Бізнес-результат

<aside> 💡

Проблема: Менеджери з продажів витрачали [X годин/тиждень] на ручний пошук заперечень і релевантних кейсів під кожну розмову з клієнтом, а комерційні пропозиції затримувались через ручне узгодження перед відправкою.

Як було раніше: Виграшні аргументи та перевірені кейси існували лише в голові окремих менеджерів або в таблиці, яку ніхто активно не шукав — тому якість пропозиції залежала від того, хто саме її писав, а підготовка до дзвінка означала ручний пошук по нотатках у CRM.

Що ми зробили: AI Sales Intelligence платформа, яка автоматично знаходить найбільш релевантні кейси та аргументи для заперечень, генерує адаптовану комерційну пропозицію зі схваленням менеджера перед відправкою клієнту, і готує скрипт дзвінка по будь-якому ліду за секунди.

Результат: Те, що раніше означало ручний пошук по нотатках CRM і покладання на пам'ять, тепер займає секунди — система сама знаходить найрелевантніший кейс і готує скрипт дзвінка. Кожна пропозиція спирається на повну історію виграшів компанії, а не на пам'ять одного менеджера, тож якість більше не залежить від того, хто саме її пише.

</aside>

AI-система, яка перетворює історію продажів компанії (минулі заперечення, виграні угоди) на пошукову базу знань, а потім використовує її для генерації персоналізованих комерційних пропозицій та скриптів дзвінків для відділу продажів, що працює в Zoho CRM.

Деталі проєкту

Контекст:

• Бізнес/індустрія: Продажі / B2B CRM-операції
• Поточний процес: Менеджери пишуть комерційні пропозиції та відпрацьовують заперечення клієнтів по пам'яті або з розрізнених нотаток; немає спільного пошукового запису того, "що спрацювало раніше" для схожого клієнта чи заперечення.

Проблема:

• Виграшні кейси та перевірені скрипти відпрацювання заперечень існують, але лише в голові менеджера або в таблиці, яку ніхто не шукає.
• Написання пропозиції займає час, а якість залежить від того, який менеджер її пише.
• Немає швидкого способу підготуватися до дзвінка зі свіжим контекстом з CRM.

Рішення

<aside> 🧠

Спільна векторна база знань (Qdrant) заперечень із продажів та кейсів, яка опитується за семантичною схожістю, а не ключовими словами — і на цій основі побудовано дві автоматизації: пайплайн генерації комерційної пропозиції зі схваленням менеджера та генератор скрипту дзвінка по ліду. Окремий бот відпрацювання заперечень підготовлений структурно, але ще не підключений повністю.

Використані інструменти: n8n, Qdrant (векторна база даних), Google Gemini Embeddings, Claude Sonnet 4.6 / Llama 3.3 70B (через OpenRouter), Zoho CRM, Google Sheets, Google Docs, Gmail, Telegram.

</aside>

Логіка рішення:

1. Завантажувач бази знань: вивантажує заперечення з продажів та кейси з Google Sheets, готує кожен рядок як структурований текстовий блок, робить ембединг через Google Gemini і зберігає вектор + повний payload (стратегія, шаблон відповіді, деталі кейсу) в єдину колекцію Qdrant.