Денис Дудкин
Автоматизация

Нейросеть для анализа данных: разбор 104 звонков вслепую

12 октября 2026 г. · 21 минут чтения

Короткий ответ: отдельной нейросети для анализа данных нет. Но покажу схему, которая работает: я проверил её на 104 чужих разговорах, и из семи гипотез заказчика подтвердилась одна.

По запросу продают либо обёртку вокруг обычной модели, либо конструктор графиков, который и без модели считал бы то же самое. Работает другое: обычная модель читает ваши данные по одному куску и заполняет жёсткую форму, а считает потом скрипт.

Разница не в словах. Модель, которой скормили всю таблицу и спросили «что тут интересного», отвечает красиво и бесполезно. Модель, которой дали один разговор и жёсткую форму из сорока полей, где каждый вывод подпирается дословной цитатой, отдаёт данные, с которыми уже можно работать.

Дальше - разбор на своём. 19,6 часа записей телефонных разговоров отдела продаж, 104 расшифровки, семь проверяемых гипотез, из которых устойчиво подтвердилась одна. И второй случай рядом: там данных была тысяча строк, а анализировать в них оказалось нечего, и это тоже результат.

Что считается нейросетью для анализа данных

Под запросом живут три разные вещи, и путать их дорого.

Конструктор графиков с чатом. Сервис подключается к таблице и рисует дашборд по фразе «покажи выручку по месяцам». Полезно, но это не анализ, а отрисовка того, что вы и так знали.

Модель с доступом к вашим данным. Переходник отдаёт модели таблицу или CRM напрямую, и дальше вы спрашиваете человеческим языком. Про это у меня отдельный разбор: нейросеть для таблиц, а про сам переходник - что такое MCP-сервер. Хорошо работает, пока данные лежат строками и числами.

Извлечение данных оттуда, где их не было. Вот это и есть интересное. Запись разговора, расшифровка, переписка, отзыв, описание группы - всё это не данные, а текст. Модель превращает текст в строки таблицы, и только после этого в нём можно что-то посчитать.

Модель не отвечает на вопрос «что у меня в данных». Она превращает текст в данные, а на вопросы отвечает потом арифметика.

Третий случай я и разбираю, потому что первые два закрываются доступом, а он уже описан по ссылкам выше.

Задача: чем выигранные сделки отличаются от проигранных

Заказчик - онлайн-школа для детей, отдел продаж на двух десятках менеджеров. Руководитель хотел понять, что делают в разговоре те, у кого сделки закрываются, и чего не делают остальные. В CRM этого не видно: там статус, сумма и пометка менеджера о себе самом.

Данные при этом были. 356 закрытых сделок, 169 выигранных и 187 проигранных. В карточках контактов 3352 звонка, из них 806 сделаны тем менеджером, который вёл сделку, а запись сохранилась у 321. Суммарно 1175 минут, то есть 19,6 часа чужих разговоров.

Семь гипотез руководитель сформулировал заранее: цену называют слишком рано, скидка спасает сделку, давление приводит к возвратам, помогает рассказ про сообщество и бонусы, и так далее. Моя работа была не угадать, а проверить.

Как устроен разбор: пять шагов и один занавес

Пайплайн получился такой.

Выгрузка. Сделки по фильтру закрытия, звонки через связанные контакты, сырые ответы складываются в файлы и кэшируются. Повторный запуск продолжает с места обрыва и ничего не перезапрашивает заново.

Расшифровка. Записи у телефонии стерео, и собеседники разведены по каналам. Значит никакой диаризации не надо: ffmpeg раскладывает файл на два канала, каждый расшифровывается отдельно, потом склеивается в размеченный диалог. Делает это локальная модель, бесплатно и без облака - как это ставится, в разборе нейросеть для расшифровки аудио.

Метаданные без исхода. Рядом с каждой расшифровкой лежит файл с техническими флагами: записались ли обе стороны, надёжно ли разделились роли. Исход сделки, её номер и имя менеджера оттуда вырезаны.

Разбор. Агент читает одну расшифровку и заполняет JSON по схеме: назвал ли клиент бюджет, прозвучало ли возражение по цене, на какой минуте впервые названа цена, сколько было открытых вопросов, чем закончилось. Каждый вывод - с дословной цитатой и временем. Как такие агенты устроены, разобрано в как создать ИИ-агента.

Один разговор, заполненный агентом. Цитаты в кадре подменены на выдуманные той же длины: структура и объём настоящие, слова клиента нет.

Сведение. Скрипт собирает 104 файла в одну таблицу, подклеивает к каждому исход сделки из CRM и считает доли и значимость.

Весь разбор идёт слева от занавеса. Исход сделки лежит в CRM всё это время, но попадает в работу только на пятом шаге, когда подогнать выводы уже нечем.

Занавес между третьим шагом и пятым - главное в этой конструкции, и про него отдельно.

Разбор вслепую: правило, без которого всё бессмысленно

Агент не должен знать, чем закончилась сделка. Не из чистоты метода, а потому что иначе выводы подгоняются сами собой, без всякого злого умысла.

Проверить это легко на себе. Прочитайте разговор, зная, что клиент купил, и вы увидите уверенную работу с возражением. Прочитайте тот же разговор, зная, что клиент ушёл, и та же фраза станет суетливой отработкой по скрипту. Модель ведёт себя точно так же, только убедительнее: она ещё и цитату подберёт под нужный вывод.

Поэтому исход вырезан из всего, что агент видит. В файле метаданных его нет, в расшифровке нет, номер сделки и имя менеджера тоже вырезаны. Подклеивается всё это уже на сведении, скриптом, которому всё равно.

Второе правило оттуда же: вывод без дословной цитаты не считается. Цитата приводится ровно так, как стоит в расшифровке, вместе с ошибками распознавания, и рядом время. Это нужно, чтобы любой вывод можно было переслушать по записи, и это единственная настоящая защита от того, что модель вежливо придумает.

И третье: если в записи провал, обрыв или сторона не записалась, это надо писать в отдельное поле, а не выдавать за отсутствие темы. Иначе «клиент не возражал по цене» и «клиента в записи не слышно» сольются в одну цифру.

Что показали 104 разговора

Из 104 разобранных разговоров в статистику ушли 80: записи на пробный урок и разбор платежей исключены, потому что в них нет ни презентации, ни цены, и они размывают все доли. Считали по сделкам, а не по звонкам: у части сделок разговоров несколько, и независимыми наблюдениями их считать нельзя. Итого 34 выигранных сделки и 30 проигранных.

Подтвердилось ровно одно: разговор либо состоялся, либо нет. По выигранным сделкам наговорено 800 секунд против 416 по проигранным. Проверено перестановочным тестом, p = 0,008 - на случайность не спишешь.

Всё остальное между группами не различается:

что проверяливыигранныепроигранные
прозвучало возражение по цене44%47%
менеджер снизил цену26%27%
предложил пакет поменьше29%33%
клиент сам назвал бюджет15%13%
клиент с чем-то сравнивал50%60%
показал презентацию результатов курса0%0%

Три вещи из этой таблицы стоят того, чтобы остановиться.

Скидка не спасает сделку. После прозвучавшего возражения цену снижали в 47% выигранных и в 57% проигранных. А само возражение по цене исход не определяет вообще: звучит оно почти одинаково часто у тех и у других.

Скидку чаще дают не в ответ на возражение. Агенты независимо друг от друга описали один и тот же приём: менеджер сам спрашивает «как вам по стоимости?» и, не дожидаясь ответа, роняет цену. Разброс по одному и тому же пакету на 40 уроков вышел кратный: 987 евро, 1410 долларов и 2170 евро. То есть цена здесь не прайс, а переговорная позиция конкретного человека.

Приёма, который собирались проверять, может не существовать. Презентацию результатов пройденного курса не показал никто, 0 из 64 сделок. Её упоминают часто, но всегда в будущем времени: «пришлю после разговора». Гипотеза не опровергнута и не подтверждена - проверять оказалось нечего.

А самое неприятное для заказчика было не про продажи. Преподаватель не знал, что детей двое. Не работала камера. Менеджер обсуждает пробный урок, на котором не был. Письмо со ссылкой на оплату ушло в спам как фишинговое. Мессенджер не даёт написать первым, и минуты разговора уходят на «напишите плюсик». Один менеджер говорит клиенту прямым текстом: «технические проблемы у нас постоянно, без конца и края».

Пометки в CRM расходятся с разговором в трети случаев

Отдельная находка, которая получилась бесплатно. В CRM есть поле, где менеджер сам отмечает реакцию клиента на цену. Я сверил его с тем, что реально прозвучало в записи: совпало в 64% случаев, 27 из 42.

Расхождения при этом не случайные. У одних менеджеров стоит «дорого» там, где возражения не было вовсе, у других «нормально» там, где оно прозвучало. То есть поле заполняется не про клиента, а про себя, и строить на нём отчётность нельзя.

Это, пожалуй, главный побочный вывод всей работы. Пока данные вносит человек руками, они описывают человека. Расшифровка описывает разговор.

Какие варианты я отверг

Самая полезная часть, потому что первые три попытки были другими.

Загрузить все расшифровки в чат одним куском. 19 часов разговоров - это миллионы знаков, ни в какое окно они не влезут. А главное, модель на большом тексте начинает отвечать обобщённо: «менеджеры часто дают скидку». Сколько раз, в каких разговорах, с какой цитатой - не ответит.

Один большой промпт на все вопросы сразу. Пробовал: качество падает на каждом следующем поле. Разделил на четыре прохода с отдельными схемами - техническая разметка, вычитка на пригодность, разбор ошибок, предметные гипотезы - и каждый стал давать внятный результат. Четыре простых прохода дешевле и точнее одного умного.

Дообучать модель на своих данных. Соблазнительно звучит и не нужно совершенно. Задача не в том, чтобы модель что-то запомнила, а в том, чтобы она аккуратно заполнила форму по одному документу. Для этого хватает описания полей.

BI-система поверх CRM. Её, кстати, у заказчика и купили до меня. Беда в том, что считать было нечего: в аккаунте 377 полей, многие легаси, и поле «сколько готовы тратить» пустое на всех 356 сделках. Гипотезу про возвраты я вообще не смог проверить - поле суммы возврата пустое по всей выборке.

Прежде чем анализировать, посмотрите заполненность полей. Половина вопросов снимается на этом шаге, и снимается честно: данных нет.

Второй случай: тысяча строк, в которых нечего анализировать

Второй набор был проще и поучительнее. Тысяча с небольшим карточек детских образовательных школ, по каждой название, описание и встроенный рейтинг с отзывами. Надо было разложить их по направлениям и понять, у кого в отзывах проблемы.

С направлениями вышло хорошо. Сначала словарь: 22 направления, каждое набором основ слов, и дальше обычная регулярка по названию и описанию. Словарь разобрал 713 карточек из 1040 и не попросил ни копейки. Остальные 327 - те, где совпадений не нашлось или нашлось сразу пять без явного лидера, - ушли модели пачками по 55 штук.

И модель отработала ровно там, где словарь слеп: она притащила направления, которых в таксономии не было вообще. «Психология» - 23 карточки, «школа для родителей» - 9. Нераспознанными осталось восемь карточек из 1040.

Вот это и есть рабочее разделение труда: дешёвый детерминированный проход делает две трети работы и всегда одинаково, а модель добивает остаток и заодно показывает, чего в вашей схеме не хватает.

А вот с отзывами не вышло ничего, и это полезнее.

Замер по тысяче с лишним карточек. Виджет оценок включён почти у всех, и именно это создаёт ощущение, что данные есть. Отзывы нашлись у трети, и дальше считать уже нечего.

Виджет оценок включён у 874 групп из 1045. Хотя бы один отзыв есть у 325. Десять и больше - у 52. А дальше самое интересное: медиана оценки равна пяти, и ровно пятёрка стоит у 295 карточек из 325. Групп с заметной долей негатива нашлось одиннадцать на всю тысячу.

Анализировать тут нечего, и никакая модель этого не исправит. Рейтинг, который владелец страницы может включить и выключить, а недовольный клиент почти никогда не пишет, не содержит сигнала. Я потратил вечер, чтобы это доказать цифрой, и считаю вечер потраченным правильно: иначе мы построили бы отчёт на пустоте.

Где у меня сломалось

Расшифровка писала титры вместо речи. На тихом канале локальная модель зацикливалась и вместо разговора выдавала сотнями строк подряд одно и то же:

Добавил субтитры DimaTorzok
Субтитры делал DimaTorzok

Две формулировки одной и той же отсебятины: по всему корпусу первая встретилась 249 раз, вторая 26. Попадался и гибрид, «Добавил субтитры делал DimaTorzok».

Это артефакт обучающих данных: модель видела много субтитров и в тишине начинает воспроизводить их по памяти, затирая реальный текст. Лечится запретом переносить контекст между окнами распознавания, флагом -mc 0. Пока я этого не знал, терялись именно ценовые блоки - самое ценное, потому что на цене люди говорят тише.

Четыре минуты записи, из них речи - три строки. Остальное модель сочинила в тишине. Звонок ушёл на автоответчик, поэтому в кадре нечего скрывать.

Роли переворачивались местами. Сначала я определял, кто менеджер, по косвенным признакам: кто больше говорит, кто первым здоровается. Ошибалось регулярно, и в размеченном диалоге менеджер с клиентом менялись местами - такой файл хуже, чем отсутствие файла, потому что выглядит нормально. Надёжным оказался только прямой признак: менеджер представляется сам, «меня зовут», «это ваш менеджер». Клиент о себе так не говорит. Файлы с неуверенным результатом помечены флагом и в доли речи не попали.

Каналы слышат друг друга. В записи стерео в канал одного собеседника слышно второго, и расшифровка дублирует реплики. Вылечилось сравнением громкости: если в этот момент соседний канал звучал заметно громче, сегмент отбрасывается.

CRM молча игнорировала сортировку. Запрос с сортировкой по дате закрытия отдавал сделки почти двухлетней давности вместо свежих. Без ошибки, без предупреждения - просто другие данные. Пришлось брать окно фильтром и сортировать уже у себя. Свежесть была критична: по старым сделкам телефония записи уже удалила.

Из 104 разговоров надёжное разделение сторон получилось у 84. У 20 записана только одна сторона или стороны не разделились, и по ним доля речи не считалась вовсе. Это не брак работы, это свойство материала, и в отчёте оно стоит отдельной строкой.

Сколько это заняло и сколько стоит

Расшифровка. 19,6 часа записей обработались примерно за 90 минут машинного времени на обычном маке, со скоростью около 13 крат. Денег ноль: модель работает локально.

Шесть звонков, 1757 секунд звука, 123 секунды работы: в 14 раз быстрее реального времени. Имена менеджеров и путь скрыты фильтром при запуске.

Разбор. 104 расшифровки на четыре прохода. Работает на подписке, а не на оплате по токенам, и про эту развилку по деньгам я писал отдельно в разборе Claude Code. Поверх подписки расход нулевой, и это меняет саму постановку задачи: можно позволить себе четыре прохода вместо одного.

Живое время. Около двух недель вечерами, и большая часть ушла не на модель. Выгрузка, заполненность полей, проверка пригодности записей, отбраковка односторонних - вот где время. Сам разбор на этом фоне быстрый.

Если делать такое не самому, моя ставка от 3000 ₽ в час, под сложность считается в обе стороны. Час с готовыми заготовками - выгрузкой из CRM, расшифровкой, схемами разбора - собирает не начало работы, а работу. Что именно заказывают и из каких этапов это складывается, разобрано в ИИ-агентах для бизнеса.

А если хочется собрать такой разбор самому, можно сделать это вместе: встречаемся и проходим путь на ваших звонках, от выгрузки до вывода. Начинаем с того, что у вас уже есть, поэтому цену называю после короткого разговора.

Кому это не подойдёт

Тем, у кого данные уже лежат числами. Если всё нужное есть в таблице, вам нужен не разбор текста, а доступ модели к таблице. Это проще и дешевле.

Тем, у кого выборка в десять строк. На 104 разговорах я половину разниц честно пометил как шум. На десяти шумом будет всё, и никакая формулировка вывода этого не спасёт.

Тем, кому нужен ответ, а не проверка. Если решение уже принято и нужно подтверждение, разбор вслепую будет мешать. Он затем и сделан.

Тем, кто не может переслушать выводы. Цитата с таймкодом работает, только если записи живы. Телефония их удаляет, и у меня по старым сделкам материала уже не было.

А если непонятно, с какой стороны к этому подходить, у меня есть путь из пяти ступеней: обучение нейросетям с нуля. Там же видно, какая часть этой работы вообще обходится без кода, а какая нет. И если хочется сначала понять, что вообще стоит отдавать машине, вот честный список: что можно автоматизировать.

Разберём вместе

Расшифровка локально и разбор звонков отдела продаж

Собираем диктовку, которая работает без облака, и доводим её до дашборда: выгрузить звонки из CRM, расшифровать, найти нужные фразы и сравнить конверсию там, где они прозвучали.

Этот путь я прошёл сам. Можем встретиться и собрать такое у вас: вы уходите не с записью урока, а с работающей системой и пониманием, как она устроена.

С чего начинать, зависит от того, что у вас уже есть. Что-то стоит и не заводится - разберём только это. Нет ничего - начнём с нуля. Поэтому цену называю после короткого разговора.

Написать в телеграм

Напишите в бота, что у вас уже есть и что хотите собрать. Сообщение придёт мне лично, дальше договоримся о времени и оплате. Что можно разобрать по этой теме

Пишу про свои автоматизации в телеграм-канале: короткие заметки по ходу работы, без расписания и без рекламы.

Читать канал

Если нужна не инструкция, а готовое решение под ваш бизнес - напишите мне, обсудим задачу.