# ROI24 v2 — Автономная система принятия решений для бизнеса

> **Позиционирование:** AI-финансовый директор. Не дашборд, а система которая находит, анализирует и закрывает утечки денег в вашем бизнесе 24/7.

---

## Краткая выжимка

Сейчас B2B-инструменты работают по модели **data → инсайты → человек решает**. Это называется **open-loop** — система показывает данные, но всё решение остаётся на вас.

ROI24 v2 работает по модели **data → инсайты → действие через API**. Это **closed-loop** — система не только находит проблему, но и автоматически устраняет её: снижает ставки в рекламе, переключает бюджеты, запускает обучение менеджеров.

**Простыми словами:** Вы не смотрите графики и не думаете «надо что-то сделать». Система сама говорит что делать — и делает.

---

## 1. Концепция: Замкнутый цикл принятия решений

### Проблема текущего рынка

Подавляющее большинство систем аналитики (Grafana, DataLens, Power BI, кастомные дашборды) — это **зеркала**. Они показывают, что происходит. Но владелец бизнеса не аналитик — ему не нужно видеть цифры, ему нужно знать **что делать**.

**Текущий процесс (open-loop):**
1. Система показывает: CAC вырос на 40% за неделю
2. Владелец видит график → звонит маркетологу → маркетолог проверяет → выясняется, что Яндекс.Директ переплачивает → меняет ставки → бизнес восстанавливается
3. **Итого:** 2-3 дня потерянных денег, ручная работа, человеческий фактор

**Новый процесс (closed-loop):**
1. Система видит: CAC вырос на 40% за неделю
2. Правило срабатывает автоматически: снижает ставки в Директе на 20%, перераспределяет бюджет в ВКонтакте
3. Уведомление в Telegram: «CAC вырос на 40%, я скорректировал бюджет. Освобождено 45 000₽. Причина: рост ставки в Директе на 15%»
4. **Итого:** 0 дней потерь, 0 ручных действий, 45 000₽ экономии

### Как работает замкнутый цикл

Система состоит из 4 ключевых слоёв:

**1. Источники данных (входы)**
- Финансы: 1С, МойСклад, банковские выписки
- Продажи: CRM (AmoCRM, Bitrix24)
- Маркетинг: рекламные кабинеты (Директ, VK, Google), call-tracking, веб-аналитика
- Контент: звонки (аудиофайлы), чаты, отзывы

**2. Обработка и анализ (мозг)**
- **Rule Engine** — система бизнес-правил: «если CAC > X и тренд вверх → действие Y»
- **ML Pipeline** — анализ звонков, NLP, классификация намерений, оценка качества менеджеров
- **Аномалии и прогнозы** — поиск отклонений от нормы, прогнозирование прибыли на основе текущих трендов

**3. Экшены (действия)**
- Авто-оптимизация рекламы через API рекламных кабинетов
- CRM-триггеры: напоминания менеджерам, создание задач, скоринг лидов
- Уведомления: Telegram, Slack, email с конкретными рекомендациями
- Финансовые операции: авто-платежи, контроль лимитов, предупреждения о кассовых разрывах

**4. Бизнес-результат (выходы)**
- Экономия бюджета рекламы: 15-30% (авто-оптимизация ставок)
- Рост конверсии звонков: 20-40% (обучение менеджеров, улучшение скриптов)
- Прозрачность финансов: 100% видимость в реальном времени
- Прогнозирование прибыли: точность 80%+ на 30-90 дней вперёд

### Обратная связь

Система учится на результатах. Если авто-действие по снижению ставок дало положительный эффект — правило получает higher priority. Если нет — система снижает приоритет или отключает правило. Это делает систему лучше со временем.

---

## 2. Архитектура интеграций

### Как данные попадают в систему

Система не требует установки ПО на клиенте. Все интеграции работают через API и webhooks.

**Слой внешних систем:**
- **Рекламные кабинеты** — Яндекс.Директ, Google Ads, VK Ads, MyTarget. Дают доступ к метрикам: показы, клики, Cost, конверсии, ставки.
- **CRM-системы** — AmoCRM, Bitrix24, RetailCRM. Дают доступ к лидам, сделкам, воронкам, действиям менеджеров.
- **ERP / Склад** — 1С, МойСклад. Дают данные о закупках, складах, себестоимости, прибыли.
- **Банки** — Сбербанк, Тинькофф, ЮKassa. Дают данные о реальных деньгах: поступления, расходы, остатки.
- **Call-tracking** — Calltouch, Mango, ROIS. Дают аудио звонков, данные о номерах, источниках трафика.
- **Веб-аналитика** — Метрика, GA4, Roistat. Дают данные о поведении пользователей на сайте.

**Интеграционный шлюз:**
- **OAuth2 / Token Management** — безопасное хранение токенов доступа к внешним API
- **Rate Limiting / Retry** — защита от блокировок, авто-повтор при ошибках
- **Data Normalization** — приведение разнородных данных к единому формату. Например, CAC в Директе считается как Cost/Conversions, а в 1С — как МаркетинговыйБюджет/(Кол-воПродаж × СреднийЧек). Система приводит всё к единой формуле.
- **Event Bus** — очередь событий для асинхронной обработки. Если CRM недоступна — данные ждут в очереди и обрабатываются когда система восстановится.

**Ядро системы:**
- **Rule Engine** — читает YAML-файлы с правилами и применяет их к данным
- **ML Service** — запускает модели анализа звонков, NLP-классификации, предсказания
- **Analytics Engine** — считает бенчмарки, прогнозы, корреляции
- **Action Runner** — выполняет действия через API: меняет ставки, создаёт задачи, отправляет уведомления

**Обратная интеграция:**
- Авто-редактирование рекламных кампаний через API
- Обновление карточек лидов в CRM (например, добавить тег «нужен перезвон»)
- Уведомления в Telegram/Slack с конкретными рекомендациями
- Дашборд ROI24 — веб-интерфейс для просмотра всех инсайтов

### Почему архитектура важна

Система спроектирована так, чтобы новые источники данных добавлялись за часы, а не недели. Добавление нового CRM или рекламного кабинета — это только настройка коннектора в шлюзе. Ядро системы работает одинаково для всех источников.

---

## 3. Rule Engine архитектура

### Что такое Rule Engine

Rule Engine — это сердце системы автоматического принятия решений. Он позволяет задавать бизнес-логику через простые текстовые файлы (YAML), без написания кода.

**Пример:** Владелец бизнеса говорит: «Если CAC вырос больше чем на 25% за 24 часа — автоматически снизи ставки в Директе на 20%». Это правило записывается в один файл. Менеджер не программист — он может это написать сам.

### Как работает правило

Каждое правило состоит из 4 частей:

**1. Условия (conditions)** — что должно произойти для срабатывания:
- `metric`: какая метрика отслеживается (CAC, конверсия, LTV...)
- `operator`: как сравнивать (больше `gt`, меньше `lt`, равно `eq`)
- `threshold`: пороговое значение
- `window`: за какой период смотреть (1h, 24h, 7d)

**2. Акции (actions)** — что делать при срабатывании:
- `type: alert` — отправить уведомление (Telegram, Slack, email)
- `type: auto_action` — выполнить автоматическое действие (снизить ставки, переключить бюджет)
- `type: warn` — отправить предупреждение менеджеру

**3. Приоритет (priority)** — если срабатывают несколько правил одновременно, приоритет определяет порядок выполнения.

**4. Каналы (channels)** — куда отправлять результаты (Telegram, Slack, email, CRM).

### Типы реакций

**Auto — немедленное действие:**
- Снижение ставок в рекламе
- Пауза неэффективных кампаний
- Перераспределение бюджета между каналами
- Создание задач в CRM

**Warn — уведомление:**
- Менеджеру: «Сегодня конверсия упала на 15%, проверь форму оплаты»
- Руководителю: «Менеджер Иванов за сегодня провёл 3 звонка с пропусками возражений»
- Владелец: «CAC вырос на 40% — я автоматически скорректировал бюджет»

**Alert — эскалация:**
- Неотложные ситуации: кассовый разрыв, подозрительные транзакции, критическое падение конверсии
- Включает SMS-уведомление владельцу

**Log — аудит и обучение:**
- Все действия логируются для анализа
- Данные используются для обучения ML-моделей

### Почему YAML-конфигурация

- **Не требует программирования** — любой менеджер может написать правило
- **Версионируется** — изменения правил отслеживаются в Git
- **Тестируется** — правила можно проверить на исторических данных
- **Шаблонизируется** — шаблоны правил для типовых бизнесов (e-commerce, услуги, производство)

### Примеры правил

**Правило 1: Защита от переплаты за рекламу**
```yaml
rule: caс_spike_detection
enabled: true
priority: 10

conditions:
  - metric: caс_daily
    operator: gt
    threshold: 1200
    window: 24h
  - metric: caс_trend
    operator: gt
    threshold: 0.25
    window: 24h

actions:
  - type: auto_action
    target: yandex_direct
    action: reduce_bid
    by_percent: 20
  - type: alert
    channel: telegram
    template: CAC вырос на {{caс_trend*100}}% — {{caс_daily}}₽
```

**Правило 2: Менеджер не перезвонил**
```yaml
rule: no_callback_in_24h
enabled: true
priority: 5

conditions:
  - metric: lead_age_hours
    operator: gt
    threshold: 24
  - metric: lead_status
    operator: eq
    value: new
  - metric: callback_made
    operator: eq
    value: false

actions:
  - type: auto_action
    target: amo_crm
    action: assign_task
    assignee: team_lead
    message: Менеджер {name} не перезвонил лид {lead_id} за 24ч
  - type: alert
    channel: telegram
    template: Лид {lead_id} от {source} ожидает перезвона более 24ч
```

**Правило 3: Кассовый разрыв**
```yaml
rule: cash_critical
enabled: true
priority: 100

conditions:
  - metric: cash_balance
    operator: lt
    threshold: 500000
    window: 7d
  - metric: cash_forecast
    operator: lt
    threshold: 0
    window: 30d

actions:
  - type: auto_action
    target: bank
    action: freeze_non_essential_payments
  - type: alert
    channel: sms
    template: ⚠️ КРИТИЧНО: остаток {balance}₽, прогноз на 30д: {forecast}₽
  - type: alert
    channel: telegram
    template: Предложение: отложить закупку {item} на 14 дней → экономия {amount}₽
```

### Бенчмарки по нише

Rule Engine использует агрегированные анонимные данные тысяч бизнесов для сравнения:
- «Ваша конверсия в оплату: 3.2%, средний по нише «онлайн-курсы»: 4.8%»
- «Вы теряете ~120 000₽/мес из-за низкой конверсии»
- «Ваш CAC на 35% выше среднего — это неэффективно»

---

## 4. ML Pipeline: Анализ звонков

### Зачем анализировать звонки

Звонки — главный источник дохода для многих B2B-компаний. Но 80% компаний не анализируют содержание разговоров. Они знают количество звонков, но не знают:
- Что говорили менеджеры
- Как клиенты реагировали
- Какие возражения были проигнорированы
- Почему клиенты ушли к конкурентам

ML Pipeline превращает аудио-файлы в конкретные бизнес-рекомендации.

### Этапы обработки

**1. Загрузка и предобработка**
- Аудиофайлы загружаются из call-tracking API (Mango, Calltouch)
- Шумоподавление, разделение спикеров (кто говорит — клиент или менеджер)
- Сегментация по репликам и паузам

**2. Транскрипция**
- Преобразование речи в текст с помощью Whisper или Yandex SpeechKit
- Разделение реплик: кто сказал что
- Учёт контекста: «хорошо» как ответ vs «хорошо» как заполнитель

**3. NLP-анализ**
- **Классификация намерений:** клиент проявляет интерес, отказывается, задает вопрос, просит перезвонить
- **Анализ тональности:** позитивный, нейтральный, негативный ответ на каждый аргумент
- **Извлечение тем:** о чём говорили, какие темы поднимались
- **Соблюдение скрипта:** сказал ли менеджер приветствие, представился, предложил сделку, отработал возражения

**4. Scoring и инсайты**
- **Manager Scorecard:** рейтинг каждого менеджера по KPI (конверсия, длительность, соблюдение скрипта)
- **Отработка возражений:** какие возражения игнорируются, какие работают, какие нет
- **Вероятность сделки:** вероятность что этот клиент купит, на основе анализа разговора
- **Summary:** краткое резюме разговора для CRM

### Как инсайты превращаются в действия

**Сценарий 1: Менеджер тупит**
- ML обнаруживает: менеджер Иванов не отрабатывает возражение «дорого» в 40% звонков
- Действие: создание задачи для руководителя + автоматическое обучение на основе лучших звонков
- Ожидаемый эффект: рост конверсии на 15-20%

**Сценарий 2: Скрипт не работает**
- ML обнаруживает: скрипт А конвертит на 35% хуже скрипта Б
- Действие: рекомендация заменить скрипт + A/B тест с авто-переключением на лучший вариант
- Ожидаемый эффект: +15-20% к продажам

**Сценарий 3: Клиент горячий, менеджер не перезвонил**
- ML обнаруживает: высокий интерес клиента (задал вопрос по цене), но менеджер не перезвонил 24ч
- Действие: автоматическое создание задачи в CRM + уведомление в Telegram
- Ожидаемый эффект: +30% к конверсии горячих лидов

### Почему это уникально

Никто не делает анализ звонков + рекламу + финансы в единой системе. Большинство систем либо звонки (JustCall), либо рекламу (Advizo), либо аналитику (Grafana). ROI24 v2 объединяет всё — и находит скрытые связи.

**Пример:** ML в звонках видит, что менеджеры хорошо продают премиум-сегмент. Rule Engine видит, что реклама привлекает бюджет в бюджетный сегмент. Рекомендация: сместить рекламный бюджет на премиум-сегмент → конверсия вырастет на 25%.

---

## 5. Три продукта (Go-to-Market)

### Почему 3 уровня

Один тариф не работает в B2B. Разные бизнесы — разные бюджеты и боли. 3 уровня позволяют:
1. Захватить клиента через дешевый вход (Audit)
2. Доказать ценность (Monitor)
3. Закрыть на полную стоимость (Autonomous)

### Уровень 1: Audit Mode (входной продукт)

**Что это:** разовый анализ всех источников данных → отчёт «где вы теряете деньги»

**Цена:** 50-100 000₽ (разово)

**Что входит:**
- Подключение всех источников (CRM, реклама, банк, звонки)
- Анализ данных за последний месяц
- Отчёт с конкретными цифрами утечек: «Вы теряете 840 000₽/мес на X, Y, Z»
- Сравнение с бенчмарками по нише: «Ваш CAC на 35% выше среднего»
- Рекомендации: что можно сделать

**Зачем:** Audit — это воронка. Бесплатный аудит не работает (клиенты не ценят халяву). Платный аудит — это фильтр: клиент готов заплатить 50-100к → значит бизнес серьёзный. Из 10 клиентов, прошедших Audit, 7-8 покупают Monitor.

**Пример отчёта:**
```
Аудит бизнеса ООО «Пример» — Июнь 2026

Утечка #1: Переплата за рекламу — 340 000₽/мес
  CAC в Я.Директе: 1 800₽ (среднее по нише: 1 200₽)
  Потеря: 600₽ × 600 лидов = 360 000₽/мес

Утечка #2: Менеджеры не перезванивают — 280 000₽/мес
  45% лидов не перезвонены за 1 час
  Средний чек: 50 000₽ × 12 сделок = 600 000₽/мес
  Потеря: 280 000₽/мес (45% не перезвонили)

Утечка #3: Неэффективный скрипт — 220 000₽/мес
  Конверсия звонков в продажу: 18% (среднее: 28%)
  Потеря: 10% × 22 сделки × 100 000₽ = 220 000₽/мес

Итого утечек: 840 000₽/мес (10 080 000₽/год)
```

### Уровень 2: Monitor + Recommend (основной продукт)

**Что это:** 24/7 мониторинг с рекомендациями и авто-действиями

**Цена:** 100-150 000₽/мес

**Что входит:**
- Rule Engine с 50+ правилами
- ML-анализ звонков в реальном времени
- Авто-оптимизация рекламы через API
- Ежедневные Telegram-уведомления
- Еженедельный дайджест с инсайтами
- Бенчмарки по нише
- Поддержка, обучение, доработка правил

**Услуги:**
- Подключение: 200 000₽ (разово, входит в стоимость первых 3 месяцев)
- Доработка правил: 5 000₽/час

**Почему 100-150к/мес:** Клиент экономит 840 000₽/мес → он платит 100 000₽ за экономию 740 000₽. ROMI = 7.4x. Это не расходы, это инвестиция.

### Уровень 3: Autonomous Controller (премиум)

**Что это:** система принимает решения за владельца

**Цена:** 300 000₽/мес + % от экономии/прибыли

**Что входит:**
- Всё из Monitor
- Авто-действия без согласования: система сама снижает ставки, переключает бюджеты, создаёт задачи
- Персональный AI-ассистент на базе LLM: отвечает на вопросы «что происходит?», «почему упала прибыль?»
- Бенчмарки по нише + прогноз прибыли
- SLA: время реакции 15 минут, выделенный аккаунт
- Индивидуальная доработка правил под бизнес

**Модель оплаты:**
- Фикс: 300 000₽/мес
- Бонус: 10% от найденной и закрытой утечки (если > 100 000₽/мес)
- Минимальный бонус: 50 000₽/мес

**Пример:** Нашли 2 000 000₽/мес утечек, закрыли 1 500 000₽. Бонус: 150 000₽. Итого: 450 000₽/мес.

### Сравнение продуктов

| Параметр | Audit | Monitor | Autonomous |
|----------|-------|---------|------------|
| Цена | 50-100к (разово) | 100-150к/мес | 300к+/мес + % |
| Мониторинг | 1 раз | 24/7 | 24/7 |
| Рекомендации | Отчёт | Telegram + Weekly | AI-ассистент |
| Авто-действия | Нет | Правила по согласованию | Авто |
| ML звонки | Анализ | 24/7 | 24/7 + LLM |
| Бенчмарки | Да | Да | Да + прогноз |
| SLA | Нет | Поддержка | 15 мин |
| ROMI | 5-10x | 3-5x | 5-10x |

---

## 6. Комбинированные сценарии (Cross-System Intelligence)

Самая высокая ценность — когда система связывает данные из разных систем и находит скрытые закономерности.

### Сценарий 1: Лидов много, продаж мало

**Сигналы:**
- Реклама: CAC в норме, конверсия в лиды высокая
- CRM: лиды поступают стабильно, 200+ в месяц
- Звонки: качество низкое, менеджеры не отрабатывают возражения

**Вывод:** Проблема не в рекламе, а в продажах.

**Действие:**
1. ML находит: менеджер Иванов не отрабатывает возражение «дорого» в 40% звонков
2. Правило: создаёт задачу для руководителя + автоматическое обучение на основе лучших звонков
3. Через 2 недели: конверсия звонков выросла с 18% до 24%, +60 000₽/мес

**Без ROI24:** Владелец думает «надо больше лидов» → льёт больше денег в рекламу → CAC растёт → убыток.

### Сценарий 2: Канал эффективный, но LTV маленький

**Сигналы:**
- Реклама: конверсия низкая, CAC высокий
- Звонки: клиенты холодные, не готовы платить
- Финансы: CAC > LTV (тратим больше на привлечение, чем зарабатываем)

**Вывод:** Реклама привлекает нецелевую аудиторию.

**Действие:**
1. ML анализирует: успешные клиенты — из ВКонтакте, неудачные — из Я.Директа
2. Правило: снижает бюджет Я.Директа на 30%, переключает во ВКонтакте
3. Через месяц: CAC снижен на 40%, LTV вырос на 25%

**Без ROI24:** Владелец снижает ставки в Директе (так как CAC высокий), но не меняет креативы → привлекает ту же аудиторию.

### Сценарий 3: Авто-цикл оптимизации

**Сигналы:**
- CAC вырос на 25% за 24 часа
- ML анализирует звонки: конверсия в продажу упала на 15%
- Финансы: прибыль снизилась на 18% за неделю

**Вывод:** Проблема не в рекламе (CAC вырос из-за падения конверсии в продажах, а не из-за роста ставки).

**Действие:**
1. Система НЕ трогает рекламный бюджет (не тратит деньги впустую)
2. Запускает обучение менеджеров на основе лучших звонков
3. Отправляет отчёт: «CAC вырос не из-за рекламы, а из-за качества звонков. Обучение запущено.»

**Без ROI24:** Владелец видит рост CAC и сразу снижает ставки в рекламе. Лидов становится меньше, но конверсия не растёт → бизнес теряет и трафик, и деньги.

---

## 7. Tech Stack

### Backend — Python / FastAPI

**Почему Python:**
- Лучшая экосистема для ML: PyTorch, Transformers, scikit-learn
- Быстрая разработка: FastAPI + async → 1000+ requests/сек
- Готовые библиотеки для всех интеграций: OAuth2, REST, gRPC
- Сообщество и документация на русском

**Rule Engine:**
- YAML для конфигурации правил — просто, читаемо
- Lua или JQ для выражений — быстро, безопасно
- Асинхронная обработка через Celery

**ML Service:**
- PyTorch для кастомных моделей
- Whisper для транскрипции
- Hugging Face Transformers для NLP
- LLM API для генерации инсайтов

### Frontend — React / Next.js

- **Next.js** — SSR, SEO, API routes
- **Tailwind CSS** — быстрая вёрстка
- **shadcn/ui** — готовые компоненты
- **ECharts / Recharts** — интерактивные графики
- **Telegram Bot WebApp** — мобильный дашборд в Telegram

### Data — PostgreSQL + ClickHouse

- **PostgreSQL** — основные данные: клиенты, правила, настройки
- **TimescaleDB** (расширение PostgreSQL) — временные ряды метрик
- **ClickHouse** — аналитика, агрегации, бенчмарки
- **Redis** — кэш, очереди задач, session management
- **MinIO** — хранение аудиофайлов, логов, бэкапов

### ML Services

- **Whisper** — транскрипция речи
- **Speaker Diarization** — разделение спикеров
- **Custom NLP** — классификация намерений, тональности
- **LLM API** — генерация инсайтов, ответы на вопросы

### Infrastructure

- **Docker + Kubernetes** — контейнеризация, масштабирование
- **GitLab CI** — CI/CD pipeline
- **Prometheus + Grafana** — мониторинг системы
- **Nginx / Traefik** — reverse proxy, балансировка

---

## 8. Roadmap (MVP → Production)

### Фаза 1: MVP (2 недели) — «Работает и приносит деньги»

Цель: первый клиент, первый кейс, первые деньги.

**Rule Engine (базовый) — 5 дней:**
- Парсер YAML-правил
- 5 правил: CAC spike, конверсия, звонки, кассовый разрыв, CRM task
- Telegram-уведомления
- Логирование всех действий

**Интеграция 1С + CRM — 7 дней:**
- Подключение к AmoCRM API
- Подключение к 1С API
- Синхронизация данных раз в час
- Нормализация метрик

**Дашборд (базовый) — 7 дней:**
- Список метрик с текущими значениями
- Цветовые индикаторы: зелёный/жёлтый/красный
- История метрик за 7 дней
- Простая HTML-страница

**5 правил анализа — 4 дня:**
- CAC вырос > 25% за 24ч
- Конверсия звонков упала > 15%
- Лид не перезвонён за 24ч
- Кассовый разрыв < 500к
- CAC > LTV

**Итого:** 2 недели, 2 человека (backend + fullstack), 300 000₽ в ФОТ.

### Фаза 2: ML (4 недели) — «Автоматизация звонков»

Цель: ML-анализ звонков, пилот на 3 клиентах.

**Транскрипция звонков — 5 дней:**
- Подключение Whisper
- Загрузка аудио из call-tracking
- Разделение по менеджерам
- Сохранение в базу

**NLP анализ / Scorecard — 7 дней:**
- Классификация намерений (интерес/отказ/вопрос)
- Анализ тональности
- Проверка соблюдения скрипта
- Рейтинг менеджеров

**Telegram-уведомления — 5 дней:**
- Алерты при аномалиях
- Ежедневный дайджест
- Кнопки для быстрых действий

**Пилот на 3 клиента — 14 дней:**
- Бесплатно за фидбек и кейсы
- Сбор метрик: экономия, конверсия, ROI
- Доработка правил

### Фаза 3: API Actions (4 недели) — «Авто-действия»

Цель: система начинает действовать, а не только показывать.

**Рекламные кабинеты API — 7 дней:**
- Яндекс.Директ: изменение ставок, пауза кампаний
- VK Ads: управление бюджетами
- Google Ads: оптимизация bid strategy

**Авто-оптимизация ставок — 7 дней:**
- Правило: CAC > threshold → снизить ставки
- Правило: ROI < target → переключить бюджет
- АБ-тестирование стратегий

**CRM-триггеры — 5 дней:**
- Автоматическое создание задач
- Обновление тегов лидов
- Скоринг по NLP-анализу звонков

**Бенчмарк-база — 10 дней:**
- Агрегация анонимных данных
- Сравнение по нишам
- Топ-10 лучших практик

### Фаза 4: Enterprise (6 недель) — «Полный автопилот»

Цель: система принимает решения за владельца.

**LLM-инсайты — 7 дней:**
- Генерация объяснений на естественном языке
- Ответы на вопросы «что происходит?»
- Рекомендации на основе бенчмарков

**Прогнозирование прибыли — 10 дней:**
- Прогноз на 30, 60, 90 дней
- Оценка рисков
- Сценарии оптимизации

**Web UI v2 — 14 дней:**
- Обновлённый дашборд
- Настройка правил через UI
- История действий и результатов

**SLA + Multi-tenant — 10 дней:**
- Разделение данных между клиентами
- Мониторинг доступности
- Автоматическое масштабирование

**Публичный запуск — 14 дней:**
- Landing page
- Кейсы пилотных клиентов
- Маркетинг: LinkedIn, Telegram, конференции

---

## 9. Unit Economics (пример для клиента)

### Сколько теряет типичный бизнес

**E-commerce, оборот 20 млн/мес, 15 сотрудников:**

| Утечка | Месяц | Год |
|--------|-------|-----|
| Переплата за рекламу | 340 000₽ | 4 080 000₽ |
| Неэффективные менеджеры | 280 000₽ | 3 360 000₽ |
| Неоптимальные скрипты | 220 000₽ | 2 640 000₽ |
| **Итого** | **840 000₽** | **10 080 000₽** |

### ROI24 закрывает:

| Этап | Стоимость | Закрывает | Экономия | ROMI |
|------|-----------|-----------|----------|------|
| Audit | 75 000₽ | Выявляет 840к/мес | 840 000₽ | 11x |
| Monitor | 150 000₽/мес | 60% утечек | 500 000₽ | 3.3x |
| Autonomous | 300 000₽/мес + 10% | 90% утечек | 750 000₽ + 75 000₽ | 2.3x |

### Платёжеспособность

| Клиент | Выручка | Бюджет на маркетинг | ROI24 бюджет | ROMI ROI24 |
|--------|---------|---------------------|---------------|------------|
| Магазин одежды | 5 млн/мес | 500 000₽/мес | 50 000₽/мес | 5x |
| Онлайн-школа | 15 млн/мес | 2 млн/мес | 150 000₽/мес | 3.3x |
| Медицина | 30 млн/мес | 5 млн/мес | 300 000₽/мес | 2.5x |

**Правило:** ROI24 стоит не больше 5-10% от рекламного бюджета. Если реклама > 500 000₽/мес — клиент может себе позволить.

---

## 10. Конкурентный анализ

### Кто делает похожее

| Компания | Что делают | Чего не делают |
|----------|-----------|----------------|
| Yandex DataLens | Дашборды | Нет ML, нет авто-действий |
| Google Looker | Дашборды | Нет ML, нет авто-действий |
| Power BI | Дашборды | Нет ML, нет авто-действий |
| AmoCRM | CRM, базовая аналитика | Нет анализа звонков, нет оптимизации рекламы |
| JustCall | Анализ звонков | Нет рекламы, нет финансов, нет авто-действий |
| Advizo | Оптимизация рекламы | Нет звонков, нет финансов, нет ML |
| Cerebre | ML для бизнеса | Нет звонков, нет авто-действий через API |

### Почему мы победим

1. **Единственная система, связывающая звонки + рекламу + финансы** — никто не делает этого
2. **Авто-действия через API** — не просто рекомендации, а реальное изменение настроек
3. **ML-анализ звонков** — hard tech, который сложно скопировать
4. **Бенчмарки по нишам** — уникальная база данных
5. **Закрытый цикл** — data → insight → action → feedback

---

## 11. Риски и митигация

### Технические риски

| Риск | Вероятность | Влияние | Митигация |
|------|------------|---------|-----------|
| API рекламных кабинетов блокирует | Средняя | Высокое | Rate limiting, rotation, fallback |
| ML-модели дают ложные сценарии | Низкая | Высокое | Human-in-the-loop на первых этапах |
| Сложность интеграций | Высокая | Среднее | Коннекторы через API, не через парсинг |
| Потеря данных | Низкая | Критическое | Репликация, бэкапы каждые 4 часа |

### Бизнес-риски

| Риск | Вероятность | Влияние | Митигация |
|------|------------|---------|-----------|
| Клиенты не верят AI | Высокая | Высокое | Human-in-the-loop: система рекомендует, человек подтверждает |
| Конкуренты копируют | Средняя | Среднее | ML-модели + бенчмарки — сложно скопировать |
| Длинные циклы продаж | Высокая | Среднее | Audit как воронка → быстрая конверсия в подписку |
| Регуляция данных | Низкая | Высокое | Данные хранятся на серверах в РФ, GDPR-ready |

---

## 12. Заключение

ROI24 v2 — это не дашборд. Это **автономный бизнес-контролёр**, который:

1. **Слушает** все источники данных (реклама, продажи, финансы, звонки)
2. **Анализирует** через ML и rule-engine
3. **Действует** через API рекламных кабинетов и CRM
4. **Обучается** на результатах

**Главное УТП:** Вы платите не за красивые графики, а за закрытые утечки. Система находит деньги, которые вы теряете, и возвращает их вам.

---

> **Резюме:** ROI24 v2 — это единственная система в мире, которая объединяет анализ звонков, оптимизацию рекламы и финансовый контроль в одном замкнутом цикле с авто-действиями. Это не инструмент, это автономный сотрудник, который работает 24/7 и приносит деньги.