Нейросеть за 30–40 минут собирает дашборд из выгрузки CRM: ключевые метрики продаж, разбивку по менеджерам и периодам, визуализацию динамики — аналитик задаёт вопросы к данным и формат вывода, а модель строит сводную таблицу и графики, которые потом проверяет и дорабатывает человек перед показом руководителю.
Что делает модель
Дашборд с ключевыми метриками из выгрузки CRM на несколько тысяч строк модель собирает за 30–40 минут вместо двух-трёх часов ручной сборки сводных таблиц, по нашему опыту внедрений: разбивка по менеджерам, периодам и воронке продаж.
Выгрузка из CRM обычно приходит одним большим файлом со сделками, менеджерами, статусами и суммами — аналитик формулирует вопросы к этим данным, а модель строит сводные таблицы и графики под каждый вопрос, вместо того чтобы аналитик вручную собирал каждый срез отдельно.
- Ключевые метрики — выручка, конверсия по этапам воронки, средний чек
- Разбивка показателей по менеджерам и по периодам
- Визуализация динамики — графики роста, падения, сезонности
- Выделение аномалий — резкий провал конверсии на одном этапе
Похожая задача для данных маркетплейсов — Wildberries и Ozon — разобрана в статье про ИИ для аналитики продаж на маркетплейсах. Здесь источник данных другой — выгрузка из CRM компании вместо витрины маркетплейса, а метрики строятся вокруг воронки продаж вместо остатков и выкупа.
Если задача шире одних продаж и нужен общий дашборд по всей компании — финансы, склад, производство, — более широкий разбор такой отчётности в статье про управленческую отчётность с ИИ. Здесь разобрана одна конкретная задача — дашборд именно из выгрузки CRM.
Для компании с длинным циклом сделки полезно сразу указывать в промпте, какой этап воронки считать точкой отсчёта для конверсии — иначе модель по умолчанию берёт первый контакт, хотя реальная воронка компании стартует позже, после квалификации лида.
Модель для дашборда
Модель для дашборда подбирается по объёму выгрузки и по сложности метрик. GigaChat и YandexGPT быстро собирают простую сводку по одному отделу продаж. ChatGPT и Claude точнее держат структуру дашборда с несколькими срезами сразу и лучше формулируют выводы по динамике.
- GigaChat — быстрая сводка по одному отделу продаж
- YandexGPT — короткий дашборд без сложных срезов
- ChatGPT (GPT-5) — точнее держит несколько срезов метрик сразу
- Claude — лучше формулирует выводы по динамике показателей
- DeepSeek — дешёвый вариант для первого черновика дашборда
Для выгрузки на несколько десятков тысяч строк практичнее подавать данные частями по кварталам или менеджерам вместо одного массива сразу — так модель точнее считает метрики и реже путается в промежуточных суммах.
Формат самой выгрузки из CRM тоже играет роль — где-то это аккуратный экспорт с понятными названиями колонок, где-то файл с техническими полями и внутренними кодами статусов. Чем ближе выгрузка к читаемому виду, тем точнее модель считает метрики с первого раза.
Для распределённой команды продаж в нескольких городах дашборд стоит сразу строить с фильтром по городу — общая сводка без географического среза скрывает, что один регион стабильно недобирает план, пока остальные его перекрывают.
Отдельная категория выгрузки — данные из нескольких CRM сразу после слияния отделов продаж или покупки второй компании: здесь полезно сначала попросить модель свести форматы полей к единому виду, а уже потом строить сам дашборд по объединённым данным.
Шаблон промпта
Хороший промпт для дашборда задаёт четыре параметра: период данных, ключевые метрики, разбивку по менеджерам или продуктам и формат вывода — таблица, график, короткий текстовый вывод.
- Опишите роль: «Ты аналитик, строишь дашборд из выгрузки CRM»
- Укажите период данных и ключевые метрики для дашборда
- Задайте разбивку — по менеджерам, продуктам, этапам воронки
- Уточните формат вывода — таблица, график, короткий текстовый вывод
- Попросите отдельно выделить аномалии в динамике показателей
Сколько строк обычно в вашей выгрузке из CRM?
Формулировку метрики стоит уточнять максимально конкретно — «конверсия из лида в сделку» вместо общего «эффективность продаж», иначе модель додумывает формулу расчёта метрики по-своему, и итоговая цифра расходится с тем, что аналитик держит в голове.
Отдельно полезно попросить модель сравнить текущий период с прошлым по каждой ключевой метрике — разовая цифра без сравнения слабо показывает, ухудшается ситуация или улучшается.
Для регулярного еженедельного дашборда полезно закрепить один и тот же промпт с переменной датой периода — так структура отчёта остаётся неизменной от недели к неделе, и руководителю проще сравнивать цифры между отчётами на глаз.
Что проверяет аналитик
Модель хорошо считает метрики и строит сводные таблицы, но точность формулы расчёта и корректность фильтров остаются за аналитиком: дашборд строится из вводных, и ошибка в формуле метрики повторяется во всех разбивках дашборда.
| Блок дашборда | Что делает модель | Что проверяет аналитик |
|---|---|---|
| Ключевые метрики | Считает метрики по заданной формуле | Корректность самой формулы расчёта |
| Разбивки | Строит срезы по менеджерам и периодам | Совпадение фильтров с реальными статусами сделок |
| Аномалии | Выделяет резкие отклонения в динамике | Реальную причину отклонения вместо одного факта его наличия |
Особенно внимательно стоит сверять метрики, где выгрузка CRM хранит статусы сделок с задержкой обновления, — если менеджер обновляет статус раз в несколько дней, дашборд на сегодняшний день показывает цифру с лагом, который стоит явно отметить рядом с графиком.
Хранить прошлые версии дашборда стоит вместе с датой выгрузки — так через квартал видно, менялась ли методика подсчёта метрики, и разница в цифрах объясняется реальной динамикой вместо смены формулы расчёта где-то в середине периода.
Полезно также держать рядом с дашбордом короткий комментарий о том, какие фильтры и период применялись при расчёте — через несколько месяцев без такой пометки сложно восстановить, почему цифра одного отчёта отличается от цифры другого похожего отчёта.
Как внедрить
Внедрение стоит начинать с дашборда по одной ключевой метрике вместо полного набора показателей сразу — так проще сравнить результат модели с тем, что аналитик обычно считает вручную в Excel.
Возьмите выгрузку CRM за последний квартал, прогоните через модель и сравните итоговый дашборд с тем, что вы обычно готовите сами.
Второй дашборд по тому же формату обычно собирается заметно быстрее первого — модель уже видела структуру полей выгрузки и реже переспрашивает формат вывода.
Стандартизация такого промпта на всю аналитическую команду — тема отдельного обучения, формат разобран в разделе про обучение сотрудников работе с ИИ.