WOGHAN | AI-автоматизация для бизнеса pinned «Наши соцсети: https://dzen.ru/woghan https://vk.com/woghan_dev https://tenchat.ru/woghan»
Деньги в продажах часто лежат не наверху воронки
Они лежат в уже случившихся звонках. 📞
Клиент пришел. Менеджер поговорил. Следующий шаг не зафиксировал. Follow-up не отправил. Руководитель увидел плохой разговор слишком поздно.
И в этот момент отдел просит больше лидов.
🔍 Новые лиды нужны не так срочно, как кажется, если старые звонки никто не умеет спасать.
По кейсам картина очень приземленная:
• У Auto.ru Business больше половины упущенных звонков удалось вернуть в работу;
• У ТрансТехСервиса за месяц вернули 40 клиентов;
• У «Прагматики» конверсия звонков в продажи выросла на 20%;
• У SalesAI семиминутный звонок разбирается примерно за минуту.
💡 Суть проста: прежде чем масштабировать поток, имеет смысл навести порядок в том, что уже есть.
Они лежат в уже случившихся звонках. 📞
Клиент пришел. Менеджер поговорил. Следующий шаг не зафиксировал. Follow-up не отправил. Руководитель увидел плохой разговор слишком поздно.
И в этот момент отдел просит больше лидов.
🔍 Новые лиды нужны не так срочно, как кажется, если старые звонки никто не умеет спасать.
По кейсам картина очень приземленная:
• У Auto.ru Business больше половины упущенных звонков удалось вернуть в работу;
• У ТрансТехСервиса за месяц вернули 40 клиентов;
• У «Прагматики» конверсия звонков в продажи выросла на 20%;
• У SalesAI семиминутный звонок разбирается примерно за минуту.
💡 Суть проста: прежде чем масштабировать поток, имеет смысл навести порядок в том, что уже есть.
👍1
У многих селлеров спор о цене начинается слишком рано
Покупатель часто уходит раньше, чем вообще добирается до нормального сравнения цены.
Сначала он не находит товар. Потом не понимает карточку. Потом не доверяет описанию, фото или отзывам. Потом сталкивается с наличием, которое не совпало с реальностью.
И только после этого бизнес делает вывод: «Надо снижать цену». 💸
Между тем фактура уже давно говорит про другое:
🔹 У Toolstation доля поисков без результата упала с 2% до 0,1%, а поисковая выручка выросла на 5,5%;
🔹 У Яндекс Маркета продавцы генерируют около 10 тыс. описаний в день, используют 52% текстов и получают +1,1% к заказам;
🔹 Wayfair исправила 2,5 млн товарных тегов и автоматизировала 41 тыс. supplier tickets в месяц.
То есть быстрые деньги в e-commerce часто лежат не в новой скидке, а в скучном слое:
• карточка
• поиск
• отзывы
• наличие
• правда по каталогу
Хороший AI здесь нужен не для красивого шоу. Он нужен, чтобы держать цифровую полку в порядке. 🧹
Покупатель часто уходит раньше, чем вообще добирается до нормального сравнения цены.
Сначала он не находит товар. Потом не понимает карточку. Потом не доверяет описанию, фото или отзывам. Потом сталкивается с наличием, которое не совпало с реальностью.
И только после этого бизнес делает вывод: «Надо снижать цену». 💸
Между тем фактура уже давно говорит про другое:
🔹 У Toolstation доля поисков без результата упала с 2% до 0,1%, а поисковая выручка выросла на 5,5%;
🔹 У Яндекс Маркета продавцы генерируют около 10 тыс. описаний в день, используют 52% текстов и получают +1,1% к заказам;
🔹 Wayfair исправила 2,5 млн товарных тегов и автоматизировала 41 тыс. supplier tickets в месяц.
То есть быстрые деньги в e-commerce часто лежат не в новой скидке, а в скучном слое:
• карточка
• поиск
• отзывы
• наличие
• правда по каталогу
Хороший AI здесь нужен не для красивого шоу. Он нужен, чтобы держать цифровую полку в порядке. 🧹
🥴1
В стройке проект часто теряет деньги на маршруте документов 📄
Они начинают течь позже:
• новая версия уже есть
• RFI ушел
• согласование вроде бы идет
• подпись где-то ждет
• актирование не догнало изменение
Именно здесь проект часто начинает буксовать.
Компании уже давно об этом кричат:
🔹 У KTC время по RFI сократилось примерно на 65%;
🔹 У Prime Build ответы по RFI стали приходить в 10 раз быстрее;
🔹 У Sunway продуктивность цифровых ревью выросла на 42%;
🔹 По российскому исследованию день простоя ЖК 30 тыс. м² стоит 7 млн ₽ в регионе и 13,5 млн ₽ в Москве.
То есть стройка часто теряет деньги на пути:
Поэтому я бы начинал разговор про AI в стройке не с генерации смет, а с вопроса:
Где у вас сегодня рвется путь информации до денег? 💰
Они начинают течь позже:
• новая версия уже есть
• RFI ушел
• согласование вроде бы идет
• подпись где-то ждет
• актирование не догнало изменение
Именно здесь проект часто начинает буксовать.
Компании уже давно об этом кричат:
🔹 У KTC время по RFI сократилось примерно на 65%;
🔹 У Prime Build ответы по RFI стали приходить в 10 раз быстрее;
🔹 У Sunway продуктивность цифровых ревью выросла на 42%;
🔹 По российскому исследованию день простоя ЖК 30 тыс. м² стоит 7 млн ₽ в регионе и 13,5 млн ₽ в Москве.
То есть стройка часто теряет деньги на пути:
изменение → версия → согласование → подпись → акт → оплата
Поэтому я бы начинал разговор про AI в стройке не с генерации смет, а с вопроса:
Где у вас сегодня рвется путь информации до денег? 💰
👍1
У поставщика деньги часто начинают течь еще до того, как клиент получил КП 💰
Причина обычно очень скучная:
• запрос пришел в PDF, правки в Excel;
• артикулы не бьются;
• аналог ищут руками;
• срок живет в переписке.
Пока команда все это сводит, она тратит часы не на продажу, а на перевод грязного входа в рабочий вид.
Фактура уже прямая:
🔹 У Moglix OCR extraction from PDFs дала 50% improvement in operational efficiency;
🔹 Bidzaar пишет, что 25% компаний все еще живут только в Excel;
🔹 B2B-Center говорит о 20% экономии времени на заявках у поставщиков;
🔹 Хабровский пилот по сопоставлению номенклатуры дал 83,8% на тесте — задача сложнее, чем кажется.
Поэтому я бы у такого бизнеса начинал не с генератора КП.
Я бы начинал с пути:
письмо → PDF / Excel → разбор → SKU → аналог → срок → КП
Если он ручной — вот там и лежит первая окупаемость AI. 🎯
Причина обычно очень скучная:
• запрос пришел в PDF, правки в Excel;
• артикулы не бьются;
• аналог ищут руками;
• срок живет в переписке.
Пока команда все это сводит, она тратит часы не на продажу, а на перевод грязного входа в рабочий вид.
Фактура уже прямая:
🔹 У Moglix OCR extraction from PDFs дала 50% improvement in operational efficiency;
🔹 Bidzaar пишет, что 25% компаний все еще живут только в Excel;
🔹 B2B-Center говорит о 20% экономии времени на заявках у поставщиков;
🔹 Хабровский пилот по сопоставлению номенклатуры дал 83,8% на тесте — задача сложнее, чем кажется.
Поэтому я бы у такого бизнеса начинал не с генератора КП.
Я бы начинал с пути:
письмо → PDF / Excel → разбор → SKU → аналог → срок → КП
Если он ручной — вот там и лежит первая окупаемость AI. 🎯
👍1
У дистрибьютора деньги часто начинают течь уже после того, как клиенту назвали срок
Обычно это выглядит скучно:
• остаток устарел;
• поставщик сдвинул дату письмом;
• PO не обновили сразу;
• ETA живет в трех местах;
• клиент спрашивает статус у менеджера.
То есть проблема уже не в продаже как таковой.
Проблема в том, что слой после заказа все еще собран руками.
Фактура уже очень прямая:
🔹 У Farmlands агент забирает не менее 50% email traffic по PO и экономит 20 часов в неделю;
🔹 У JK Fenner единый контур держит 1 000+ дилеров и почти 100 000 заказов;
🔹 У МФТИ AI-система по запасам дала +7% к валовой прибыли крупного дистрибьютора;
🔹 С 1 сентября 2026 года экспедиторские документы должны перейти в электронный вид.
Поэтому я бы в дистрибуции очень внимательно смотрел на маршрут:
остаток → заказ → ETA → отгрузка
Там часто лежит вторая большая утечка денег после продажи. 💸
Обычно это выглядит скучно:
• остаток устарел;
• поставщик сдвинул дату письмом;
• PO не обновили сразу;
• ETA живет в трех местах;
• клиент спрашивает статус у менеджера.
То есть проблема уже не в продаже как таковой.
Проблема в том, что слой после заказа все еще собран руками.
Фактура уже очень прямая:
🔹 У Farmlands агент забирает не менее 50% email traffic по PO и экономит 20 часов в неделю;
🔹 У JK Fenner единый контур держит 1 000+ дилеров и почти 100 000 заказов;
🔹 У МФТИ AI-система по запасам дала +7% к валовой прибыли крупного дистрибьютора;
🔹 С 1 сентября 2026 года экспедиторские документы должны перейти в электронный вид.
Поэтому я бы в дистрибуции очень внимательно смотрел на маршрут:
остаток → заказ → ETA → отгрузка
Там часто лежит вторая большая утечка денег после продажи. 💸
❤3
Лучший стресс-тест процесса — отпуск сильного сотрудника 🧪
Если без одного человека команда не понимает:
• где лежит история по кейсу;
• как принималось похожее решение;
• что делать дальше,
— значит у компании не система, а зависимость от памяти конкретного человека.
Именно поэтому я бы не начинал AI-проект с бота или поиска.
Сначала я бы вытаскивал знания из голов людей в рабочую память компании. Иначе новый слой автоматизации просто упрется в ту же пустоту, в которую утром падает команда.
Фактура:
🔹 Minervasoft в апреле 2026 писал о трехкратном росте спроса на ИИ-базы знаний;
🔹 Textron Aviation сократил troubleshooting с 20 минут до 1–2 минут, когда специалистам дали нормальный доступ к знаниям вместо долгого ручного поиска.
Незаменимый сотрудник часто показывает не силу бизнеса, а место, где он до сих пор хранит знания самым дорогим способом. 💡
Если без одного человека команда не понимает:
• где лежит история по кейсу;
• как принималось похожее решение;
• что делать дальше,
— значит у компании не система, а зависимость от памяти конкретного человека.
Именно поэтому я бы не начинал AI-проект с бота или поиска.
Сначала я бы вытаскивал знания из голов людей в рабочую память компании. Иначе новый слой автоматизации просто упрется в ту же пустоту, в которую утром падает команда.
Фактура:
🔹 Minervasoft в апреле 2026 писал о трехкратном росте спроса на ИИ-базы знаний;
🔹 Textron Aviation сократил troubleshooting с 20 минут до 1–2 минут, когда специалистам дали нормальный доступ к знаниям вместо долгого ручного поиска.
Незаменимый сотрудник часто показывает не силу бизнеса, а место, где он до сих пор хранит знания самым дорогим способом. 💡
Одиннадцатый заказ не должен начинаться как первый 🔄
В B2B одна из самых тихих потерь выглядит очень скучно.
Постоянный клиент снова поднимает старый счет, копирует знакомые артикулы и пишет менеджеру, чтобы повторить уже известную корзину.
То есть самая дешевая продажа в компании до сих пор живет на ручной пересборке.
📊 Adobe пишет, что 73% B2B buyers prefer self-service for reordering. Это нормальное ожидание: если человек уже покупал у вас, он не хочет заново блуждать по каталогу.
Хороший повторный заказ обычно держится на пяти вещах:
1. История
2. Быстрый повтор корзины
3. Добавление по коду
4. Загрузка списка
5. Актуальные цена и остаток
Если этого нет, AI не спасет. Он только ускорит старый ручной маршрут. ⚠️
В B2B одна из самых тихих потерь выглядит очень скучно.
Постоянный клиент снова поднимает старый счет, копирует знакомые артикулы и пишет менеджеру, чтобы повторить уже известную корзину.
То есть самая дешевая продажа в компании до сих пор живет на ручной пересборке.
📊 Adobe пишет, что 73% B2B buyers prefer self-service for reordering. Это нормальное ожидание: если человек уже покупал у вас, он не хочет заново блуждать по каталогу.
Хороший повторный заказ обычно держится на пяти вещах:
1. История
2. Быстрый повтор корзины
3. Добавление по коду
4. Загрузка списка
5. Актуальные цена и остаток
Если этого нет, AI не спасет. Он только ускорит старый ручной маршрут. ⚠️
❤1
«Пришлите артикул» — иногда плохой сервис
В B2B клиент часто не знает артикул.
Он знает:
• что сломалось;
• где стояло;
• как выглядит;
• к какой модели примерно относится.
Может прислать фото или старый счет.
И если компания умеет работать только с идеальным SKU, она теряет часть продаж еще до цены.
Нормальный маршрут должен принимать разные входы:
🔹 фото
🔹 OEM
🔹 модель техники
🔹 старый документ
🔹 описание симптома
AI здесь полезен не как гадалка, а как фильтр: собрать признаки, найти кандидатов, проверить аналоги и отдать менеджеру короткий список. 🔍
Если сейчас это держится на фразе «позови Васю, он разберется», значит процесс уже есть. Просто он живет в голове Васи. 👤
В B2B клиент часто не знает артикул.
Он знает:
• что сломалось;
• где стояло;
• как выглядит;
• к какой модели примерно относится.
Может прислать фото или старый счет.
И если компания умеет работать только с идеальным SKU, она теряет часть продаж еще до цены.
Нормальный маршрут должен принимать разные входы:
🔹 фото
🔹 OEM
🔹 модель техники
🔹 старый документ
🔹 описание симптома
AI здесь полезен не как гадалка, а как фильтр: собрать признаки, найти кандидатов, проверить аналоги и отдать менеджеру короткий список. 🔍
Если сейчас это держится на фразе «позови Васю, он разберется», значит процесс уже есть. Просто он живет в голове Васи. 👤
❤1
Ручной прайс почти всегда видит рынок с задержкой ⏱️
Селлер утром поправил цены, сверил конкурентов и ушел в операционку.
Через пару часов:
• конкурент уже в акции;
• остаток изменился;
• буст продолжает вести трафик;
• минимальная цена по части SKU считалась по старой себестоимости.
Вечером продажи есть. Но вопрос другой: сколько маржи осталось после всех условий?
Поэтому я бы не начинал pricing automation с кнопки «быстрее менять цену». Сначала нужен контур правил:
🔹 минимальная цена по каждому SKU;
🔹 учет комиссии, логистики, рекламы;
🔹 правила для акций и остатков;
🔹 стопы для опасных снижений;
🔹 журнал причин изменения цены.
Яндекс Маркет сам показывает эту логику: привлекательность цены, сравнение с другими продавцами и площадками, буст, карантин резких снижений.
McKinsey в dynamic pricing пишет о том же на уровне ритейла: модули, данные, guardrails.
Автоматизация цены полезна, когда она ускоряет решение в рамках правил. Без правил она просто быстрее ведет бизнес за чужой ценой. ⚠️
---
Больше таких разборов и практики по AI-автоматизации продаж, сервиса и операций: t.me/woghan_dev
Селлер утром поправил цены, сверил конкурентов и ушел в операционку.
Через пару часов:
• конкурент уже в акции;
• остаток изменился;
• буст продолжает вести трафик;
• минимальная цена по части SKU считалась по старой себестоимости.
Вечером продажи есть. Но вопрос другой: сколько маржи осталось после всех условий?
Поэтому я бы не начинал pricing automation с кнопки «быстрее менять цену». Сначала нужен контур правил:
🔹 минимальная цена по каждому SKU;
🔹 учет комиссии, логистики, рекламы;
🔹 правила для акций и остатков;
🔹 стопы для опасных снижений;
🔹 журнал причин изменения цены.
Яндекс Маркет сам показывает эту логику: привлекательность цены, сравнение с другими продавцами и площадками, буст, карантин резких снижений.
McKinsey в dynamic pricing пишет о том же на уровне ритейла: модули, данные, guardrails.
Автоматизация цены полезна, когда она ускоряет решение в рамках правил. Без правил она просто быстрее ведет бизнес за чужой ценой. ⚠️
---
Больше таких разборов и практики по AI-автоматизации продаж, сервиса и операций: t.me/woghan_dev
Telegram
WOGHAN | AI-автоматизация для бизнеса
Автоматизируем рутину с ИИ: RAG, боты, Python. Экономим до 7 часов/нед на сотрудника. Кейсы с цифрами. Ответ за 24ч.
❤1👍1
КП должно пережить внутреннюю пересылку 📄
Менеджер отправил КП одному человеку.
А дальше файл ушел инженеру, закупке, финансисту и руководителю.
У каждого свой вопрос:
• подойдет ли технически;
• почему выбран этот аналог;
• какие сроки по позициям;
• что с оплатой и гарантией;
• какой риск, если взять дешевле.
Если в КП только цена и общий срок, контакт клиента становится переводчиком. Он продает ваше решение внутри своей компании вместо вас.
Хорошая автоматизация КП должна собирать не красивый PDF, а пакет решения:
🔹 позиции
🔹 аналоги + различия
🔹 сроки
🔹 риски
🔹 условия
🔹 следующий шаг
Тогда документ можно переслать дальше без потери смысла. 🎯
Менеджер отправил КП одному человеку.
А дальше файл ушел инженеру, закупке, финансисту и руководителю.
У каждого свой вопрос:
• подойдет ли технически;
• почему выбран этот аналог;
• какие сроки по позициям;
• что с оплатой и гарантией;
• какой риск, если взять дешевле.
Если в КП только цена и общий срок, контакт клиента становится переводчиком. Он продает ваше решение внутри своей компании вместо вас.
Хорошая автоматизация КП должна собирать не красивый PDF, а пакет решения:
🔹 позиции
🔹 аналоги + различия
🔹 сроки
🔹 риски
🔹 условия
🔹 следующий шаг
Тогда документ можно переслать дальше без потери смысла. 🎯
👍1
Покупатель вернул товар. Карточку тоже пора открыть 📦
У возврата есть два финала.
Первый виден в кабинете: заявку обработали, деньги вернули, товар приехал на склад.
Второй финал важнее: причина дошла до карточки, комплекта, инструкции, партии или поддержки.
Если второго финала нет, возврат просто ждет следующего покупателя. ⚠️
Мне нравится смотреть на это через SKU. Не «за месяц было столько-то возвратов», а:
• «по этому товару три человека подряд не поняли совместимость»;
• «по этой партии жалуются на комплектацию»;
• «по этой карточке фото обещает больше, чем товар дает».
Площадки уже двигают продавцов в эту сторону:
🔹 Яндекс Маркет пишет, что частые возвраты сигнализируют о потенциальных проблемах с товарами и заказами, а среди рекомендаций называет описание, партию, упаковку, комплектацию и инструкцию.
🔹 Wildberries показывает покупателю признаки надежности продавца, включая процент выкупа.
Что можно сделать без большого проекта:
1. Взять 20 самых дорогих возвратов
2. Разложить их по SKU
3. Посмотреть не стандартную причину, а слова покупателя и фото
4. Сравнить это с карточкой на момент покупки
5. Назначить владельца причины
6. Через две недели проверить повтор
AI здесь нужен не как «бот по возвратам». Гораздо полезнее разборщик, который собирает причины из кабинетов, отзывов, вопросов и чатов, а потом подсвечивает повторяющиеся дефекты. 🔍
У возврата есть два финала.
Первый виден в кабинете: заявку обработали, деньги вернули, товар приехал на склад.
Второй финал важнее: причина дошла до карточки, комплекта, инструкции, партии или поддержки.
Если второго финала нет, возврат просто ждет следующего покупателя. ⚠️
Мне нравится смотреть на это через SKU. Не «за месяц было столько-то возвратов», а:
• «по этому товару три человека подряд не поняли совместимость»;
• «по этой партии жалуются на комплектацию»;
• «по этой карточке фото обещает больше, чем товар дает».
Площадки уже двигают продавцов в эту сторону:
🔹 Яндекс Маркет пишет, что частые возвраты сигнализируют о потенциальных проблемах с товарами и заказами, а среди рекомендаций называет описание, партию, упаковку, комплектацию и инструкцию.
🔹 Wildberries показывает покупателю признаки надежности продавца, включая процент выкупа.
Что можно сделать без большого проекта:
1. Взять 20 самых дорогих возвратов
2. Разложить их по SKU
3. Посмотреть не стандартную причину, а слова покупателя и фото
4. Сравнить это с карточкой на момент покупки
5. Назначить владельца причины
6. Через две недели проверить повтор
AI здесь нужен не как «бот по возвратам». Гораздо полезнее разборщик, который собирает причины из кабинетов, отзывов, вопросов и чатов, а потом подсвечивает повторяющиеся дефекты. 🔍
👍1
Электронная накладная покажет, где логистика держалась на звонках 📄
С 1 сентября 2026 года электронные перевозочные документы становятся обязательной частью грузоперевозок. Минтранс уже утвердил правила обмена и порядок направления ЭПД в ГИС ЭПД.
Но для бизнеса главный вопрос не в том, какого оператора выбрать.
Главный вопрос: есть ли у компании один маршрут от заявки до оплаты.
Откройте последние отгрузки. Там быстро всплывает жизнь:
• водитель поменялся в чате;
• склад отгрузил меньше, чем было в заказе;
• клиент принял часть товара;
• УПД готов, но не связан с рейсом;
• бухгалтерия ждет подпись;
• менеджер обещает срок по устному статусу перевозчика.
Бумага это терпела. Электронный документ будет требовать статуса, владельца и связки с событием. ⚡️
Поэтому подготовку к ЭПД я бы начинал с простой карты:
заявка → заказ → отгрузка → перевозчик → ЭПД → подпись → УПД → оплата
А дальше смотрел, где процесс уходит в звонок, почту, Excel или мессенджер.
AI здесь полезен не как волшебный оформитель документов. Он полезен как разборщик исключений: видит расхождение, подтягивает данные из 1С/CRM/ЭДО, предлагает владельца и следующий шаг. 🔍
Если хотите подготовиться к сентябрю без театра внедрения, начните с 20 последних отгрузок. Там уже лежит карта будущей автоматизации.
С 1 сентября 2026 года электронные перевозочные документы становятся обязательной частью грузоперевозок. Минтранс уже утвердил правила обмена и порядок направления ЭПД в ГИС ЭПД.
Но для бизнеса главный вопрос не в том, какого оператора выбрать.
Главный вопрос: есть ли у компании один маршрут от заявки до оплаты.
Откройте последние отгрузки. Там быстро всплывает жизнь:
• водитель поменялся в чате;
• склад отгрузил меньше, чем было в заказе;
• клиент принял часть товара;
• УПД готов, но не связан с рейсом;
• бухгалтерия ждет подпись;
• менеджер обещает срок по устному статусу перевозчика.
Бумага это терпела. Электронный документ будет требовать статуса, владельца и связки с событием. ⚡️
Поэтому подготовку к ЭПД я бы начинал с простой карты:
заявка → заказ → отгрузка → перевозчик → ЭПД → подпись → УПД → оплата
А дальше смотрел, где процесс уходит в звонок, почту, Excel или мессенджер.
AI здесь полезен не как волшебный оформитель документов. Он полезен как разборщик исключений: видит расхождение, подтягивает данные из 1С/CRM/ЭДО, предлагает владельца и следующий шаг. 🔍
Если хотите подготовиться к сентябрю без театра внедрения, начните с 20 последних отгрузок. Там уже лежит карта будущей автоматизации.
👍1