директор и машина · продажи · запись № 011 · 25 июня 2026 · Давид Герштейн

Прогноз продаж, которому можно верить: воронка вместо ощущений

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные.

Как вы сейчас отвечаете на вопрос «сколько закроем в этом месяце»? Если ответ собирается из ощущений менеджеров — вы не прогнозируете, вы гадаете и потом объясняете, почему не сбылось.

Нормальный прогноз собирается из воронки: сколько сделок на каждом этапе, какая конверсия дальше, сколько времени занимает переход. Это арифметика, которую вы можете проверить, а не вера в оптимизм отдела.

Неделя 14–20 мая. План по деньгам выполнен на 80%. Закрыли 7 сделок из 16 запланированных. Конверсия в продажу — 14% при плане 23%. Конверсия во встречу нормальная, 55%, а вот из встречи в договор — только 22%. Руководитель отдела продаж прямым текстом: «Тут уже мне становится страшно, я начинаю переживать конкретно». За недостающими 20% плана стоят не абстрактные проценты, а конкретные девять сделок, которые должны были закрыться и не закрылись.

Это и есть прогноз продаж по воронке в чистом виде. Не «в этом месяце должны сделать миллион, потому что обычно делаем», а разложенная по этапам математика: сколько лидов, какая конверсия на каждом шаге, сколько денег получится на выходе. Когда цифры разложены так, страх появляется на пятый день недели, а не на тридцатый день месяца — когда уже поздно что-то менять. Дальше в статье — как считать этот прогноз руками, какой промпт можно скопировать для еженедельной диагностики узкого места, во сколько обходится зависшая сделка и где эта система обычно ломается.

Прогноз продаж по воронке против прогноза «на глазок»

Сравните два подхода на своём примере — вы наверняка узнаете первый.

Классический прогноз продаж строится так: руководитель спрашивает у менеджеров, сколько они закроют в этом месяце, складывает ответы и докладывает наверх. Это работает, пока воронка стабильна. Как только что-то меняется — состав отдела, источник лидов, сезон — прогноз «на глазок» начинает врать, и врёт он всегда в оптимистичную сторону, потому что менеджер отвечает на вопрос «сколько ты хочешь закрыть», а не «сколько у тебя реально в пайплайне со сроком».

В одной компании отдел из нескольких человек — руководитель, его напарник и ещё один менеджер — стабильно давал продажи выше, чем тот же отдел после расширения примерно вдвое. Причина не в квалификации новых людей. Причина в том, что лидов на каждого стало больше, а внимания к каждому лиду — меньше. Конверсия просела именно потому, что никто не считал её по этапам в моменте: рост штата выглядел как рост мощности, а на деле размывал воронку. После внедрения контроля по этапам конверсия начала расти на процентный пункт в месяц — не рывком, а постепенно, потому что причину нашли не на глаз, а по разбивке. Оговорюсь сразу: этот рост дал комплекс мер — контроль конверсии, разбор застрявших сделок, дисциплина по звонкам — а не один только факт появления таблицы. Ниже, в разделе про экономику, я оцениваю вклад именно инструмента прогноза отдельно от остальных мер.

Конверсия по этапам: где именно теряются ваши деньги

Посчитайте свою конверсию по каждому переходу. Почти наверняка вы найдёте один этап, где теряется больше половины, — и почти наверняка это будет не тот этап, на который вы грешили.

Отдельная цифра «конверсия 25%» ничего не говорит о том, что делать. Разбивка по этапам — говорит. В майском примере разница между планом и фактом была не в количестве лидов и не во встречах — там всё было в норме. Проблема сидела на переходе от встречи к договору: 55% встреч состоялось, но только 22% из них закрылись договором. Значит причину нужно искать не в лидогенерации и не в графике встреч, а в том, что происходит на самой встрече и сразу после неё. На диаграмме ниже — конверсия по каждому этапу воронки за неделю 14–20 мая в сравнении с плановой конверсией лид→продажа.

Подставим формулу из начала статьи в цифры недели 14–20 мая, где в источнике зафиксирован не весь набор величин: 49 встреч при конверсии лид→встреча 55% означают около 89 лидов в работе (49 ÷ 0,55 — оценка, точное число лидов не зафиксировано). Из 49 встреч конверсия 22% даёт около 11 договоров (49 × 0,22). Но оплатой закрыли только 7 сделок — то есть ещё 4 договора из 11 за неделю не дошли до денег: они либо повиснут на следующей неделе, либо уйдут в отказ. Без разбивки по этапам эта картина не видна вообще — на выходе была бы одна цифра «7 из 16» без понимания, где именно теряются четыре уже подписанных договора.

Любопытная деталь: средний чек выше плана. Это значит, менеджеры не проседают в презентации ценности дорогих пакетов — они проседают именно на переходе к подписанию. По другому кейсу той же компании: конверсия 25–28% держалась три месяца подряд, и руководитель прямо сказал — если так продолжится, меняю структуру мотивации и все рекомендации отдаю отделу с конверсией 80%. Жёстко, но честно: он смотрел не на факт продаж, а на то, где именно теряется процент.

Ещё пример того, как этап-специфичная причина маскируется под «плохой месяц»: отдел отвлёкся на апсейл по одному направлению и почти забросил холодные звонки. Вместо плановых 60+ звонков новым контактам сделали в разы меньше. При этом повторное касание по нескольким десяткам тёплых лидов месячной давности дало несколько рекомендаций. Вывод руководителя: одного звонка недостаточно, нужна регулярная работа с базой. Без разбивки по этапам этот вывод было бы невозможно сделать — просто увидели бы «продажи ниже плана» и не поняли почему.

Отдельно стоит случай, когда конверсия отдела внезапно упала до 30% при ожидаемых 50%. Разбор занял не неделю, а около пяти минут — но не потому, что кто-то угадал причину, а потому, что дашборд уже был разбит не только по этапам, но и по источникам сделок. Первая же строка среза по источникам показала: просадка сосредоточена в одном канале холодных лидов, где менеджеры физически перестали успевать доводить контакт до встречи — остальные источники держали плановую конверсию. Без такой разбивки эту же причину пришлось бы искать вручную, поднимая карточки по каждому менеджеру — отсюда и оценка «неделя ручного разбора» в таблице ниже.

О том, как теряются деньги между маркетингом и продажами на более раннем этапе — в статье «Лиды есть, а продаж нет».

Дашборд вместо памяти: механика по шагам

Соберёте это за вечер, если у вас есть выгрузка из CRM. Никакой BI-системы покупать не нужно — начните с таблицы, а инструмент выберете, когда поймёте, что именно смотрите каждую неделю.

Прогноз по воронке требует данных, которые не устаревают за неделю. Разовый отчёт для планёрки — это фотография прошлого. Нужен инструмент, который обновляется постоянно и показывает не только «сколько продали», а «что застряло и почему». Механика такая:

1. Что → сырые данные о сделках (этап, дата создания, дата последнего движения, менеджер, сумма, источник) забираются из CRM.
2. Чем → Google Apps Script или прямой вебхук CRM по расписанию складывает срез в таблицу, где считаются конверсии по этапам, разбивка по источникам и дни без движения.
3. Куда → результат попадает на дашборд с интеграцией «клик по строке → карточка сделки», чтобы не искать её отдельно.
4. Кто и когда смотрит → руководитель — ежедневно по светофору, собственник — на еженедельном разборе плана/факта.

В одной компании собрали именно такой дашборд: pipeline по каждому менеджеру, конверсия из договора в оплату, дата последнего контакта, источник сделки. Детализация по месяцам показывает заброшенные сделки без касаний ещё до того, как они превратятся в потерянный доход.

Потом руководитель заказал динамический отчёт по воронке с обновлением каждый час. Для каждого менеджера он показывает клиента, текущий статус, дату создания сделки, число дней в статусе и светофор — зелёный, жёлтый, красный — на основе нормативных сроков по стадиям. Идея простая: если сделка на этапе «договор» висит дольше нормы, система красит её красным раньше, чем это заметит человек на планёрке. Вот как такой отчёт выглядит на практике для недели 14–20 мая:

Похожая логика — в отдельном дашборде по договорам: имя менеджера, имя клиента, сумма, дата выставления счёта, была ли встреча. Это позволяет видеть закономерность — сделки после встречи закрываются иначе, чем без неё — и дожимать конкретные неоплаченные договоры адресно, а не общим напоминанием «оплатите, пожалуйста». Про системный контроль оплат — в статье «Дебиторка растёт: контроль, который не зависит от памяти людей».

В итоге вместо двух-трёх разрозненных отчётов получился один интерактивный портал: все договоры по источникам, пайплайн по месяцам, оплаты и выставленные счета по каждому сотруднику. Логика владельца была простой: «Чем мне создавать два отчёта? Мне проще создать один» — и именно на этом портале был найден за пять минут кейс с падением конверсии до 30%, описанный выше.

Обе оценки в левой колонке — не измерения секундомером, а прикидка руководителя по памяти о том, сколько времени уходило раньше. Это честная оценка, а не точный хронометраж, и в статье она помечена как оценка намеренно — чтобы не выдавать прикидку за измеренный факт.

ИИ-связка: диагностика узкого места

Дальше — постановка, которую вы можете взять как есть и подставить свою выгрузку. Машина найдёт этап, где стоит очередь, и покажет, на чём именно вы теряете.

Дашборд показывает цифры. Но кто-то ещё должен каждую неделю посмотреть на все строки по всем менеджерам и сформулировать словами, где именно проблема. Это ручная работа, и её можно передать дешёвой модели — задача чисто структурная: сравнить план и факт по этапам, найти максимальное отклонение и сформулировать причину без домыслов. Творческая модель здесь не нужна и дорогая тоже не нужна — нужна дисциплинированная, которая не выдумывает лишнего.

Схема конвейера: CRM (amoCRM API или Bitrix24-вебхук) → почасовой снимок сделок в Google Sheets → раз в неделю сборка JSON по каждому менеджеру → запрос к дешёвой модели (класс gpt-4o-mini или аналог) → ответ пишется обратно в таблицу и дублируется в чат руководителя. Входные данные на менеджера выглядят так — это не гипотетический пример, а структура, которую реально собирает Google Apps Script по расписанию раз в неделю:

Входные данные (JSON, один объект на менеджера, собирается скриптом из Google Sheets):

{
  "manager": "Петров",
  "week": "2026-05-14/2026-05-20",
  "stages": {
    "lead_to_meeting": {"plan": null, "fact": 0.55, "count": 49},
    "meeting_to_contract": {"plan": 0.23, "fact": 0.22, "count": 11},
    "contract_to_payment": {"plan": 0.85, "fact": 0.64, "count": 7},
    "lead_to_sale": {"plan": 0.23, "fact": 0.14}
  },
  "avg_check_vs_plan": 1.35,
  "deals_stuck_over_norm_days": [
    {"deal_id": "D-1042", "stage": "contract", "days_in_stage": 12, "norm_days": 5}
  ]
}

---

Промпт для модели:

Ты — аналитик отдела продаж. Тебе дан JSON с фактической и плановой конверсией
по этапам воронки для одного менеджера за неделю.

Правила:
1. Не придумывай причины, которых нет в данных. Если данных недостаточно
   для вывода — так и напиши в поле "comment": "недостаточно данных".
2. Найди этап с максимальным отрицательным отклонением факта от плана
   в процентных пунктах. Если у этапа нет плана (null), не считай его
   узким местом только по этой причине.
3. Если в deals_stuck_over_norm_days есть сделки старше нормы — упомяни
   их количество отдельно, это не то же самое, что просадка конверсии.
4. Не советуй ничего, что не следует напрямую из цифр (без общих фраз
   вида "нужно больше стараться").

Верни строго JSON без пояснений вне JSON:
{
  "manager": "...",
  "problem_stage": "...",
  "deviation_pp": число,
  "stuck_deals_count": число,
  "comment": "1-2 предложения, только по цифрам",
  "recommended_action": "1 конкретное действие"
}

Пример ответа модели на входные данные выше:

{
  "manager": "Петров",
  "problem_stage": "contract_to_payment",
  "deviation_pp": -21,
  "stuck_deals_count": 1,
  "comment": "Конверсия договор→оплата 64% при плане 85%, отклонение -21 п.п. Одна сделка (D-1042) висит на этапе договора 12 дней при норме 5.",
  "recommended_action": "Разобрать сделку D-1042 сегодня: узнать причину задержки оплаты и зафиксировать срок."
}

Обратите внимание: модель не сказала «менеджер плохо работает» — она указала конкретную сделку и конкретное отклонение. Это и есть разница между диагностикой и оценочным суждением. Дальше решение принимает человек: разговор с менеджером, звонок клиенту, пересмотр скрипта — но повестку для этого разговора формирует не память руководителя, а цифра.

Инженерная обвязка, без которой промпт ломается на третьей неделе:

• Расписание запуска — раз в неделю, в фиксированный день и час (например, понедельник 8:00), до планёрки, а не после.
• Если в срезе за неделю у менеджера меньше 5 сделок на этапе — модель должна писать «недостаточно данных», а не достраивать вывод по единичному случаю. Это правило зашито в промпт отдельным пунктом, а не оставлено на усмотрение модели.
• Сырой ответ модели логируется отдельной строкой рядом с итоговым JSON — если через месяц вывод покажется странным, можно проверить, на каких именно цифрах он основан.
• Числовые поля в ответе (deviation_pp, stuck_deals_count) валидируются скриптом перед записью в таблицу: если модель вернула не число или пустое поле — строка помечается для ручной проверки, а не публикуется как есть.
• Стоимость такого прогона на класс моделей gpt-4o-mini при отделе из нескольких менеджеров и одном запуске в неделю — предмет отдельного разговора: подробный разбор счетов за ИИ в инфраструктуре продаж — в статье про контроль качества звонков без ОКК, там похожая экономика на других объёмах.

Экономика: во сколько обходится ваша зависшая сделка

Возьмите свой средний чек и умножьте на число сделок, которые стоят без движения дольше двух недель. Это ваш замороженный оборот — деньги, которые уже почти ваши.

Возьмём легендированный пример на профиле условной компании из этого разбора: сервисная компания, отдел из 12 менеджеров, оборот ~6 млн ₽ в месяц, средний чек — 500 тыс. ₽. При таких вводных отдел закрывает около 12 договоров в месяц (6 000 000 ₽ ÷ 500 000 ₽ — оценка).

Возьмём консервативную долю зависающих на этапе «договор→оплата» сделок — 10% от закрытых договоров. В разобранном выше примере недели эта доля была выше — 4 зависших договора из 11, то есть 36% — так что 10% в этом расчёте заниженная, а не завышенная оценка.

10% от 12 договоров в месяц — это около 1 зависшей сделки (оценка). При среднем чеке 500 тыс. ₽ риск не дойти до оплаты по этой сделке — около 500 тыс. ₽ в месяц (оценка, верхняя граница: она справедлива, если сделка теряется полностью, а не переезжает на следующий месяц — на практике часть таких сделок всё же закрывается позже, так что реальный риск обычно ниже этой цифры).

Отдельно — время руководителя. Ручной поиск причины по каждой зависшей сделке (поднять карточку, посмотреть переписку, позвонить менеджеру) занимает примерно час (оценка). На одну зависшую сделку в месяц это около 1 000 ₽ по ставке ~1 000 ₽/час (оценка) — сумма, которая не идёт ни в какое сравнение с риском 500 тыс. ₽ по недополученной выручке. Именно это время дашборд с автоматическим светофором и еженедельной ИИ-диагностикой освобождает почти полностью — вместо часа на сделку остаётся 5–10 минут на проверку уже готового вывода модели.

Важная оговорка: рост конверсии на процентный пункт в месяц, о котором шла речь в начале статьи, — результат комплекса мер (контроль, разбор сделок, дисциплина по звонкам), а не одного только дашборда. Вклад именно инструмента прогноза в этом комплексе — сокращение времени на обнаружение проблемы с недели до минут, что и переводится в риск около 500 тыс. ₽ в месяц (оценка на легендированном профиле), выявленный на пятый день, а не в конце месяца, когда план уже сорван и деньги не вернуть.

Где это ломается

Три места, в которых ваш прогноз перестанет работать. Первые два вы почините за день, третье потребует разговора с командой.

Чек-лист понедельника

1. Разложить план недели на этапы воронки: лид→встреча, встреча→договор, договор→оплата — а не одну цифру «план по деньгам».
2. Свериться с фактом за прошлую неделю по каждому этапу отдельно, а не только по итоговой сумме продаж.
3. Проверить разбивку по источникам сделок — просадка в одном канале маскируется нормальной средней конверсией по отделу.
4. Выгрузить список сделок, которые дольше нормы висят на своём этапе (светофор красный/жёлтый), и разобрать топ-3 из них до планёрки.
5. Если используется ИИ-диагностика — проверить, не помечены ли строки «недостаточно данных»: это сигнал, что в CRM просела дисциплина внесения данных, а не что всё в порядке.
6. Отдельно вынести долгоживущие нетипичные сделки в отдельную воронку, чтобы они не искажали средние показатели.

Прогноз по воронке не избавляет от плохих недель. Он избавляет от неожиданных плохих недель. Разница между «мы недобрали план и уже знаем почему» и «мы недобрали план и понятия не имеем почему» — это разница между управляемым отделом продаж и отделом, который живёт от отчёта к отчёту. Цифры за 14–20 мая некрасивые. Но они были видны на пятый день, а не на тридцатый — и это единственное, что даёт шанс что-то успеть исправить в текущем месяце, а не только сделать выводы для следующего.

И ещё одно, без чего таблица не приживётся. Разложить план на этапы и раз в неделю сверять с фактом — это управленческий навык, такой же, как чтение отчёта о прибылях или разбор рекламации. Он ставится теми же понедельниками, что и любой другой: первые три раза уходит час, дальше двадцать минут, а через месяц вы начинаете замечать провал раньше, чем его замечает сам отдел продаж.

Что сделать в понедельник: выгрузите сделки за квартал и посчитайте конверсию каждого перехода. Одна таблица, час работы. После неё разговор с отделом продаж перестанет быть спором мнений — вы будете обсуждать конкретный этап, где стоит очередь.

Как собрать прогноз, который пересчитывается сам и предупреждает о провале заранее, — в бесплатном курсе.

Мой опыт: где я обжёгся

Первый наш прогноз по воронке был красивым и неверным. Я взял среднюю конверсию по всем сделкам сразу — и получил цифру, которая не сбывалась ни разу. Оказалось, что конверсия у разных источников отличается в три раза, и усреднять их было ошибкой: половина прогноза строилась на лидах, которые не конвертировались почти никогда.

Мы разделили воронку по источникам, и прогноз начал попадать. Заодно выяснилось, что один канал стабильно даёт мусор, — его закрыли, и это решение окупило всю затею с прогнозированием.

Так что если ваш прогноз не сбывается — прежде чем винить менеджеров, проверьте, не усредняете ли вы то, что усреднять нельзя.

Частые вопросы

Как считать выполнение плана продаж, если сделки долгие?

Считать не по факту оплаты в конце месяца, а по конверсии на каждом этапе воронки понедельно — тогда отклонение видно на пятый день, а не на тридцатый.

Почему конверсия продаж по этапам важнее общей цифры конверсии?

Общая цифра не говорит, где теряются деньги — на встрече, на договоре или на оплате. Разбивка по этапам показывает конкретное узкое место и конкретный разговор с менеджерами.

Что делать, если конверсия резко упала при росте штата?

Проверить, не размылось ли внимание к лидам из-за их избытка на менеджера — это частая причина падения конверсии при масштабировании отдела, а не проблема квалификации новых людей.

Прогноз продаж — это то же самое, что план продаж?

Нет. План — цифра, которую вы себе назначили на месяц. Прогноз — расчёт от текущей воронки: сколько получится при нынешних конверсиях. Расхождение между ними и есть управленческий сигнал, а не повод переписать план.

Нужны ли для прогноза продаж методы прогнозирования из учебника?

Нет. Ни регрессий, ни сезонных коэффициентов здесь не нужно: руководителю отдела хватает арифметики по этапам воронки, которую он считает в понедельник за час на выгрузке из CRM.

#аналитика и отчётность #контроль и надёжность #деньги