Сквозная аналитика с AI-ассистентом: как мы связали CRM, 1С и Jira в одну систему

Коммерческий блок ITECH работает в Битрикс24, но для управленческой аналитики одной CRM мало. Данные по источникам лидов приходят из Roistat, планы лежат в Google-таблицах, акты и поступления хранятся в 1С, проекты ведутся в Jira. Чтобы увидеть план/факт, всё это сводили вручную, и каждая сводка занимала несколько часов.

Автоматизировать сводку мы взялись сами, силами финансового департамента и Claude Code. Собрали хранилище, дашборды и AI-ассистента, которому руководители задают вопросы прямо в чате Битрикс24. Ниже я расскажу, как это устроено, что пошло не по плану и что изменилось в работе руководства.

С какими проблемами мы столкнулись

У каждого блока были свои инструменты и свой ответственный: лиды вёл руководитель отдела маркетинга, продажи — коммерческий директор, деньги — финансовый департамент. Внутри своей зоны каждый видел всё, что ему нужно. Сложности начинались, когда руководству нужна была сквозная картина от лида до денег по проекту.

Сквозной отчёт собирался из нескольких систем. Чтобы свести план/факт за месяц или квартал, данные выгружали из каждой системы и связывали между собой, а часть цифр отдельно выводили в DataLens.

Расхождения между системами обнаруживались при сведении. Когда данные из CRM сопоставляли с 1С и таблицами, находились незаполненные или неверно заполненные поля. Их исправляли и выгружали данные заново.

Вопросы вне отчёта шли через аналитика. Например, чтобы узнать, сколько денег за квартал принесли сделки из конкретного рекламного канала, нужно было связать данные Roistat, CRM и 1С, и этим занимался аналитик.

Вайбкодингом в ITECH занимаются даже в финансовом департаменте. При закрытии первого квартала мы собрали в Claude Code дашборд P&L за один день, и с него началась разработка всей системы.

Что мы построили

Над общим хранилищем работают два инструмента: дашборды и AI-ассистенты.

Дашборды закрывают ежедневную и ежемесячную аналитику: источники и каналы, стоимость лида, CAC, конверсию в сделки и сумму сделок, которые дошли до производства. Сначала мы собрали их в DataLens. Переход на Apache Superset получился отчасти вынужденным: наш кластер пострадал при аварии в дата-центре Яндекса, и всю систему мы развернули во внутреннем контуре. Superset работает внутри контура, а управлять им удобно через Claude Code: дашборд можно собрать или поправить, описав задачу обычными словами. Для каждого уровня управления у нас свой срез: от ежедневной картины по лидам для маркетинга до сводных показателей для совета директоров и бюджетного комитета.

AI-ассистенты отвечают на вопросы, ответов на которые нет в дашбордах. Сотрудник пишет вопрос обычными словами чат-боту в Битрикс24, а ассистент присылает цифру или таблицу в среднем за 10 секунд. Ассистентов два:

• CRM-помощник отвечает на вопросы по лидам и сделкам, им пользуются CEO, коммерческий директор и отдел маркетинга;
• Помощник по 1С отвечает на вопросы по управленческому и бухгалтерскому учёту, им пользуются CEO и финансисты.

Как устроено решение

Подключение источников. Для Битрикс24, Roistat, 1С, Jira и таблиц мы написали собственные коннекторы с помощью Claude Code, все по единому шаблону. Несколько раз в день они забирают свежие данные в корпоративное хранилище (DWH), так что дашборды и ассистенты работают с актуальными цифрами, а история хранится с 2022 года. Сложнее всего было с 1С: прямой доступ к её таблицам запрещён лицензией, поэтому данные забираем штатными способами, через OData и запросы на языке 1С, а в структуре данных пришлось отдельно разбираться, чтобы получить корректные значения.

Хранилище данных. DWH построен на PostgreSQL и работает во внутреннем контуре компании. Данные проходят три слоя: в сыром лежит всё, что пришло из источников, без изменений; в промежуточном данные очищаются и приводятся к единому виду; поверх него собираются витрины под конкретные задачи. Так из 400 полей CRM в аналитику попадают около 70 нужных, а сырые данные остаются на случай новых вопросов.

Сквозная модель. Все источники связаны через проект: сделка в CRM, задачи в Jira, акты и поступления в 1С сходятся в одной точке. Поэтому по любому проекту можно пройти весь путь от лида до денег. Несостыковки между системами разбирает финансовый аналитик: на первых итерациях их было много, с каждым раундом становится меньше.

Ассистент. Чат-бот в Битрикс24 переводит вопрос сотрудника в запрос к витринам, выполняет его и возвращает цифру или таблицу. К сырым данным у ассистента доступа нет, поэтому он отвечает только по проверенным цифрам и не видит лишнего.

Что изменилось

Больше всего изменилась скорость подготовки отчётности.

Решения принимаются быстрее. Каждый руководитель видит свою часть картины и то, как она связана с остальными. Руководитель отдела маркетинга и коммерческий директор видят, какие каналы приносят не просто лиды, а деньги. Финансовый департамент видит план/факт, акты и поступления по каждому проекту. CEO видит всю цепочку от первого контакта до денег.

Фокус сместился на выводы. Цифры теперь приходят за секунды, а время, которое раньше уходило на сведение данных, команда тратит на разбор причин и решения.

Упаковали решение в продукт для рынка

Когда система заработала у нас, мы увидели, что та же задача стоит перед многими компаниями: руководству нужна сквозная картина, а данные разложены по CRM, 1С и таблицам. Наш опыт мы упаковали в продукт AI CRM-ассистент. В него входят коннекторы для CRM, 1С, таблиц и файлов, корпоративное хранилище данных (DWH), дашборды и AI-ассистент. Решение можно развернуть во внутреннем контуре компании.

Мы настраиваем решение под задачи вашего бизнеса: подключаем нужные источники, подбираем показатели для руководителей и встраиваем ассистента в систему, где команда уже работает. Работу начинаем с аудита данных и карты источников, затем согласуем витрины, запускаем пилот на небольшом наборе данных и выводим ассистента в ежедневную работу.

Покажем, как ассистент может работать в вашем контуре: