Кратко: OLNISA - поставщик промышленного оборудования с командой из 24 менеджеров. Клиенты присылают заявки на email - так принято в отрасли, но каждый менеджер тратил около часа в день на ручной разбор почты и перенос данных в amoCRM. Мы автоматизировали пайплайн с помощью ИИ: письма классифицируются, данные извлекаются, вложения и фотографии анализируются, сделки создаются в CRM. Прямая экономия - около 4 млн ₽ в год.
Ключевые цифры
- ~4 млн ₽/год - прямая экономия на зарплатном фонде менеджеров
- 6336 часов/год - время, которое команда больше не тратит на почту (24 ч/день × 22 раб. дня × 12 мес)
- 90% заявок обрабатываются без ручных правок
- 2 недели - пилот до первых автоматических сделок в CRM
Кто такие OLNISA и почему email
OLNISA более 15 лет поставляет промышленное электронное оборудование и компоненты: от датчиков и контакторов до частотников и панелей управления. Каталог - десятки тысяч позиций, клиенты - инженеры и снабженцы на производствах.
В этой нише заявки по-прежнему идут на email. Клиент пишет свободным текстом: «нужен датчик такой-то, 5 штук, срочно» - иногда в теле письма, иногда во вложении, иногда на фото бирки с оборудования. Менеджеры OLNISA привыкли работать с почтой - клиенты ценят живое общение. Но операционно это дорого.
Что было: час в день на каждого менеджера
Типичный сценарий до автоматизации:
- Менеджер открывает почту и читает цепочку писем.
- Решает: это новая заявка или уточнение по старой?
- Выписывает артикулы, количество, контакты - часто из разных мест в письме.
- Создаёт сделку в amoCRM вручную.
- Если что-то непонятно - перечитывает или уточняет у коллеги.
При 24 менеджерах это 24 человеко-часа каждый рабочий день - только на разбор входящих. В месяц около 528 часов, в год - 6336.
Параллельно росли другие потери:
- Заявки терялись в потоке писем или откладывались на «потом».
- Ошибки при переносе - неверный артикул, количество, контакт.
- Медленная реакция - клиент ждал, пока менеджер доберётся до его письма.
Считали экономию вместе с клиентом: час менеджера - около 630 ₽ (зарплата + налоги + накладные). 6336 × 630 ≈ 4 млн ₽ в год - только прямая экономия времени, без учёта спасённых сделок и снижения ошибок.
Что стало: заявка в CRM за секунды
Сейчас каждое входящее письмо проходит автоматический разбор. Система подключается к почтовым ящикам менеджеров и обрабатывает письма за 10-20 секунд после получения.
Первый этап - классификация. ИИ определяет: это новая заявка или нет. Уточнение по счёту, переписка по старому заказу, служебное письмо - помечается как «пропуск» и не создаёт лишних сделок.
Второй этап - извлечение данных. Если заявка - ИИ вытаскивает реквизиты клиента, позиции заказа (артикул, производитель, количество), комментарии. Данные попадают в amoCRM: контакт, компания, сделка, вкладка «Артикулы».
Вложения и фотографии. ИИ читает не только текст письма. Прикреплённые файлы и фото тоже анализируются. Типичный случай: клиент присылает фото частотника с повреждённым корпусом и просит ремонт - система распознаёт модель оборудования по снимку, ставит позицию в заказ и создаёт сделку с пометкой о ремонте. Без этого менеджер открывал бы вложение вручную и переписывал данные.
Журнал писем: классификация «новая заявка / нет», уверенность ИИ, время обработки. Данные клиентов скрыты.
Сделка в amoCRM: артикулы, позиции заказа и лог ИИ-анализа. Контакты клиента скрыты.
Результаты в цифрах
| Показатель | До | После |
|---|---|---|
| Время на разбор почты (команда) | ~24 ч/день | Автоматически |
| Точность без правок | - | 90% |
| Ручные правки | 100% заявок | ~10% |
| Прямая экономия | - | ~4 млн ₽/год |
10% заявок, где ИИ не уверен на 100%, попадают на доработку - но это минуты, а не час на каждое письмо.
Как внедряли
Не включали всё сразу на 24 менеджеров.
- Пилот - 2 недели. Подключили почту, настроили правила, первые сделки пошли в amoCRM автоматически.
- Доработка - около месяца. Уточняли правила под реальные письма OLNISA: типовые формулировки, edge cases, вложения.
- Постепенный rollout. Подключали менеджеров группами, чтобы команда привыкла и мы могли подкрутить логику по обратной связи.
Что говорит клиент
«Раньше каждый менеджер тратил около часа в день только на почту: найти новую заявку среди уточнений, перенести артикулы в CRM, не ошибиться. Сейчас заявки попадают в amoCRM сами - с позициями, контактами, даже если клиент прислал фото оборудования во вложении. Команда снова продаёт, а не разбирает письма.»
— Александр Кротов, OLNISA
Как устроено технически
Двухэтапный пайплайн
Этап 1 - фильтр. Каждое письмо проходит первичную обработку. ИИ решает по заданным правилам: заявка или нет. Не-заявки помечаются «пропуск» и не создают сделок.
Этап 2 - извлечение. Для заявок второй агент извлекает структурированные данные: контакты, компания, позиции заказа, комментарии. Отдельно обрабатываются вложения - PDF, Excel, фотографии оборудования.
Контроль качества
На каждом этапе ИИ оценивает уверенность. Если confidence низкий - подключается второй независимый агент и третий «судья», который выносит финальный вердикт. Это снижает ошибки на нестандартных письмах.
Админка
Веб-интерфейс для команды OLNISA и SIMPLEDASH:
- журнал всех разобранных писем;
- фильтр «только спорные»;
- просмотр логики решений ИИ;
- правка инструкций для ИИ без изменения кода.
Подходит ли вам такое решение
Этот кейс актуален, если:
- заявки приходят на email в свободной форме;
- менеджеры тратят заметное время на разбор почты и перенос в CRM;
- в письмах часто есть вложения - спецификации, фото, счета;
- вы используете amoCRM или готовы к интеграции.
Хотите прикинуть экономию на ваших цифрах? Оставьте заявку - разберём задачу за 30-60 минут.