Агрегированный спрос: как объединить данные CRM в точный прогноз продаж

Когда компания продаёт больше одного продукта больше чем одному сегменту клиентов, интуитивные оценки «сколько купят в следующем квартале» перестают работать. Нужен инструмент, который сводит разрозненные сигналы — от отдельной сделки в воронке до макроэкономического индикатора — в одну цифру, на которую можно опереться при планировании закупок, найма и бюджета. Этот инструмент называется агрегированным спросом. Разберёмся, что стоит за термином, как его считают на практике и где он подводит, если использовать его бездумно.

Что такое агрегированный спрос: два значения одного термина

У термина есть макроэкономический и прикладной (CRM/sales) смысл, и их путают чаще, чем кажется.

В классической экономике агрегированный (совокупный) спрос — это суммарный объём товаров и услуг, который все субъекты экономики (домохозяйства, бизнес, государство, внешний рынок) готовы купить при определённом уровне цен. Это одна из осей модели AD-AS, и на неё влияют потребительские расходы, инвестиции, госрасходы и чистый экспорт.

В практике продаж и CRM «агрегированный спрос» — это более узкое понятие: сведённая оценка потребности в продукте или услуге, полученная из множества источников на уровне компании — открытых сделок, повторных закупок, тикетов поддержки с запросом функциональности, лидов из маркетинга, исторических паттернов потребления. Это не макроэкономика, а операционная метрика, которая отвечает на вопрос «сколько у нас реально просят купить, если сложить все каналы и сегменты вместе».

Дальше в статье речь пойдёт в основном о втором значении, потому что именно оно определяет, сколько сырья закупить, сколько менеджеров нанять и какой объём производства заложить в план — но там, где уместно, я буду возвращаться к экономическому контексту, потому что без него прикладная метрика теряет часть смысла: если совокупный спрос в экономике падает, никакая точность в CRM не спасёт план продаж.

Зачем аггрегировать спрос из CRM, а не смотреть на воронку целиком

Стандартный отчёт по воронке в CRM показывает сумму открытых сделок по стадиям. Проблема в том, что эта сумма почти всегда завышена: часть сделок замерла, часть — дубли, часть заведена «на всякий случай» менеджером, который боится показать пустой пайплайн. Агрегированный спрос отличается тем, что данные из воронки очищаются, взвешиваются по вероятности закрытия и объединяются с сигналами вне CRM — иначе прогноз строится на шуме.

Практическая польза проявляется в трёх точках:

• Закупки и производство. Если у вас физический товар, разница между «сумма сделок в CRM» и «реальный агрегированный спрос» может достигать 30–40%: избыток порождает затоваривание склада, недооценка — упущенные продажи и штрафы за срыв поставки.
• Планирование ресурсов продаж. Зная агрегированный спрос по сегментам, можно распределить менеджеров не поровну, а пропорционально реальному объёму работы — это снижает выгорание в перегруженных сегментах и простой в недогруженных.
• Переговоры с инвесторами и советом директоров. Цифра «совокупная сумма пайплайна» звучит эффектно, но опытный инвестор спросит про конверсию и качество данных. Агрегированный спрос, посчитанный с учётом вероятностей и исторической точности прогнозов, выдерживает такую проверку.

Из чего складывается агрегированный спрос: компоненты и логика расчёта

На базовом уровне формула выглядит просто:

Агрегированный спрос = Σ (объём сделки × вероятность закрытия) по всем активным сделкам + ожидаемый спрос от текущих клиентов (допродажи, продления) + скорректированный прогноз новых лидов на основе исторической конверсии по каналу.

Сложность не в формуле, а в том, откуда брать каждую переменную и как её очищать.

Вероятность закрытия редко стоит брать напрямую из поля CRM, которое менеджер выставляет вручную — эти оценки систематически завышены. Разумнее строить вероятность по историческим данным: какой процент сделок с похожими параметрами (стадия, сумма, длительность цикла, отрасль клиента) реально закрывался за последние 12–24 месяца.

Спрос от текущей базы — это не только продления по контракту, но и сигналы расширения: рост использования продукта, обращения в поддержку с вопросами о новых функциях, изменение штата клиента (если у вас продукт с оплатой за пользователя). Здесь агрегированный спрос смыкается с product usage data, и без интеграции CRM с продуктовой аналитикой эта часть просто теряется.

Прогноз новых лидов нельзя строить на общем количестве лидов в маркетинговой воронке — нужно учитывать канал происхождения, потому что конверсия у контекстной рекламы, партнёрских рекомендаций и холодных рассылок отличается в разы, и усреднение по всей базе лидов даёт грубую ошибку.

Источники данных для агрегации спроса

Ни один источник в одиночку не даёт надёжной картины. CRM показывает то, что уже дошло до стадии переговоров, но пропускает спрос, который ещё не оформился в сделку — например, растущее использование продукта клиентом, который пока не обращался за расширением лимита. Продуктовая аналитика, наоборот, слепа к новым клиентам. Поэтому агрегированный спрос почти всегда — это результат сведения минимум трёх источников, а не экспорт одного отчёта.

Методы агрегации: от простого к сложному

В зависимости от зрелости компании и качества данных используются разные подходы.

1. Взвешенное суммирование по стадиям воронки. Самый простой метод: каждой стадии присваивается фиксированный вес (например, «переговоры» — 0,6, «коммерческое предложение» — 0,3). Быстро внедряется, но не учитывает специфику сегментов и быстро устаревает, если продуктовая линейка меняется.
2. Когортный анализ. Клиенты группируются по когортам (месяц привлечения, канал, сегмент), и для каждой когорты считается собственная динамика спроса. Хорошо работает там, где есть регулярные повторные покупки — подписочные продукты, дистрибуция расходных материалов.
3. Регрессионные модели на исторических данных. Вероятность закрытия и объём сделки прогнозируются моделью, обученной на прошлых сделках с похожими параметрами. Требует достаточного объёма истории (обычно от нескольких сотен закрытых сделок) и внятной гигиены данных в CRM — иначе модель обучится на мусоре.
4. Комбинированный подход с внешним контекстом. К внутренним данным добавляются отраслевые индексы, сезонность, макроэкономические индикаторы (например, индекс деловой активности PMI для B2B). Это оправдано в отраслях с высокой цикличностью — строительство, промышленное оборудование, часть B2B SaaS, завязанного на ИТ-бюджеты корпораций.

Выбор метода — это всегда компромисс между точностью и стоимостью внедрения. Регрессионная модель звучит солиднее взвешенного суммирования, но если в CRM за последние два года накопилось 80 закрытых сделок с разнородными параметрами, модель даст ложное ощущение точности, а не саму точность.

Кейс 1: производитель промышленного оборудования

Компания, поставляющая насосное оборудование дистрибьюторам, долго планировала производство по сумме открытых сделок в CRM. На практике реальные отгрузки регулярно расходились с прогнозом пайплайна на 25–35% в обе стороны — квартал заканчивался либо избытком готовой продукции на складе, либо дефицитом ходовых позиций.

Разбор причин показал: менеджеры вносили в CRM сделки, ещё не подтверждённые бюджетом клиента (крупные промышленные закупки часто идут через тендер, и заявка появляется в системе задолго до утверждения бюджета заказчиком). При этом часть повторных заказов от постоянных дистрибьюторов вообще не заводилась как «сделка» — она обрабатывалась напрямую через отдел продаж как рутинная отгрузка и не попадала в пайплайн.

Решение состояло не в новом ПО, а в перестройке логики: вероятность закрытия стали считать не по стадии, а по историческому проценту реализации тендерных заявок этого типа клиента (для госзаказчиков — ниже, для частных дистрибьюторов с историей закупок — выше), а повторные заказы от постоянных клиентов стали учитывать отдельным потоком на основе среднего цикла закупки за последние 18 месяцев, а не через ручное создание сделки. Расхождение прогноза с фактом сократилось до 10–12%, что для отрасли с длинным циклом производства уже приемлемо.

Кейс 2: SaaS-компания с моделью freemium

B2B SaaS-сервис для управления проектами столкнулся с обратной проблемой: сумма открытых сделок в CRM отражала только платных лидов из отдела продаж, но не учитывала спрос со стороны бесплатных пользователей, которые упирались в лимиты тарифа. Продуктовая команда видела рост числа аккаунтов, приближающихся к лимиту по количеству проектов, но эта информация не попадала в прогноз выручки.

После интеграции продуктовой аналитики с CRM агрегированный спрос стал считаться как сумма трёх потоков: пайплайн отдела продаж (взвешенный по вероятности), прогноз конверсии free-to-paid на основе исторического процента для пользователей, достигших определённого порога использования, и ожидаемые допродажи по действующей платной базе на основе роста команд внутри аккаунта. Это позволило заранее видеть всплеск потенциального спроса за 4–6 недель до того, как он материализуется в реальных заявках на апгрейд, и подготовить нагрузку на команду поддержки продаж заранее, а не реагировать постфактум.

Ограничения, спорные моменты и типичные ошибки

Метод не универсален, и стоит честно обозначить его слабые места.

• Иллюзия точности. Формула с несколькими знаками после запятой создаёт ощущение научности, но если исходные данные в CRM низкого качества, любая агрегация лишь упаковывает мусор в убедительную цифру. Гигиена данных первична, модель — вторична.
• Игнорирование макроэкономического контекста. Даже идеально посчитанный внутренний спрос может обрушиться из-за внешнего шока — сжатия ИТ-бюджетов, роста ставок, отраслевого спада. Модели, обученные на данных периода роста, систематически завышают прогноз в момент разворота цикла.
• Смещение выборки в регрессионных моделях. Если исторические данные накоплены преимущественно по одному сегменту (например, крупным клиентам), модель будет плохо работать при выходе в средний и малый бизнес — веса, полученные на одних данных, не переносятся автоматически.
• Конфликт интересов при вводе данных. Менеджеры по продажам, чей бонус зависит от объёма пайплайна, объективно заинтересованы завышать вероятность закрытия своих сделок. Любая методика агрегации, построенная на самооценке продавца, унаследует это искажение.
• Разная скорость устаревания источников. Данные CRM обновляются ежедневно, макроиндикаторы — раз в месяц или квартал. Механическое объединение без учёта лага приводит к тому, что медленный источник либо запаздывает, либо искусственно сглаживает резкие изменения спроса.

Спорный момент, который стоит проговорить отдельно: не всем компаниям нужна сложная агрегация. Если цикл сделки короткий (дни, а не месяцы), а ассортимент узкий, простое скользящее среднее по факту продаж за последние недели может давать точность не хуже многофакторной модели — и стоить на порядок дешевле во внедрении и поддержке.

Как внедрить расчёт агрегированного спроса: пошаговый план

1. Проведите аудит данных в CRM. Оцените долю дублей, зависших сделок без активности дольше 90 дней, и полноту заполнения ключевых полей (сумма, дата закрытия, вероятность, источник).
2. Определите горизонт прогноза и его назначение. Прогноз на квартал для закупок и прогноз на неделю для загрузки колл-центра требуют разных источников и разной частоты пересчёта — не пытайтесь закрыть обе задачи одной моделью.
3. Соберите исторические данные о реализации сделок минимум за 12 месяцев, а лучше за 24, с разбивкой по сегментам, каналам и стадиям — это основа для расчёта реальных вероятностей закрытия.
4. Подключите дополнительные источники — продуктовую аналитику, данные поддержки, при необходимости отраслевые индикаторы — только после того, как внутренние данные CRM приведены в порядок.
5. Выберите метод агрегации, соразмерный объёму данных: взвешенное суммирование для старта, переход к когортному анализу или регрессии по мере накопления истории.
6. Зафиксируйте методологию расчёта вероятностей отдельно от личных оценок менеджеров, чтобы исключить мотивационное искажение.
7. Настройте регулярную сверку прогноза с фактом и пересчитывайте веса и коэффициенты не реже раза в квартал — рынок и поведение клиентов меняются быстрее, чем кажется на старте проекта.
8. Введите понятную визуализацию для нетехнических стейкхолдеров — совет директоров и производственный отдел должны видеть не формулу, а понятный диапазон («ожидаем от X до Y с вероятностью 80%»).

Как заказывать расчёт агрегированного спроса на стороне

Не у каждой компании есть аналитик, готовый выстроить методологию с нуля, и в этом случае разумно привлекать внешнюю экспертизу — консалтинговую команду, дата-аналитика на проект или отраслевого специалиста. Здесь есть свои критерии выбора, и цена вопроса ошибки высока: недобросовестный подрядчик может выдать красиво оформленный отчёт, который не переживёт первую же сверку с фактом.

При выборе исполнителя имеет смысл проверять следующее:

• Просит ли исполнитель доступ к сырым данным CRM, а не только к готовым отчётам. Если аналитик готов работать по агрегированным дашбордам без выгрузки сделок на уровне отдельных записей, он не сможет ни оценить качество данных, ни пересчитать вероятности закрытия самостоятельно — а значит, унаследует все искажения, о которых шла речь выше.
• Есть ли у него методология валидации на исторических данных. Грамотный подход — сначала «обучить» модель на данных за прошлые периоды и проверить, насколько её ретроспективный прогноз совпал с фактическими продажами, и только после этого применять её к будущему периоду. Если исполнитель сразу выдаёт прогноз без такой проверки, доверять цифре не стоит.
• Насколько прозрачно объясняется логика расчёта. Экспертиза, результат которой нельзя разложить на понятные компоненты («вот эта часть суммы — из текущего пайплайна, эта — из ожидаемых продлений, эта — поправка на сезонность»), плохо поддаётся проверке и почти бесполезна при спорах с руководством о причинах отклонения факта от плана.
• Учитывается ли отраслевая специфика заказчика. Методика, хорошо работающая для B2C с коротким циклом покупки, часто напрямую не переносится на B2B с тендерными закупками — стоит уточнить, есть ли у исполнителя релевантный опыт именно в вашей отрасли или хотя бы в отраслях со схожей длиной цикла сделки.
• Как оформляется результат. Помимо итоговой цифры или диапазона, полезно требовать документацию по допущениям и весам — это позволяет пересчитывать прогноз внутренними силами при последующих изменениях в бизнесе, не заказывая экспертизу заново с нуля каждый квартал.

Стоимость такой работы сильно варьируется в зависимости от объёма данных и сложности методологии — от разовой консультации по настройке взвешенного суммирования до многомесячного проекта с построением регрессионной модели и её встраиванием в BI-систему компании. Разумный ориентир при разговоре с подрядчиком — попросить сначала провести короткий аудит данных и дать оценку реалистичности задачи, прежде чем оплачивать полный цикл построения модели: если качество данных в CRM низкое, любая сложная методология на старте — это трата бюджета, а не решение проблемы.

Частые вопросы

Чем агрегированный спрос отличается от прогноза продаж (sales forecast)? Прогноз продаж — это, как правило, одна итоговая цифра или диапазон на период. Агрегированный спрос — это методология, которая объясняет, из каких компонентов и источников эта цифра складывается, и позволяет пересчитать прогноз при изменении любого из них.

Можно ли считать агрегированный спрос без специализированного ПО, вручную в таблицах? На старте — да, особенно при взвешенном суммировании по стадиям. Ручной подход становится нежизнеспособным, когда источников данных больше двух-трёх или когда объём сделок исчисляется сотнями в месяц — тогда ошибки синхронизации данных превышают выгоду от учёта дополнительных источников.

Как часто нужно пересчитывать агрегированный спрос? Зависит от длины цикла сделки: при цикле в несколько дней — еженедельно, при длинном B2B-цикле в несколько месяцев — обычно раз в месяц, с более частой сверкой для критичных показателей (например, риска срыва квартального плана).

Насколько сильно на агрегированный спрос компании влияет макроэкономический совокупный спрос? Зависит от отрасли. Для товаров первой необходимости связь слабая, для B2B-продуктов с длинным циклом принятия решений и капитальных закупок — сильная: сжатие корпоративных бюджетов в период спада напрямую снижает конверсию даже у качественно проработанных сделок в пайплайне.

С чего начать компании, у которой в CRM только базовая информация о сделках? С аудита данных и расчёта исторической конверсии по стадиям — это не требует новых интеграций и уже даёт более честную цифру, чем простое суммирование сумм открытых сделок.

Стоит ли заказывать расчёт агрегированного спроса на аутсорсе, если в компании нет своего аналитика? Да, если есть хотя бы минимальная история сделок за 12 месяцев и доступ к сырым данным CRM для передачи исполнителю. Без этих двух условий внешняя экспертиза упрётся в те же ограничения, что и внутренняя, а результат будет опираться на догадки, а не на данные.

Агрегированный спрос — это не единая формула, а методология сведения разнородных сигналов (пайплайн, продуктовая аналитика, повторные покупки, внешний контекст) в оценку, на которую можно опереться при планировании. Его точность определяется не сложностью модели, а качеством исходных данных и честным учётом того, кто и с какой мотивацией эти данные вносит. Если вы только начинаете выстраивать эту практику в своей компании, разумный первый шаг — не покупка новой аналитической платформы, а аудит существующих данных в CRM и расчёт реальной, а не декларируемой конверсии по стадиям воронки за последний год.