🩷неудобных вопросов: как подготовить качественное коммерческое предложение — экспертизой делится CBDO OSMI IT Анастасия ДермичеваВо многих книгах по продажам говорится о важности анализа возврата инвестиций для клиента. Если перенести этот подход на ИИ-проекты, значительная часть коммерческих предложений на рынке не содержит полноценного экономического обоснования: в них описана логика работы решения, но отсутствует системная проработка показателей — юнит-экономики, рисков и сроков окупаемости.
💬 Качественное КП для ИИ-проекта начинается не со стоимости, а с брифа и подробного погружения в то, как процессы выстроены сейчас. Это означает готовность обсуждать не только технологию, но и цифры:
– Сколько человеко-часов в месяц сейчас уходит на этот процесс?
– Сколько сотрудников вовлечено и какова их средняя полная ставка?
– Какова стоимость одной ошибки (штрафы, потеря клиента, простой)?
– Какие SLA уже зафиксированы и какова цена их невыполнения?
– Каков текущий объём операций и как он растёт в течение года?
И много других неудобных вопросов, касающихся бюджетов, ожиданий и реальности.
Пример: AI-ассистент поддержки🌟
Стандартный commodity-подход:«Мы внедрим агента, разгрузим операторов, повысим NPS на n%, стоимость внедрения– x, поддержка– y».
⚡️
Подход через юнит-экономику:— количество операторов и их средняя полная ставка (например, 12 операторов на полной ставке 120-150 тысяч рублей в месяц);
— среднее число обращений на оператора (250-300 в день);
— доля типовых запросов (30-40%);
— наличие штрафов за просрочки и чувствительность к NPS и удержанию.
От этих данных уже можно строить дальнейшие просчёты.
Если ИИ-агент возьмёт на себя хотя бы 30% однотипных запросов, это позволит сократить 3–4 штатные единицы либо перераспределить сотрудников на более сложные задачи. Экономия на фонде оплаты труда составит порядка X в месяц. Дополнительно снижение доли просроченных ответов приведёт к сокращению штрафов на Y и снижению оттока на Z.
Тот же принцип работает и для ML-проектов.🌟
Commodity-формулировка:«Сделаем ML-прогнозирование продаж, оптимизируем остатки, стоимость проекта — 12 млн».
⚡️
Подход через юнит-экономику:Сейчас на складах маркетплейсов и в РЦ находится товар на сумму около 100 млн.
Из них порядка 20% — «мёртвые» остатки, которые практически не оборачиваются. Это около 20 млн замороженных средств, а также дополнительные расходы на хранение.
Параллельно компания теряет до 4–5% заказов из-за того, что ходовые SKU регулярно уходят в out-of-stock.
После прогнозирования и ABC/XYZ-сегментации мы:
– сокращаем долю мёртвых остатков с 20% до 12–14%;
– снижаем out-of-stock с 5% до 3%;
– уменьшаем объём списаний товаров.
💗В результате высвобождается 6–8 млн из замороженных остатков, формируется дополнительная выручка за счёт снижения out-of-stock по ходовым товарам и сокращаются затраты на хранение. Даже в консервативном сценарии ROI в первый год составляет N%, со второго года — M%.
С таким КП можно спорить по допущениям и коэффициентам — и это нормально. Но его невозможно просто отложить, потому что оно опирается на бизнес-логику, а не на обещания.
Когда мы берём на себя расчёт юнит-экономики, мы отрабатываем ключевое возражение: «Идея нравится, но я не понимаю, как её защитить внутри компании». КП превращается из презентации в инструмент управленческого решения.
📍
Да, на старте это сложнее: больше вопросов, больше цифр, больше времени на проработку, больше неудобных вопросов. Но именно так подрядчик из commodity превращается в того, с кем будут разговаривать серьезно.👍
Подписаться на MAX💬
Вступить в наше коммьюнити 
