банковским финансированием — делаем on-prem развёртывание в контуре заказчика. ASR и LLM-инфраструктура полностью внутри периметра, наружу ничего не уходит.

Отдельный момент — выбор моделей под российский контур. Мы намеренно не привязываемся к конкретному движку распознавания речи или LLM, потому что ландшафт меняется ежемесячно. Подбираем то, что лучше работает с русской речью на конкретном типе звонков (шумная мобильная, колл-центр, переговорка) и соответствует требованиям клиента к локализации. Если нужен on-prem без зависимости от внешних API — собираем такой стек, если допустимо облако — берём оптимальное по соотношению точность/цена.

Что важно проговорить с юристом до запуска. Содержание согласия на обработку записей разговоров. Срок хранения транскриптов и записей. Кто имеет доступ к расшифровкам внутри компании. Как обеспечить право клиента на удаление данных. Эти вопросы мы помогаем закрыть на этапе аудита, потому что без них пилот превращается в юридическую мину.

Стоимость, сроки и формула окупаемости

Поминутный SaaS стоит 1,5-6 рублей за минуту анализа. Это нижняя граница рынка, подходит для типовых задач. Кастомное внедрение под ключ работает по другой модели: фиксированная стоимость пилота 350-700 тысяч рублей в зависимости от сложности воронки и количества интеграций, дальше абонентское обслуживание от 70-150 тысяч в месяц с лимитом по объёму звонков.

Из чего складывается пилот. Аудит и сбор критериев — 5-7 дней работы команды. Подключение телефонии и CRM — от стандартного коннектора до кастомной интеграции с самописной системой. Настройка пайплайна и промпт-цепочки. Интерфейс дашборда РОПа под ваши требования. Обучение команды и сопровождение первого месяца. Это не «купил коробку и забыл» — это совместная работа на 2-4 недели плюс ещё 2-3 месяца донастройки.

Формула окупаемости простая. Возьмём пример: 6000 звонков в месяц, средний чек 200 000 рублей, конверсия из лида в сделку 15%. Это 900 сделок в месяц на 180 миллионов оборота. Если ИИ-аналитика помогает спасти 3-5% сделок (которые раньше уходили из-за неотработанных возражений и пропущенных следующих шагов), это 27-45 дополнительных сделок, или 5,4-9 миллионов выручки. Стоимость аналитики — 100-150 тысяч в месяц. Окупаемость в первый месяц.

Откуда берётся экономия в реальности. Возврат тёплых сделок, которые остывают из-за медленной реакции менеджера. Рост среднего чека за счёт апселла на этапе подбора (ИИ подсвечивает упущенные возможности). Сокращение времени РОПа на ручной разбор — РОП занимается развитием команды, а не прослушкой. Снижение текучки в ОКК — человек переходит с механической работы на содержательную.

Чек-лист выбора подрядчика

Адаптация под ваш скрипт. Спросите прямо: «Если у нас своя методика оценки звонка из 18 критериев, вы её внедрите или попросите подстроиться под ваш чек-лист?» Если ответ «у нас стандартные 10 критериев», это не подрядчик, а коробка. Не плохо и не хорошо, но оцените, подходит ли это вам.

Поддерживаемые телефонии и CRM. Уточните не «есть ли интеграция с amoCRM», а «как именно». Через коробочный виджет с ограничениями? Через API с записью в любые поля? Через bidirectional обновление сделки? Если у вас Битрикс24 с самописной воронкой и три источника звонков, разница между «есть интеграция» и «реально работает в вашем сценарии» — три недели работы.

Прозрачность скоринга. Попросите показать, как считается итоговая оценка звонка. Если это чёрный ящик «ИИ оценил на 7 из 10», вы не сможете объяснить менеджеру, что именно нужно улучшить. Хороший подрядчик показывает разбивку по критериям, веса, формулу, и даёт возможность их менять под вашу логику.

Что входит в пилот и что после. Уточните: пилот — это просто демо, или работа в боевом контуре с вашими данными? Кто настраивает критерии — вы сами в личном кабинете или команда подрядчика? Что происходит после запуска: бросают на саппорт или есть выделенный менеджер, который дорабатывает систему ещё 2-3 месяца?

On-prem и 152-ФЗ. Если вы в финсекторе или работаете с госконтрактами, спросите про развёртывание в вашем контуре. Многие SaaS-сервисы на этом отваливаются, потому что их архитектура заточена под облако и переписать её под on-prem нереально без переплаты в 3-4 раза.

Реальные кейсы, а не маркетинг. Попросите контакт действующего клиента того же масштаба и из похожей отрасли. Пять минут разговора с РОПом, который уже год работает с подрядчиком, дадут больше, чем 50 страниц лендинга.

Где ИИ не работает и не заменяет человека

Шумные записи. Если у вас звонки с улицы, с шумом транспорта, с плохой связью на стороне клиента, точность распознавания падает с 96-97% до 85-90%. На таком уровне аналитика ещё работает, но критерии нужно настраивать терпимее — иначе ИИ будет ловить ложные нарушения скрипта на каждом втором звонке.

Маленький объём и типовой скрипт. Если у вас 200 звонков в месяц по короткому скрипту «здравствуйте, такси?», ИИ-аналитика технически работает, но смысла в ней мало. ОКК-человек тут справляется лучше и дешевле, потому что нюансов всё равно нет.

Отсутствие CRM. Если звонки записываются в АТС, а сделки ведутся в Excel или Google Sheets, аналитика превращается в гору отчётов, которые никто не читает. Без CRM нет привязки звонка к сделке, к менеджеру, к этапу воронки, и ценность теряется. Сначала наводите порядок в CRM, потом подключайте ИИ.

Ожидание магии без настройки. ИИ — не волшебная кнопка. Если ваш скрипт устарел, критерии оценки противоречат друг другу, а РОП не готов читать отчёты — внедрение не поможет. Аналитика делает прозрачным то, что есть, но не строит процесс с нуля. Перед запуском должна быть рабочая методика контроля качества, пусть даже несовершенная.

Где ИИ не заменяет человека. Решение по конкретной сделке: выдать ли скидку, эскалировать ли клиента, уволить ли менеджера. Эмпатичный разговор с конфликтным клиентом. Обучение нового сотрудника на сложных кейсах. Работа с VIP-клиентами, где важны отношения. ИИ даёт сигналы и факты, но управленческие и человеческие решения остаются за РОПом и владельцем.

Частые вопросы по запуску

Какая точность распознавания. На чистых записях с хорошей связью — 96-98% по русской речи. На шумных мобильных звонках — 90-94%. Точность зависит от условий записи, акцентов, темпа речи, перебиваний. Для аналитики смысла этого хватает: даже при 92% корректности слов смысловой анализ работает уверенно, потому что LLM достраивает контекст.

Поддерживается ли real-time. Да, но мы рекомендуем начинать с post-call аналитики (отчёт через 3-7 минут после звонка) и докручивать real-time только там, где он реально нужен. Real-time удваивает стоимость инфраструктуры и не всегда оправдан в B2B-продажах.

Как с безопасностью данных. Работаем по 152-ФЗ, серверы в РФ, доступ по ролям, журналирование. Для клиентов с особыми требованиями делаем on-prem развёртывание в контуре заказчика без зависимости от внешних API. Согласие на запись и обработку готовим вместе с вашим юристом.

Можно ли обучить ИИ под нашу нишу. Да, это и есть смысл кастомного внедрения. Мы собираем критерии под ваш скрипт, обогащаем словарь под отраслевую лексику (ипотека, проектное финансирование, медтермины, IT-стек), настраиваем правила скоринга. Шаблонный SaaS этого не умеет — он работает с усреднёнными критериями.

Сколько занимает запуск. Пилот — 2-4 недели. Стабильный рабочий контур — 2-3 месяца с донастройкой критериев. Полная зрелость системы, когда РОП и менеджеры реально опираются на отчёты в ежедневной работе — 3-6 месяцев.

Что если у нас уже есть коллтрекинг или CRM-виджет с расшифровкой. Это разные слои. Коллтрекинг считает источники, виджет даёт текст. ИИ-аналитика добавляет смысл: оценку, скоринг, рекомендации. Можем работать поверх существующих интеграций, не ломая их.

Что с интеграцией в самописную CRM. Делаем через API. Если у вас своя CRM или нестандартная конфигурация Битрикс24/amoCRM с кастомными полями и воронками — это типовая задача. На этапе аудита определяем, какие поля нужно заполнять автоматически и куда писать комментарии.